Este trabajo fue apoyado en parte por los Institutos Nacionales de Salud en virtud de concesión RHD064968A, en parte por la National Science Foundation según la Subvención 0.931.820, 1.149.385 Grant y Grant 1.361.549, y en parte por el Instituto Nacional de Investigación sobre Discapacidad y Rehabilitación bajo la Concesión H133G120165. Los autores agradecen a Lin Du, Ding Wang y Gerald Hefferman en la Universidad de Rhode Island, y Michael J. convento de monjas en el convento de monjas de ortesis y prótesis Technology, LLC, por su gran sugerencia y ayuda en este estudio.

1. Plataforma de Aplicación del control neural de la Powered Prótesis transfemoral Una plataforma de ingeniería fue desarrollado en este estudio para poner en práctica y evaluar el control neural de piernas artificiales alimentados. El hardware incluye un PC de escritorio con 2.8 GHz CPU y 4 GB de RAM, una tarjeta de adquisición de datos multi-funcional con dos convertidores de analógico a digital (ADC) y convertidores de digital a analógico (DAC), un controlador de motor, digitales / Os, y una prótesis transfemoral powered prototípico diseñado en nuestro grupo 12. Las entradas de los sensores analógicos fueron digitalizadas por primera vez por los ADCs y streaming en el PC de escritorio para el procesamiento de señales. El DAC se utiliza para la salida de control para accionar el motor de CC en la prótesis a través de un controlador de motor. Digital I / O se utiliza para activar / desactivar el controlador del motor. La prótesis accionada estaba atado a la PC de escritorio y alimentado por una fuente de alimentación de 24 V. El software fue programado en anuncioesarrollo entorno adecuado para la instrumentación virtual se ejecuta en el PC de escritorio. El entorno de desarrollo se basa en la instrumentación virtual, que combina de forma efectiva tanto de software definido por el usuario y el hardware para implementar la plataforma personalizada. Mediante el uso de la estructura de un diagrama de bloques gráfica, diferentes nodos de función modular puede ser fácilmente y aplicado de manera eficiente y actualizada. Con el fin de demostrar la función de plataforma para el control en línea de las piernas artificiales potencia, control de prótesis diseñada preliminarmente se implementó en esta plataforma. El sistema de control incluye un controlador neural y un controlador intrínseca. El controlador neuronal consistió en nuestra anterior NMI diseñado en base a la fusión-neuromuscular mecánica, que reconoce el modo de la actividad del usuario. El controlador neuronal como un controlador de alto nivel se conecta de forma jerárquica con el control intrínseco de potencia menor control de prótesis de miembro. La arquitectura del contsoftware rol en la plataforma se ilustra en la Figura 1 El NMI contiene dos partes:. módulo de formación en línea y módulos de pruebas en línea. El módulo de formación en línea fue diseñado para recoger datos de entrenamiento y construir los clasificadores en NMI. Los múltiples canales superficiales señales EMG recogidos y mediciones mecánicas fueron preprocesados ​​y segmentados en ventanas correderas continuas primera. En cada ventana, los rasgos que caracterizan a los patrones de la señal se extrajeron y se fusionan en un solo vector de características. El vector de características en cada ventana se marcó con modos de actividad (clases) y el índice de fase en base a las actividades que realizan de usuario prótesis y los estados de la prótesis durante la recopilación de datos de entrenamiento. Los vectores de características marcadas se utilizan entonces para construir un clasificador patrón dependiente de la fase, que contiene múltiples sub-clasificadores correlacionados con fases individualmente. El clasificador creado fue salvado y trasladado al módulo de prueba en línea para la evaluación en línea más tarde. &lt;/ P&gt; El módulo de pruebas en línea se utiliza para reconocer línea intención movimiento del usuario y cambiar los modos de actividad en el controlador intrínseco. El neuromuscular multicanal y mediciones mecánicas se transmiten simultáneamente en el módulo de pruebas en línea y se transforman en vectores de características. A continuación se alimentaron los vectores de características en el clasificador dependiente de la fase que ya fue construido en el módulo de formación en línea. Basado en la fase actual en el controlador intrínseca, la correspondiente sub-clasificador se enciende y se utiliza para reconocer la intención del usuario. La salida de clasificación fue más post-procesado y enviado al controlador intrínseca para cambiar los modos de actividad. Controlador de impedancia Una máquina