Technische Plattform und experimentelles Protokoll für Entwurf und Evaluation eines Neural-kontrollierten Powered Oberschenkelprothese
Summary
Neural-Maschine-Schnittstellen (NMI) wurden entwickelt, um Bewegungsmodus des Benutzers zu identifizieren. Diese NMI sind potentiell nützlich für neuronale Steuerung von Geräten und künstlichen Beinen, aber noch nicht vollständig nachgewiesen. Dieses Papier präsentiert (1) unsere Engineering-Plattform entwickelt, für die einfache Implementierung und Entwicklung von neuronalen Steuerung für Motorbeinprothesen und (2) einem Versuchsaufbau und Protokoll in einer Laborumgebung zu neural gesteuerte künstliche Beine auf Patienten mit Amputationen der unteren Extremitäten sicher beurteilen und effizient.
Abstract
Um eine intuitive Bedienung von Geräten und künstlichen Beine zu ermöglichen, wird eine Schnittstelle zwischen Anwender und Prothese, die Bewegung der Absicht des Benutzers erkennen kann, gewünscht. Eine neuartige neuronale-Maschine-Schnittstelle (NMI), basierend auf neuromuskuläre mechanischen Fusion in unserer früheren Studie entwickelt hat ein großes Potenzial, um die beabsichtigte Bewegung der Oberschenkelamputierte genau zu identifizieren, demonstriert. Doch diese Schnittstelle noch nicht mit einer angetriebenen Beinprothese für echte neuronale Steuerung integriert. Ziel dieser Studie war zu berichten, (1) eine flexible Plattform zu implementieren und zu optimieren neuronalen Steuerung von Geräten und Unterschenkelprothese und (2) ein Versuchsaufbau und-Protokoll, um neuronale Prothese Kontrolle bei Patienten mit Amputationen der unteren Extremitäten beurteilen. Zunächst wird eine Plattform auf der Basis eines PC und einer visuellen Programmierumgebung entwickelt wurden, um die Prothese Regelalgorithmen, einschließlich NMI Trainingsalgorithmus, NMI Online-Test-Algorithmus und Eigenkontrollalgorithmus zu implementieren. Um zu demonstrieren, dieFunktion der Plattform, die in dieser Studie das NMI auf der Grundlage neuromuskuläre mechanischen Fusion wurde hierarchisch mit intrinsischer Kontrolle eines prototypischen Oberschenkelprothese integriert. Ein Patient mit einer einseitigen Oberschenkelamputation wurde rekrutiert, um unsere implementiert neuronalen Steuerung auswerten bei der Durchführung von Aktivitäten, wie Stehen, Level-Boden-Gehen, Rampe Aufstieg, Abstieg und Rampe kontinuierlich im Labor. Eine neuartige Versuchsaufbau und Protokoll wurden, um die neue Prothesensteuerung sicher und effizient zu testen, entwickelt. Die vorgestellte Proof-of-Concept-Plattform und Versuchsaufbau und Protokoll könnte die zukünftige Entwicklung und Anwendung von neural-gesteuerte Stromversorgung künstlichen Beine zu helfen.
Introduction
Powered Beinprothesen haben zunehmende Aufmerksamkeit sowohl in der kommerziellen Markt-und Forschungsgemeinschaft 1,2 3-5 gewonnen. Im Vergleich zu herkömmlichen passiven Beinprothesen, motorisierte Gelenkprothesen haben den Vorteil, dass der unteren Gliedmaßen Amputierte, effizienter zu Aktivitäten, die schwierig oder unmöglich sind, wenn das Tragen passiven Geräten durchzuführen. , Derzeit ist jedoch glatte und nahtlose Übergang Aktivität (zB von Level-Boden Fuß zu Treppen Aufstieg) immer noch ein schwieriges Thema für angetriebene Beinprothese Nutzer. Diese Schwierigkeit ist vor allem aufgrund des Fehlens einer Anwender-Maschine-Schnittstelle, "lesen" kann die Bewegung der Absicht des Benutzers und stellen Prothese Steuerparameter, um den Benutzern zu ermöglichen, nahtlos den Aktivitätsmodus sofort.
Um diesen Herausforderungen zu begegnen, sind verschiedene Ansätze in der Gestaltung der Benutzer-Maschine-Schnittstelle erforscht. Wobei NMI basierend auf Elektromyographie (EMG-Signale) hat ein großes Potenzial zur intuitiven Steuerung von Geräten und Beinprothesen ermöglichen demonstriert. Zwei aktuelle Studien berichteten 6,7 Decodierung der beabsichtigten Bewegung des fehlenden Knie des Oberschenkelamputierte durch die Überwachung der EMG-Signale von Rest Muskeln während einer sitzenden Position aufgezeichnet. Au et al. 5 verwendeten EMG-Signale gemessen von Rest Schaft Muskeln zu zwei Fortbewegungsarten (Niveau-Boden-Gehen und Treppensteigen) von einem Unterschenkelamputierten zu identifizieren. Huang et al. 8 schlug eine phasenabhängige EMG Mustererkennung Ansatz, der sieben Tätigkeitsarten mit etwa 90% Genauigkeit erkennen kann als auf zwei Oberschenkelamputierte demonstriert. Um die Intent-Erkennungsleistung besser zu verbessern, wurde ein NMI basierend auf neuromuskuläre mechanischen Fusion in unserer Gruppe 9 konzipiert und online auf Oberschenkelamputierte tragen passive Beinprothesen für Vorsatz Anerkennung 10,11 bewertet. Das NMI eindeutig identifizieren kanngeplanten Tätigkeiten und des Benutzers Vorhersage der Aktivität Gänge 9, die möglicherweise nützlich für neuronale Steuerung von Geräten und künstlichen Beinen war.
