Udvikling af en effektiv hjerne-maskine-interface (BMI) system til restaurering og genopbygning af tobenet bevægelse kræver nøjagtige afkodning af brugerens hensigt. Her præsenterer vi en ny forsøgsprotokol og dataindsamling teknik til simultan non-invasiv erhvervelse af neurale aktivitet, muskel aktivitet og hele kroppen kinematik under forskellige bevægelseskomponenter opgaver og vilkår.
Nylige undersøgelser støtter inddragelsen af supraspinale netværk i kontrol over bipedal menneskelig walking. En del af denne dokumentation omfatter undersøgelser, herunder vores tidligere arbejde, viser, at gangart kinematik og lemmer koordinering i løbebånd walking kan udledes fra hovedbunden elektroencefalogram (EEG) med rimeligt høje afkodning nøjagtigheder. Disse resultater giver afsæt for udvikling af non-invasive hjerne-maskine-interface (BMI) systemer til brug i restaurering og / eller forøgelse af gangart-et primært mål for rehabilitering forskning. Til dato har fundet studier EEG afkodning af aktivitet under gangart været begrænset til løbebånd walking i et kontrolleret miljø. Men for at være praktisk holdbar et BMI-systemet skal kunne anvendes til brug i dagligdags bevægeapparatet opgaver såsom over jorden gåture og drejning. Her præsenterer vi en ny protokol for non-invasiv samling af hjernens aktivitet (EEG), muskelaktivitet (elektromyografi (EMG)) og enge-krop kinematiske data (hoved, torso og lemmer baner) både under løbebåndet og over jorden gå opgaver. Ved at indsamle disse data i ukontrolleret miljø indsigt kan opnås med hensyn til muligheden for at afkode ubegrænset gangart og overflade EMG fra hovedbunden EEG.
Denne protokol bruger tre dataindsamlingssystemer til samtidigt optage EEG, EMG og hele kroppen kinematik (figur 1, tabel 1). EEG data indsamles trådløst fra 64 kanaler på en sampling frekvens på 1.000 Hz, mens fag gå. Elektromyografi (EMG) opsamles ved 1.000 Hz fra overfladen elektroder placeret bilateralt på fire muskelgrupper: tibialis anterior (TA), gastrocnemius (Gast), biceps femoris (BF) og vastus lateralis (VL). Kinematiske data indsamles ved 128 Hz fra 11 trådløse sensorer monteret på hovedet, overkroppen lænden, arme, lår, skafter og fødder til at registrere bevægelse under gang. Hver sensor indeholder en triaksial magnetometer, triaksial gyroskop og treaksede accelerometer (dvs. MARG sensor).
Data indsamles fra hvert system og synkroniseret i tid ved en enkelt vært PC. Synkronisering opnås ved anvendelse af et triggersignal sendes over en kontinuerlig Serial kommunikation link tilgås af alle tre datasystemer samtidigt. Udløseren blev gennemført som en simpel knap switch. Når du trykker på knappen en trigger signal (1) sendes til værts-pc'en, mens en null signal (0) sendes, når ikke trykket. Trykke på udløserknappen også fremkalder en 0,5 sek tone anvendes som en lyd cue for emnet, som beskrevet i protokollen nedenfor. Fem par infrarøde (IR) følere blev fremstillet til anvendelse som placering udløser under over grunden walking nedenfor beskrevne eksperimenter. Når IR-signalet afbrydes en trigger signal (1) sendes til værts-pc'en over den serielle link via en radiofrekvens (RF) forbindelse med den manuelle udløser kassen.
En brugerdefineret C + + program, anvendelse af software development kit (SDK), som hvert system, blev udviklet til at registrere og synkronisere data. Koden anvender en multi-threading teknik, funktioner til lagring af data fra hvert system (EEG, EMG og margs) er indeholdt i individual tråde. Den software-algoritme er vist i figur 2.. Dataindsamlingen begynder, når ansøgningen er udført og slutter, når Q-tasten. Fem tråde aktiveres efter ansøgning udførelse. En tråd (figur 2) overvåger værdi (0 eller 1) af udløseren signal fra den serielle forbindelse. Initial trigger er nul. Når en udløser der modtages (dvs. når der trykkes på knappen, eller sigtelinje mellem IR-sensor par er brudt) de globale udløser variable er sat til 1.. Disse variabler er 1, indtil de er nulstillet inden for dataindsamling tråde.