de estados finitos (FSM), con sede fue implementado para el control intrínseco de piernas artificiales alimentados. El controlador de impedancia generada deseada salida de par en las articulaciones de la rodilla. La máquina de estado finito ajustar la impedancia de junta segúnel estado actual de la realización de la actividad. Para las actividades de locomoción (es decir, caminar nivel del suelo y la rampa de ascenso / descenso), el FSM consistió en cinco estados que corresponden a las cinco fases de la marcha: flexión postura (STF), extensión de la postura (STE), pre-batientes (PSW), balancín flexión ( SWF), y la extensión oscilación (SWE); para estar de pie estática, el FSM incluye dos fases: carga de peso (BM) y el apoyo de peso (LNA). Las transiciones entre los estados han sido provocadas por la fuerza de reacción del suelo y la rodilla posición conjunta. La transición entre los modos de actividad fue controlada por la salida del módulo de comprobación de línea. Para los tres módulos mencionados anteriormente, la interfaz gráfica de usuario (GUI) fueron construidos, lo que permitió a los experimentadores de laboratorio para ajustar fácilmente los parámetros de control, el rendimiento del sistema monitor, y llevar a cabo experimentos de evaluación. 2. Configuración Experimental <ol><li> La electromiografía de superficie (sEMG) Señales EMG de superficie de los músculos del muslo del amputado subjectR17; s muñón se registran mediante un sistema de adquisición de EMG inalámbrica. Los músculos de los muslos se apuntaba incluyeron el recto femoral (RF), laeralis vasto (VL), vasto interno (VM), bíceps femoral de largo (BFL), sartorio (SAR), magnus semitendinoso (SEM), y aductores (ADM). Es de destacar que la orientación precisamente el músculo específico no es necesario 8 porque el algoritmo de reconocimiento de patrones utilizado en NMI busca en los patrones de activación de múltiples músculos de reconocer el modo de actividad. Siempre y cuando la información de control neuromuscular medida para el control de la cadera y la rodilla es suficiente, conversaciones cruzadas entre registros de EMG tienen poco impacto en el rendimiento de MNI. <ol><li> Pida al sujeto para realizar la flexión de cadera / extensión, aducción de la cadera / rapto, y el intento de flexionar / extender la articulación de la rodilla amputada cuando está en posición de pie. </li><li> Aproximados y determinar las ubicaciones de colocación de electrodos por el músculo palpación und examen de registros de EMG. </li><li> Insertar los electrodos en una nueva interfaz electrodo-zócalo EMG diseñado, como se muestra en la Figura 2, tanto para la comodidad del sujeto y fiable de contactos de electrodo y la piel. </li></ol></li><li> Las mediciones mecánicas de la prótesis accionada Las fuerzas de reacción del suelo mecánicas y momentos medidos por una célula de carga 6-DOF del pilón prótesis se fusionan con señales EMG para reconocer el movimiento del sujeto intención. Además, un potenciómetro está instrumentado en la articulación de la rodilla para medir el ángulo de articulación de la rodilla y un codificador estaba conectado con el motor de corriente continua para calcular la rodilla velocidad angular. Estas mediciones se utilizan como las señales de realimentación para el control intrínseco. <ol><li> Instale una célula de carga de seis grados-libertad en el pilón de prótesis. </li><li> Alinear eje X, el eje Y, y el eje Z de la célula de carga con la dirección medio-lateral, dirección anteroposterior, y la dirección superoinferior de la prótesis, respectivaly. </li></ol></li><li> Configuración del Laboratorio de Medio Ambiente Con el fin de evaluar el control neural de piernas artificiales encendidos amputados transfemoral, una carrera de obstáculos, construido en el laboratorio, como se muestra en la Figura 3. El entorno de pruebas incluyó una calzada recta a 5 m, una larga rampa de 4 m con una inclinación ángulo de 8 °, y una plataforma al nivel de la rampa bien sujeta. A lo largo de la rampa, se instalaron pasamanos para mejorar la seguridad del sujeto. Además, se proporciona un sistema de raíles de techo con un arnés anticaídas para proteger al sujeto de la caída durante el experimento. </li></ol> 3. Protocolo Experimental Este estudio se realizó con la aprobación de la Junta de Revisión Institucional (IRB) de la Universidad de Rhode Island y con el consentimiento informado del sujeto reclutado. Un hombre amputado transfemoral unilateral (la causa de la amputación: trauma, edad: 57 años, la duración de la amputación: 32 añoss) fue reclutado en este estudio. La relación entre la longitud de la extremidad residual (medida desde la