Die aktuelle Frage, die sich uns, wie wir unsere NMI in die Prothese Kontrollsystem, um eine intuitive Bedienung zu ermöglichen und Prothese zu gewährleisten die Sicherheit des Benutzers zu integrieren. Entwicklungs wahr neural gesteuerte künstliche Beine erfordert eine flexible Plattform im Labor für die einfache Implementierung und Optimierung von Prothesensteueralgorithmen. Daher ist das Ziel dieser Untersuchung, um eine flexible Plattform Technik zum Testen und Optimieren der Prothese Steueralgorithmen in unserem Labor entwickelt melden. Darüber hinaus werden neue Versuchsaufbau und das Protokoll für die Auswertung der neural-gesteuerte Stromversorgung Oberschenkelprothesen bei Patienten mit Amputationen der unteren Extremitäten sicher und effizient präsentiert. Die Plattform und die Versuchsplanung in dieser Studie präsentierten könnte die Zukunft Ent profitierenwicklung der wahren neural-kontrollierte, angetrieben künstlichen Beinen.
Protocol
Representative Results
Discussion
Ein Engineering-Plattform wurde in dieser Studie die einfache Implementierung, Optimierung und Entwicklung wahr neuronalen Steuerung von Geräten und Prothesen entwickelt. Die gesamte Plattform wurde in einem virtuellen Instrumentierung basierte Entwicklungsumgebung programmiert und auf einem Desktop-PC implementiert. Die Steuersoftware wurde von mehreren unabhängigen und austauschbaren Modulen zusammengesetzt ist, in denen jeweils eine bestimmte Funktion ausgeführt wurde (dh NMI Absicht Erkennung und Eigenko…
Declarações
The authors have nothing to disclose.
Acknowledgements
Diese Arbeit wurde zum Teil durch die National Institutes of Health unter Grants RHD064968A, zum Teil von der National Science Foundation unter Grants 0931820, 1149385 Gewähren, und Grant 1361549 zum Teil von der National Institute on Disability and Rehabilitation Forschung unter Grants H133G120165 unterstützt und. Die Autoren danken Lin Du, Ding Wang und Gerald Hefferman an der Universität von Rhode Island, und Michael J. Nonnenkloster an der Nonnen Orthesen und Prothesen Technology, LLC, für die tolle Anregung und Unterstützung in dieser Studie.
Materials
| 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 |
Referências
- Martinez-Villalpando, E. C., Herr, H. Agonist-antagonist active knee prosthesis: a preliminary study in level-ground walking. J Rehabil Res Dev. 46, 361-373 (2009).
- Sup, F., Bohara, A., Goldfarb, M. Design and Control of a Powered Transfemoral Prosthesis. Int J Rob Res. 27, 263-273 (2008).
- Au, S., Berniker, M., Herr, H. Powered ankle-foot prosthesis to assist level-ground and stair-descent gaits. Neural Netw. 21, 654-666 (2008).
- Hargrove, L. J., Simon, A. M., Lipschutz, R. D., Finucane, S. B., Kuiken, T. A. Real-time myoelectric control of knee and ankle motions for transfemoral amputees. JAMA. 305, 1542-1544 (2011).
- Ha, K. H., Varol, H. A., Goldfarb, M. Volitional control of a prosthetic knee using surface electromyography. IEEE Trans Biomed Eng. 58, 144-151 (2011).
- Huang, H., Kuiken, T. A., Lipschutz, R. D. A strategy for identifying locomotion modes using surface electromyography. IEEE Trans Biomed Eng. 56, 65-73 (2009).
- Huang, H., et al. Continuous Locomotion Mode Identification for Prosthetic Legs based on Neuromuscular-Mechanical Fusion. IEEE Trans Biomed Eng. 58, 2867-2875 (2011).
- Zhang, F., Dou, Z., Nunnery, M., Huang, H. Real-time implementation of an intent recognition system for artificial legs. Conf Proc IEEE Eng Med Biol Soc. 2011, 2997-3000 (2011).
- Zhang, F., Huang, H. Source Selection for Real-time User Intent Recognition towards Volitional. Control of Artificial Legs IEEE Journal of Biomedical and Health Informatics. PP, (2013).
- Liu, M., Datseris, P., Huang, H. A prototype for smart prosthetic legs: analysis and mechanical design. Proceedings of the International Conference on Control, Robotics and Cybernetics. , 139-143 (2011).
