Neural-maskin-grensesnitt (DNMI) har blitt utviklet for å identifisere brukerens bevegelsesmodus. Disse NMIs er potensielt nyttige for neural kontroll av energidrevne kunstige ben, men har ikke blitt fullt ut demonstrert. Dette papiret presentert (1) vår designet ingeniør plattform for enkel implementering og utvikling av neural kontroll for drevne Ben-proteser og (2) en eksperimentell oppsett og protokollen i et laboratoriemiljø for å evaluere nevralt-kontrollerte kunstige ben på pasienter med lavere lem amputasjoner trygt og effektivt.
For å aktivere intuitiv bruk av motoriserte kunstige ben, er et grensesnitt mellom bruker og protese som kan gjenkjenne brukerens bevegelser hensikt ønsket. En roman nevrale-maskin-grensesnitt (NMI) basert på nevromuskulær mekanisk fusjon utviklet i vår forrige undersøkelse har vist et stort potensial for å nøyaktig identifisere den tiltenkte bevegelse av transfemoralt amputerte. Men dette grensesnittet har ennå ikke blitt integrert med en drevet benprotesen for ekte neural kontroll. Målet med studien var å rapportere (1) en fleksibel plattform for å implementere og optimalisere neural kontroll av drevet lavere lem protese og (2) en eksperimentell oppsett og protokoll for å evaluere nevrale proteser kontroll på pasienter med lavere lem amputasjoner. Først en plattform basert på en PC og en visuell programmeringsmiljø ble utviklet for å implementere protese reguleringsalgoritmer, inkludert NMI trening algoritme, NMI online testing algoritme, og iboende kontroll algoritme. For å demonstrereFunksjonen til denne plattformen, i denne studien NMI basert på neuromuskulær mekanisk blanding ble hierarkisk integrert med indre kontroll av en prototypisk transfemoral protese. En pasient med en ensidig transfemoral amputasjon ble rekruttert til å evaluere vår implementert nevrale kontrolleren når du utfører aktiviteter, for eksempel stående, nivå-bakken gang, rampe oppstigning, og rampe ned kontinuerlig i laboratoriet. En roman eksperimentelle oppsettet og protokollen ble utviklet for å teste den nye protesen kontroll trygt og effektivt. Den presenterte proof-of-concept plattform og eksperimentelle oppsettet og protokoll kunne hjelpe den fremtidige utviklingen og anvendelsen av nevralt-kontrollerte drevet kunstig ben.
Powered Ben-proteser har fått økende oppmerksomhet i både kommersielle markedet 1,2 og forskningsmiljø 3-5. Sammenlignet med tradisjonelle passive protese ben, motoriserte protese leddene har nytte av slik at nedre lem amputerte til mer effektivt å utføre aktiviteter som er vanskelig eller umulig når iført passive enheter. Men i dag, er jevn og sømløs aktivitet overgang (for eksempel fra nivå bakken vandre til trappe oppstigningen) fortsatt et utfordrende problem for drevne protese etappe brukere. Dette problemer er hovedsakelig på grunn av mangel på en bruker-maskin-grensesnitt som kan "lese" brukerens bevegelser hensikt og raskt justere protese kontrollparametre for å gjøre det mulig for brukerne å veksle sømløst aktivitetsmodus.
For å møte disse utfordringene, har ulike tilnærminger i å designe bruker-maskin-grensesnitt blitt utforsket. Hvori NMI basert på elektromyografi (EMG) signaler har vist et stort potensial for å tillate intuitiv kontroll av energidrevne Ben-proteser. To nyere studier 6,7 rapportert dekoding den tiltenkte bevegelse av den savnede kneet av transfemoralt amputerte ved å overvåke EMG signaler spilt inn fra rest musklene under en sittende stilling. Au et al. 5 brukt EMG signaler målt fra restnakkemusklene til å identifisere to locomotion moduser (nivå-bakken gang-og trappe avstamning) av en transtibial amputert. Huang et al. 8 foreslått en fase avhengig EMG mønstergjenkjenning tilnærming som kan gjenkjenne sju aktivitets moduser med ca 90% nøyaktighet som demonstrert på to transfemoralt amputerte. For bedre å forbedre intent-anerkjennelse ytelse, ble en NMI basert på nevromuskulær mekanisk fusion utformet i vår gruppe 9 og online evaluert på transfemoralt amputerte iført passive protese ben for forsett anerkjennelse 10,11. Dette NMI nøyaktig kan identifiserebrukerens ment aktiviteter og forutsi aktiviteten overgangene 9, som var potensielt nyttige for neural styring av motordrevne kunstige ben.
Den aktuelle spørsmålet står overfor er å integrere vår NMI i protesestyringssystem for å muliggjøre intuitive protese drift og sørge for brukerens sikkerhet. Utvikling sanne nevralt-kontrollerte kunstige ben krever en fleksibel plattform i laboratoriet for enkel implementering og optimalisering av protese reguleringsalgoritmer. Derfor er målet med denne studien er å rapportere en fleksibel ingeniør plattform utviklet i vårt laboratorium for testing og optimalisering av protesen reguleringsalgoritmer. I tillegg er nye eksperimentelle oppsettet og protokoll presenteres for evaluering av nevralt-kontrollerte drevet transfemoralt proteser på pasienter med lavere lem amputasjoner trygt og effektivt. Plattformen og eksperimentell design presentert i denne studien kan være til nytte i fremtiden utvikling av sanne nevralt-kontrollerte, drevet kunstig ben.
En ingeniør plattformen ble utviklet i denne studien for enkelt å implementere, optimalisere og utvikle sann neural kontroll av motoriserte proteser. Hele plattformen ble programmert i en virtuell instrumentering basert utviklingsmiljø og gjennomføres på en stasjonær PC. Kontrollen programvare ble sammensatt av flere selvstendige og utskiftbare moduler, i hver av hvilke en bestemt funksjonalitet ble utført (dvs. NMI hensikt anerkjennelse, og indre kontroll). Fordelen med denne modulkonstruksjon er at hve…
The authors have nothing to disclose.
Dette arbeidet ble støttet delvis av National Institutes of Health i henhold Grant RHD064968A, i en del av National Science Foundation i henhold Grant 0.931.820, Grant 1.149.385, og Grant 1.361.549, og i en del av National Institute on Disability and Rehabilitation Forskningen under Grant H133G120165. Forfatterne takker Lin Du, Ding Wang og Gerald Hefferman ved University of Rhode Island, og Michael J. nonnekloster på nonneklosteret Orthotic og Prosthetic Technology, LLC, for deres gode forslag og hjelp i denne studien.
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 |