tuberosidad isquiática hasta el extremo distal de la extremidad residual) a la longitud de la parte no alterada (medida desde la tuberosidad isquiática al epicóndilo femoral) era 51%. El sujeto lleva una prótesis de rodilla controlada por microprocesador a través de una toma de suspensión de aspiración en su vida diaria. Antes de la prueba en este estudio, este sujeto recibió varias sesiones de entrenamiento dirigidos por un fisioterapeuta con el fin de permitir que el sujeto se adapte al dispositivo alimentado y calibrar la impedancia deseado en cada modo de actividad. <ol><li> Asunto Preparación <ol><li> Mida del sujeto peso, talla, y registrar su sexo y edad. </li><li> Pida al sujeto que se pondrá sus propios cortos en una sala de preparación privada. </li><li> Ponga un arnés anticaídas tamaño encajado sobre el tema y adjuntarlo al sistema de raíles de techo. </li></ol></li><li> Preparación para la grabación EMG <ol><li> Seleccione siete sensores EMG inalámbricas totalmente cargadas y enciéndalos. </li><li> Coloque los sensores EMG en la toma de aspiración personalizada en lugares preparados. Anote el número de orden de los sensores y asociarlos con las ubicaciones de EMG. </li><li> Limpie la piel del muñón del tema con toallitas impregnadas en alcohol isopropílico. </li><li> Ayudar al sujeto en ponerse la manga de aspiración y verifique que el enchufe esté firmemente conectado al muñón del tema. </li><li> Encienda el software de streaming de datos EMG analógico en tiempo real. </li><li> Pida al sujeto que realice la cadera en flexión / extensión, aducción de la cadera / secuestro, y la rodilla en flexión / extensión y examinar las señales EMG para verificar EMG electrodos de contacto y transmisión de datos. </li></ol></li><li> Alineación y calibración inicial Powered protésica Pierna <ol><li> Instruya al sujeto a permanecer en una posición de pie mientras sostiene un andador de asistencia. </li><li> Coloque la prótesis accionada a la toma de aspiración con un adaptador piramidaltor. Ajuste un conjunto de tornillos de rotación en el adaptador hasta la posición de la prótesis está geométricamente alineado con el zócalo. Este procedimiento fue realizado por un protésico. </li><li> Pida al sujeto que levantar la prótesis fuera de la tierra y calibrar la celda de carga en el pilón de prótesis. </li><li> Instruya al sujeto para practicar caminar en diferentes terrenos (por ejemplo, el nivel del suelo, de ascenso de rampa, y la rampa de descenso) al llevar la pierna protésica con alimentación. Este procedimiento continúa hasta que el sujeto se siente seguro al caminar con el dispositivo de potencia y rendimientos patrón de marcha constante en cada realización de la actividad. </li></ol></li><li> El entrenamiento de recopilación de datos para entrenamiento de los clasificadores en NMI <ol><li> Instruir al sujeto a pararse en la posición de inicio de un camino que recorre predefinido, como se muestra en la Figura 3. </li><li> Encienda la prótesis accionada y cargar los parámetros en el controlador intrínseco. </li><li> Ejecutar una colección de datos de entrenamiento comprograma de ordenador y ajuste el control intrínseco a modo de pie haciendo clic en el botón &quot;pie&quot; en la interfaz de usuario gráfica (GUI). </li><li> Comienza la recolección de datos haciendo clic en el botón &quot;Iniciar Grabación&quot; en la interfaz gráfica de usuario. Instruya al sujeto a permanecer en la posición de pie durante 5 segundos. </li><li> Indique al sujeto que caminar sobre un terreno llano a su / su cómoda velocidad de caminata auto-seleccionados; al mismo tiempo, haga clic en el botón de &quot;Caminando&quot; en la interfaz gráfica de usuario antes de despegue de los dedos de la pierna de adelante del tema y establecer el control intrínseco al modo de caminar de nivel-tierra. </li><li> Cuando el sujeto se acercaba al borde de la rampa de ascenso, haga clic en el botón &quot;rampa de ascenso&quot; en la interfaz gráfica de usuario antes de que el despegue de los dedos de la pierna protésica pisar la rampa y conmutar el control intrínseco a la rampa modo de ascenso. Por razones de seguridad, permita que el objeto de utilizar un pasamanos al caminar sobre una rampa. </li><li> Cuando el sujeto llega al final de la rampa, haga clic en el botón de &quot;Caminando&quot;de nuevo ante el golpe de talón de la pierna protésica pisar la plataforma nivelada y cambie el control intrínseco prótesis a modo de pie a nivel del suelo. </li><li> Al final de la ruta de acceso a pie, instruir al sujeto a detenerse y permanecer en posición de pie. Al mismo tiempo, haga clic en el botón &quot;Permanente&quot;, antes de la fase de doble