Neural-maskine-grænseflader (NMI) er blevet udviklet til at identificere brugerens bevægelse tilstand. Disse NMI'er er potentielt nyttige til neurale kontrol af elektriske kunstige ben, men er ikke blevet fuldt ud påvist. Dette papir præsenteret (1) vores designet engineering platform for nem implementering og udvikling af neural kontrol for drevne benet proteser og (2) en forsøgsopstilling og protokollen i et laboratorium miljø at evaluere neuralt-kontrollerede kunstige ben på patienter med lavere lemmer amputationer sikkert og effektivt.
For at muliggøre intuitiv betjening af drevne kunstige ben, er en grænseflade mellem bruger og protese, der kan genkende brugerens bevægelser hensigt ønskes. En roman neural-maskine-interface (NMI) baseret på neuromuskulære-mekaniske fusion udviklet i vores tidligere undersøgelse har vist et stort potentiale til præcist at identificere den påtænkte flytning af transfemoral amputerede. Men denne grænseflade endnu ikke blevet integreret med en strøm benprotese for ægte neurale kontrol. Denne undersøgelse havde til formål at rapportere (1) en fleksibel platform at implementere og optimere neurale kontrol af motoriserede underbensprotese og (2) en forsøgsopstilling og protokollen til at evaluere neural protese kontrol på patienter med lavere lemmer amputationer. Først en platform baseret på en pc og en visuel programmering miljø blev udviklet til at gennemføre de protese kontrol algoritmer, herunder NMI uddannelse algoritme, NMI online test algoritme, og iboende kontrol algoritme. For at demonstrerefunktion af denne platform i dette studie, NMI baseret på neuromuskulære-mekanisk fusion blev hierarkisk integreret med iboende kontrol af en prototypisk transfemoral protese. En patient med en ensidig amputation blev rekrutteret til at vurdere vores implementeret neurale controller, når du udfører aktiviteter, såsom stående, niveau jorden gå, rampe opstigning, og rampe afstamning uafbrudt i laboratoriet. En roman forsøgsopstilling og protokol blev udviklet med henblik på at teste den nye protese kontrol sikkert og effektivt. Den præsenterede proof-of-concept-platform og forsøgsopstilling og protokol kunne støtte den fremtidige udvikling og anvendelse af neuralt-kontrollerede drevne kunstige ben.
Powered benet proteser har fået stigende opmærksomhed i både kommercielle marked 1,2 og forskningsverdenen 3-5. Sammenlignet med traditionelle passive proteser ben, motoriserede proteser led har den fordel, at benet amputerede til mere effektivt at udføre aktiviteter, der er vanskelige eller umulige, når iført passive enheder. Men i øjeblikket, glat og problemfri aktivitet overgang (fx fra niveau jorden gå til trappe opstigning) stadig er et udfordrende spørgsmål til powered benprotese brugere. Denne vanskelighed er primært på grund af manglen på en brugervenlig maskine, der kan "læse" brugerens bevægelser hensigtserklæringer og straks justere protese kontrol parametre for at gøre det muligt for brugerne at problemfrit skifte aktivitet mode.
For at imødegå disse udfordringer, har forskellige tilgange i at designe bruger-maskine blevet udforsket. Hvori NMI baseret på elektromyografiske (EMG) signaler har vist et stort potentiale for at muliggøre intuitiv kontrol af elektriske benet proteser. To nylige undersøgelser 6,7 rapporteret afkode den tilsigtede bevægelse af den manglende knæ transfemoral amputerede ved overvågning af EMG-signaler optaget fra tilbageværende musklerne under en siddende stilling. Au et al. 5 brugte EMG signaler målt fra resterende skaft muskler til at identificere to bevægelseskomponenter modes (niveau-jord vandre og trappe afstamning) i en transtibial amputeret. Huang et al. 8 foreslået en fase-afhængige EMG mønstergenkendelse tilgang, der kan genkende syv aktivitets tilstande med cirka 90% nøjagtighed, som demonstreres på to transfemoral amputerede. For bedre at forbedre intent-anerkendelse ydeevne blev en NMI baseret på neuromuskulære-mekaniske fusion designet i vores gruppe 9 og online evalueres transfemoral amputerede iført passive proteser ben til hensigt anerkendelse 10,11. Denne NMI kan præcist at identificerebrugerens påtænkte aktiviteter og forudsige aktivitet overgange 9, som var potentielt nyttige for neurale kontrol af elektriske kunstige ben.
Den aktuelle spørgsmål os overfor, er, hvordan man kan integrere vores NMI i protesen kontrolsystem med henblik på at muliggøre intuitiv protese drift og sikre brugerens sikkerhed. Udvikling sande neuralt-kontrollerede kunstige ben kræver en fleksibel platform i laboratoriet for nem implementering og optimering af protese kontrol algoritmer. Derfor er formålet med denne undersøgelse er at rapportere en fleksibel teknik platform udviklet i vores laboratorium til afprøvning og optimering af protese kontrol algoritmer. Desuden er ny forsøgsopstilling og protokol forelægges til evaluering af neuralt-kontrollerede drevne transfemoral proteser patienter med lavere lemmer amputationer sikkert og effektivt. Platformen og eksperimenterende design præsenteres i denne undersøgelse kunne gavne den fremtidige develing sande neuralt-kontrollerede, drevet kunstige ben.
En ingeniør-platformen blev udviklet i dette studie for nemt implementere, optimere og udvikle ægte neurale kontrol af elektriske proteser. Hele platformen programmeret i en virtuel instrumentering baseret udviklingsmiljø og gennemføres på en stationær pc. Den kontrol software var sammensat af flere uafhængige og udskiftelige moduler, i hver af hvilke en specifik funktionalitet blev henrettet (dvs. NMI hensigt anerkendelse, og iboende kontrol). Fordelen ved dette modulære design er, at hver funktionsblo…
The authors have nothing to disclose.
Dette arbejde blev støttet delvist af National Institutes of Health i henhold til Grant RHD064968A, delvist af National Science Foundation under Grant 0.931.820 Grant 1.149.385 og Grant 1.361.549, og delvist af National Institute on Disability and Rehabilitation Research under Grant H133G120165. Forfatterne takker Lin Du, Ding Wang og Gerald Hefferman ved University of Rhode Island, og Michael J. Nonnekloster ved nonnekloster Orthotic og Prosthetic Technology, LLC, for deres store forslag og hjælp i denne undersøgelse.
Trigno Wireless EMG Sensors | Delsys, Inc. | 7 | |
Trigno Wireless EMG Base Station | Delsys, Inc. | 1 | |
Multi-functional DAQ card (PCI-6259) | National Instruments, Inc. | 1 | |
Potentiometer (RDC503013A) | ALPS Electric CO., LTD | 1 | |
Encoder (MR series) | Maxon Precision Motors, Inc. | 1 | |
Motor controller (ADS50/10) | Maxon Precision Motors, Inc. | 1 | |
24 V Power Supply (DPP480) | TDK-Lambda Americas, Inc. | 1 | |
6 DOF Load Cell (Mini58) | ATI Industrial Automation | 1 | |
Ceiling Rail System | RoMedic, Inc. | 1 | |
NI LabView 2011 | National Instruments, Inc. | 1 |