EEG tråd fjernadgang til hovedbunden EEG data i realtid ved hjælp af TCP / IP-protokollen. Data er skrevet til en tekstfil linje for linje ved den tilsvarende sampling frekvens (1.000 Hz). Den globale EEG udløsersignal er skrevet til den første kolonne, mens kolonner 2-65 er de 64 EEG kanaler. Hvis den globale EEG triggersignal var 1, det er nulstillet. Dataskrivning fortsætter indtil EEG tråd afsluttes. To uafhængige tråde rekord MARG sensordata. To tråde er nødvendige, fordi de 11 trådløse Marg sensorer overfører data ved hjælp af fabrikantens software i robust streaming-tilstand, hvilket buffere data om de individuelle sensorer til at forhindre tab af data i tilfælde af trådløs transmission problemer. Denne bufferkapacitet forringer realtid dataoverførsel: Hvis man føler ikke er i stand til at indberette data for en given prøve alle 11 sensorer bevaret denne tidspunkt i deres buffer, og sender den til den næste tilgængelige prøve point. MARG trådløs dataoverførsel uundgåeligt halter bagefter EEG og dermed Marg sensorer har brug for tid til at aflaste buffer data til værten pc efter dataindsamlingen er stoppet. For at overvinde dette problem er to tråde anvendt i MARG dataindsamling algoritme (figur 2). Den første tråd udfylder en MARG trigger buffer fra den globale MARG trigger variabel ved føleren sampling frekvens (128 Hz), mens EEG tråd er at indsamledata. Når dataindsamlingen stopper skriftligt til trigger bufferen også afsluttes. Den MARG gevind (Figur 2) udnytter funktioner fra sensoren SDK til at modtage data fra sensorerne og skrive det til en fil på samme måde som EEG data. Det vil sige, den første kolonne er værdien af den globale MARG aftrækkeren (opnået fra MARG aftrækkeren puffer) og de følgende 99 søjler er værdierne fra 11 Marg følere (9 sensorer pr MARG enhed). Den MARG tråd skriver data indtil tidsindekset for MARG trigger bufferen er lig med den sidste tidsindeks af EEG data på hvilket tidspunkt tråd udførelse ophører.
I modsætning til de EEG og MARG data er EMG data registreres ikke trådløst. I stedet er EMG data optaget på et SD-kort i datalogning enhed. Et signal sendes over en Bluetooth-forbindelse til at starte og stoppe data skriver til SD-kortet. Skrivning begynder, når den første manuelle trigger er modtaget af EEG tråd. Dataskrivningen stopper med EEGtråd når 'q' knappen.
Følgende protokol blev undersøgt og godkendt af Institutional Review Board ved University of Houston. Alle emner modtaget, læst og underskrevet en samtykkeerklæring før deltagelse.
Protokollen præsenteres her samler tre dataindsamlingssystemer samtidigt registrere hjernens aktivitet, muskel aktivitet og hele kroppen kinematik under en bred vifte af lokomotiv opgaver. Afslutning af protokollen for hele tager ca 3 timer, inklusive 1 time af emne forberedelse. Hvert system er monteret på, og bevæger sig med, emnet. Derfor er det afgørende at kontrollere de tilslutninger af EEG-og EMG-elektroder før starten af hver ny retssag. Dette kan nemt gøres ved hjælp af software-pakker, som den pågældende producent, som gør det muligt data, der skal undersøges i realtid ved hjælp af grafiske interfaces på værts-pc'en. Dataindsamlingen applikation kræver disse software pakker, der skal køre, forenkle verifikationsprocessen. Derudover skal det sikres, at Marg sensorer håndfast er knyttet til emnet, før hvert forsøg.
EEG og MARG data overføres trådløst over 2,4-2,5 GHzspektrum rækkevidde. Fordi mange andre elektroniske enheder bruger dette frekvensbånd, er det vigtigt at overveje muligheden for trådløst interface i den eksperimentelle miljø. Et kritisk aspekt af dataindsamlingen er line-of-sight synlighed mellem den mobile kurv og motivet, der giver robusthed til trådløs interferens. Både EEG trådløse modtager og Marg adgangspunkter (figur 1) giver LED'er for at indikere forbindelse fidelity. Værts-pc'en og trådløse modtagere til EEG og MARG sensorer er placeret på en mobil vogn til at opretholde direkte synsvidde og maksimere trådløs dataoverførsel som emne gik over jorden. Vi fandt robust dataindsamling bedst opretholdes ved at holde mobil indkøbskurv indenfor 5 meter af emnet, en afstand, der ikke begrænser emne bevægelse under nogen af opgaverne. The C + + program beskæftiger flere tråde for dataindsamling til at levere robusthed til datatab på grund af afbrydelse af trådløs connection af EEG. Hvis EEG forbindelsen er tabt, er MARG og EMG data stadig registreret, men ingen EEG data vil være tilgængelige for disse tidspunkter. De Marg sensorer giver on-unit buffer som beskrevet ovenfor for at forhindre tab af data i tilfælde af trådløse forbindelse, mens EMG data er lagret på et SD-kort i den mobile data logging enhed.