posición y cambie el control intrínseco de nuevo a modo de pie. </li><li> Después de unos 5 segundos, terminar la recolección de datos haciendo clic en el botón &quot;Stop&quot;. Etiqueta recolectó datos como &quot;datos de entrenamiento conjunto 1&quot;. </li><li> Repita el procedimiento 3.4.4-3.4.9 cuando el sujeto entra en un camino inverso de nuevo a la posición inicial; la única diferencia es el cambio del control intrínseco a la rampa de descenso modo cuando el sujeto entra en la rampa hacia abajo. </li><li> Repita hasta que 3.4.4-3.4.10 se recogen diez conjuntos de datos completos de formación. Examine la calidad de la señal de la formación conjunto de datos recogidos. </li><li> Permitir que el sujeto tiene un periodo de descanso después de the sesión de recolección de datos. </li><li> Capacitar a los clasificadores de reconocimiento de patrones en NMI a través del módulo de formación en línea (Figura 1). Utilice las señales mecánicas EMG recogido y, los modos de actividad (clases) marcados durante el procedimiento de formación, y se detectaron fases para construir los clasificadores de patrones de fase dependiente. Guardar parámetros de los clasificadores de forma automática para su posterior sesión de pruebas en línea. </li></ol></li><li> Prueba en línea de control neural de la Powered transfemoral de prótesis <ol><li> Instruya al sujeto a situarse en el punto de partida de la ruta a pie. </li><li> Encienda la prótesis motorizada. Cargue el clasificador entrenado con el módulo de pruebas en línea y los parámetros para el controlador intrínseco. </li><li> Instruya al sujeto para comenzar los ensayos de prueba en posición de pie, entonces la transición continua a pie de nivel de tierra, rampa para caminar, andar nivel del suelo, y, finalmente, detener y terminar esta prueba al final de la ruta a pie. Instruya al sujeto arealizar cada actividad a un ritmo cómodo. Permitir a los periodos de descanso entre los ensayos para evitar la fatiga. </li><li> Durante cada ensayo de prueba, mostrar los modos de actividad de la prótesis y lecturas del ángulo articular de la rodilla en un monitor de TV. Guarde todas las medidas y salidas de control para fines posterior evaluación. </li><li> Repita los pasos 3.5.1-3.5.4 hasta que se acaban los diez ensayos de prueba completa. </li></ol></li></ol>

<ol>
	<li>Martinez-Villalpando, E. C., Herr, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Agonist-antagonist+active+knee+prosthesis:+a+preliminary+study+in+level-ground+walking.">Agonist-antagonist active knee prosthesis: a preliminary study in level-ground walking.</a> J Rehabil Res Dev. 46, 361-373 (2009).</li><li>Sup, F., Bohara, A., Goldfarb, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Design+and+Control+of+a+Powered+Transfemoral+Prosthesis.">Design and Control of a Powered Transfemoral Prosthesis.</a> Int J Rob Res. 27, 263-273 (2008).</li><li>Au, S., Berniker, M., Herr, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Powered+ankle-foot+prosthesis+to+assist+level-ground+and+stair-descent+gaits.">Powered ankle-foot prosthesis to assist level-ground and stair-descent gaits.</a> Neural Netw. 21, 654-666 (2008).</li><li>Hargrove, L. J., Simon, A. M., Lipschutz, R. D., Finucane, S. B., Kuiken, T. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Real-time+myoelectric+control+of+knee+and+ankle+motions+for+transfemoral+amputees.">Real-time myoelectric control of knee and ankle motions for transfemoral amputees.</a> JAMA. 305, 1542-1544 (2011).</li><li>Ha, K. H., Varol, H. A., Goldfarb, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Volitional+control+of+a+prosthetic+knee+using+surface+electromyography.">Volitional control of a prosthetic knee using surface electromyography.</a> IEEE Trans Biomed Eng. 58, 144-151 (2011).</li><li>Huang, H., Kuiken, T. A., Lipschutz, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+strategy+for+identifying+locomotion+modes+using+surface+electromyography.">A strategy for identifying locomotion modes using surface electromyography.</a> IEEE Trans Biomed Eng. 56, 65-73 (2009).</li><li>Huang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Continuous+Locomotion+Mode+Identification+for+Prosthetic+Legs+based+on+Neuromuscular-Mechanical+Fusion.">Continuous Locomotion Mode Identification for Prosthetic Legs based on Neuromuscular-Mechanical Fusion.</a> IEEE Trans Biomed Eng. 58, 2867-2875 (2011).</li><li>Zhang, F., Dou, Z., Nunnery, M., Huang, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Real-time+implementation+of+an+intent+recognition+system+for+artificial+legs.">Real-time implementation of an intent recognition system for artificial legs.</a> Conf Proc IEEE Eng Med Biol Soc. 2011, 2997-3000 (2011).</li><li>Zhang, F., Huang, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Source+Selection+for+Real-time+User+Intent+Recognition+towards+Volitional.">Source Selection for Real-time User Intent Recognition towards Volitional.</a> Control of Artificial Legs IEEE Journal of Biomedical and Health Informatics. PP, (2013).</li><li>Liu, M., Datseris, P., Huang, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+prototype+for+smart+prosthetic+legs:+analysis+and+mechanical+design.">A prototype for smart prosthetic legs: analysis and mechanical design.</a> Proceedings of the International Conference on Control, Robotics and Cybernetics. , 139-143 (2011).</li></ol>

No hay conflictos de interés declarado.

Una plataforma de ingeniería fue desarrollado en este estudio para implementar fácilmente, optimizar y desarrollar el verdadero control de los nervios de las prótesis accionadas. Toda la plataforma se ha programado en un entorno de desarrollo basado en la instrumentación virtual y ejecutado en un PC de escritorio. El software de control se compone de varios módulos independientes e intercambiables, en cada uno de los cuales una funcionalidad específica fue ejecutado (es decir, el reconocimiento de MNI int...

Desarrollado prótesis de miembros inferiores han ganado cada vez más la atención tanto en el mercado comercial de 1,2 y la comunidad de investigación 3-5. En comparación con piernas ortopédicas pasivas tradicionales, prótesis articulares motorizados tienen la ventaja de permitir amputados de miembros inferiores para llevar a cabo de manera más eficiente las actividades que son difíciles o imposibles cuando se usan dispositivos pasivos. Sin embargo, en la actualidad, la transición sin tropiezos actividad (por ejemplo, desde el nivel del terreno a pie de escaleras de ascenso) sigue siendo un tema difícil para los usuarios de la pierna de prótesis accionadas. Esta dificultad se debe principalmente a la falta de una interfaz de usuario-máquina que puede &quot;leer&quot; la intención movimiento del usuario y rápidamente ajustar los parámetros de control de la prótesis con el fin de permitir a los usuarios cambiar fácilmente el modo de actividad. Para hacer frente a estos desafíos, los diversos enfoques en el diseño de interfaz de usuario de la máquina han sido exploradas. En donde NMI basa en electromiográfica (ESeñales) MG ha demostrado un gran potencial de permitir un control intuitivo de potencia prótesis de miembros inferiores. Dos estudios recientes 6,7 informaron decodificar el movimiento previsto de que falta la rodilla de amputados transfemoral, observando las señales EMG registradas de los músculos residuales durante una posición sentada. Au et al. 5 utiliza señales EMG medidas a partir de la caña músculos residuales para identificar dos modos de locomoción (caminando nivel del suelo y descenso de escaleras) de un amputado transtibial. Huang et al. 8 propone un enfoque de reconocimiento dependiente de la fase de EMG patrón que puede reconocer siete modos de actividad con aproximadamente 90% de precisión como se ha demostrado en dos amputados transfemoral. Para mejorar más el rendimiento intención de reconocimiento, una NMI basada en la fusión-neuromuscular mecánica fue diseñada en nuestro grupo de 9 y en línea evaluado en amputados transfemoral llevaban prótesis de piernas pasivas para el reconocimiento de la intención 10,11. Esta NMI puede identificar con precisiónactividades dirigidas del usuario y predecir las transiciones de actividad 9, que era potencialmente útil para el control neural de piernas artificiales alimentados. La pregunta actual que nos enfrentamos es cómo integrar nuestro NMI en el sistema de control de la prótesis con el fin de permitir la operación de prótesis intuitiva y garantizar la seguridad del usuario. El desarrollo de verdaderos piernas artificiales controladas neuralmente-requiere una plataforma flexible en el laboratorio para una fácil aplicación y optimización de los algoritmos de control de la prótesis. Por lo tanto, el objetivo de este trabajo es presentar una plataforma flexible Engineering desarrollado en nuestro laboratorio para probar y optimizar los algoritmos de control de la prótesis. Además, la nueva configuración experimental y el protocolo se presentan para la evaluación de las prótesis transfemoral con alimentación controlada neurológicamente-en pacientes con amputaciones de miembros inferiores de forma segura y eficiente. La plataforma y el diseño experimental se presenta en este estudio podrían beneficiar al desa futurorrollo de los verdaderos controlados neurológicamente-, piernas artificiales alimentados.