Et fælles problem med indsamlingen af EEG data under gang er tilstedeværelsen af artefakt i signalerne. Groft sagt, kan artefakter opdeles i to grupper: fysiologiske kilder til artefakter, herunder blinker, eye bevægelse, facial muskel aktivitet, hjerte slår, og mekaniske artefakter såsom bevægelse af elektroder og / eller kabler i forsøgsprotokollen udførelse. Artifact fjernelse er et emne af igangværende forskning og omfatter teknikker som uafhængig komponent analyse 15,16 og kanal-baserede skabelon regression procedurer 17.. Artifact minimering og fjernelse er et afgørende skridt i PReprocessing af data for neural afkodning af kroppens bevægelser. Opsætningen præsenteres her ligner tidligere undersøgelser, at EEG elektrode kabler blev samlet i et enkelt stik. Resultaterne fra disse studier viser, at mekanisk artefakter på grund kabel svaje eller bevægelse ikke spille en rolle i afkodning af bevægelse fra neurale aktivitet 7,8. Disse resultater understøttes af andre undersøgelser, der konkluderer, at gangart relaterede artefakter var uvæsentlige i langsom til moderat walking hastigheder 17.. Men dette eksperiment måler EEG under aktiviteter, der kræver mere bevægelse af kroppen end tidligere undersøgelser, herunder sit-til-stå overgange over grunden gå, og dreje, og dermed må omhyggelig undersøgelse af de rå EEG data for at identificere potentielle forurening fra mekaniske artefakter. Selvom der endnu ikke bredt tilgængelige, kan disse potentielle problemer kan løses gennem integration af nye hardware i den nuværende protokol. Sådan hardware incLudes aktive EEG elektroder (anvendt i denne protokol) og fjederbelastede, tørre EEG elektroder, som har potentiale til at forbedre huden elektrodekontakt impedans under bevægelse 18. Disse teknologier er blevet indarbejdet i trådløse EEG systemer, som kan reducere effekten af bevægelsesartefakter 19. Integration af nye hardware trods denne protokol giver en enestående mulighed for at fortsætte med at udvikle nye algoritmer til bevægelse og EMG artefakt afvisning, fordi hver segment af krop har været instrumenteret 16.. Vi planlægger at studere tidsserier korrelation og frekvensdomænet sammenhæng mellem EEG, EMG og segment bevægelse til at udvikle robuste artefakt afvisning paradigmer for tiden tilgængelige EEG opsætninger. Vores dekodning metoder har vist robusthed mod artefakter 7,8, disse metoder vil blive undersøgt under de mere komplekse scenarier i den nuværende protokol.
Funktioner af indspillet overfladeEMG er afhængige af mange faktorer, og fortolkning af overflade EMG-signaler til studiet af neurale strategier kræver deres overvejelser 20.. De strenge procedurer for klargøring af huden og EMG elektrodeplacering anvendes i denne protokol, var designet til at minimere indflydelsen af ikke-fysiologiske faktorer på overfladen EMG signaler. Amplituden og frekvensen af EMG optages af denne protokol er relateret til nettet motorenhed aktivitet, og derfor optagelsen skal ikke fortolkes som en direkte repræsentation af neurale aktivitet af den ønskede muskel. Alligevel nøje overvejelse af overfladen EMG-signalet og mere avancerede metoder til at estimere neurale drive til muskel ved nedbrydning af EMG-signalet til at bestemme relative ændringer i neural aktivering (f.eks ved at identificere afladningstider af motoriske enheder), kan give værdifuld indsigt i muskel aktivering mønstre 20.. Endvidere inden for rammerne af neurale dekodning, selvom hjerneaktiviteterhvervet invasivt har vist sig at indeholde oplysninger om overflade EMG 21, det er i øjeblikket ukendt, om hovedbunden EEG også kan bruges til at afkode underekstremitet muskel aktivitet under gang foruden gangart kinematik. Vi forventer, at denne protokol ville tillade os at undersøge, om den reducerede rumlig opløsning af ikke-invasive hjerne billeddiagnostiske metoder er tilstrækkeligt til at isolere neurale aktivitet relateret til enkelte muskler.
Tidligere undersøgelser har vist mulighederne i at udnytte noninvasive EEG at afkode kinematik under løbebånd gå 7,8 leverer impulser til udvikling af en hjerne maskine-interface (BMI) til at gendanne fods brug af signaler fra hjernen. Tidsdomænet dekodning metoder baseret på amplitudemodulation af delta-band EEG-signaler har også vist sig at være ufølsomt over for kunstig komponenter 7,8. Men trædemølle undersøgelser foregår i et kontrolleret miljø, hvor brugerens vision og bevægelseer begrænset, og derved begrænse forurening af neurale aktivitet grundet eksterne stimuli. Gennem inkorporering af trådløse data logging, giver denne protokol samling af synkroniseret EEG, EMG og kinematiske data under en bred vifte af bevægelseskomponenter opgaver og miljøer. Integration af inerti sensorer til bevægelsessporing kræver mere beregning og offline behandling for at udtrække kinematik end et motion capture-system, og deraf følgende foranstaltninger indeholder en lille – men acceptabel – fejlmargin, som ikke ville være til stede i et kamera baseret system, 22.. Disse håndterbare vanskeligheder er en nødvendighed for at etablere en eksperimentel protokol, der muliggør mobil studie af kognitiv-motor adfærd i skiftende miljøer. Som omtalt andetsteds 10,11, sådan opsætning er næsten ubegrænsede i forskningsspørgsmål, som kan behandles. Vores fokus i den nærmeste fremtid vil være på emner er kritiske for udviklingen af et BMI for rehabilitering af stå og gå efterhjerneskade og neuropati. Et centralt element, som nævnt ovenfor, vil være udvikling af nye robuste dekodning strategier for hjerne-maskine-grænseflader til rehabilitering robotsystemer, der kan afvise fysiologiske og mekaniske artefakter til at genoprette bevægelse ved brug af signaler målt fra hjernen. For eksempel er på gangen går protokol udføres i et offentligt rum med andre mennesker til stede under dataindsamlingen, og dermed giver et prøveanlæg for udvikling af neurale dekodning teknikker i det naturlige miljø. Andre forsknings-spørgsmål af interesse ved hjælp af denne protokol omfatter sammenligner rehabilitering robot paradigmer involverer rytmisk versus ikke-rytmisk gangtræning, og studiet af neural aktivitet under funktionel restitution efter skade i både akutte og kroniske faser.
The authors have nothing to disclose.
Dette arbejde blev støttet af National Institute of Neurologiske og Stroke (NINDS) indrømmer # R01NS075889-01. Denne forskning blev støttet delvist af Intramural Research Program for NIH, Clinical Center. Forfatterne takker også Shahriar Iqbal og Yongtian Han for hjælp med indsamling af data. Udgifterne til open-access offentliggørelsen af denne artikel blev sponsoreret af APDM, Inc. (Portland, OR, http://apdm.com ).
Name | Company | Quantity | |
BrainAmp Amplifier | Brain Products, Gmbh | Quantity: 2 | |
actiCAP EEG cap with 64 electrodes | Brain Products, Gmbh | Quantity:1 | |
Brainvision MOVE wireless EEG system | Brain Products, Gmbh | Quantity:1 | |
DataLOG MWX8 EMG data collection unit | Biometrics, Ltd. | Quantity:1 | |
SX230 EMG electrodes | Biometrics, Ltd. | Quantity:8 | |
R506 EMG ground electrode | Biometrics, Ltd. | Quantity:1 | |
Opal movement monitor (MARG sensor) | APDM, Inc. | Quantity:11 | |
Opal docking station for wireless data streaming | APDM, Inc. | Quantity:2 | |
Opal wireless access point | APDM, Inc. | Quantity:2 | |
Infrared Light Barrier Kit MK120 | Velleman, Inc. | Quantity:5 | |
Wixel Programmable USB Wireless Module | Pololu, Inc. | Quantity:6 | |
Table 1. Equipment |