<table border="0" cellpadding="0" cellspacing="0" width="823">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:248px;">Trigno Wireless EMG Sensors</td>
			<td style="width:221px;">Delsys, Inc.</td>
			<td style="width:143px;">7</td>
			<td style="width:211px;"></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:248px;">Trigno Wireless EMG Base Station</td>
			<td style="width:221px;">Delsys, Inc.</td>
			<td style="width:143px;">1</td>
			<td></td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:248px;">Multi-functional DAQ card (PCI-6259)</td>
			<td style="width:221px;">National Instruments, Inc.</td>
			<td style="width:143px;">1</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:248px;">Potentiometer (RDC503013A)</td>
			<td style="width:221px;">ALPS Electric CO., LTD</td>
			<td style="width:143px;">1</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:248px;">Encoder (MR series)</td>
			<td style="width:221px;">Maxon Precision Motors, Inc.</td>
			<td style="width:143px;">1</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Motor controller (ADS50/10)&#160;</td>
			<td style="width:221px;">Maxon Precision Motors, Inc.</td>
			<td style="width:143px;">1</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:248px;">24 V Power Supply (DPP480)</td>
			<td style="width:221px;">TDK-Lambda Americas, Inc.</td>
			<td style="width:143px;">1</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:248px;">6 DOF Load Cell (Mini58)</td>
			<td style="width:221px;">ATI Industrial Automation</td>
			<td style="width:143px;">1</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:248px;">Ceiling Rail System</td>
			<td style="width:221px;">RoMedic, Inc.</td>
			<td style="width:143px;">1</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:248px;">NI LabView 2011</td>
			<td style="width:221px;">National Instruments, Inc.</td>
			<td style="width:143px;">1</td>
			<td></td>
		</tr>
	</tbody>
</table>

engineering platform and experimental protocol for design and evaluation of a neurally-controlled powered transfemoral prosthesis

Para habilitar la operación intuitiva de piernas artificiales alimentados, se desea una interfaz entre el usuario y la prótesis que puede reconocer la intención de movimiento del usuario. Una novela de interfaz neural-máquina (NMI), basado en la fusión neuromuscular mecánica desarrollada en nuestro estudio anterior ha demostrado un gran potencial para identificar con precisión el movimiento previsto de amputados transfemoral. Sin embargo, esta interfaz aún no se ha integrado con una pierna de prótesis accionada por un verdadero control neural. Este estudio tiene por objetivo presentar (1) una plataforma flexible para implementar y optimizar el control neural de la potencia prótesis de miembro inferior y (2) un montaje experimental y el protocolo para evaluar el control de la prótesis neural en pacientes con amputaciones de miembros inferiores. Primero una plataforma basada en un PC y un entorno de programación visual se desarrollaron para implementar los algoritmos de control de prótesis, incluyendo algoritmo NMI formación, NMI algoritmo de pruebas en línea, y el algoritmo de control intrínseco. Para demostrar lafunción de esta plataforma, en este estudio el NMI basada en la fusión-neuromuscular mecánica fue integrado jerárquicamente con control intrínseco de una prótesis transfemoral prototípico. Un paciente con una amputación transfemoral unilateral fue reclutado para evaluar nuestro controlador neuronal implementada al realizar actividades, como pararse, caminar a nivel del suelo, el ascenso de rampa, y la rampa de descenso continuo en el laboratorio. Una novela configuración experimental y el protocolo fueron desarrollados con el fin de probar el nuevo control de prótesis de forma segura y eficiente. La plataforma se presenta la prueba de concepto y la configuración experimental y el protocolo podrían ayudar al futuro desarrollo y aplicación de las piernas artificiales alimentados controlados neurológicamente.

La figura 4a muestra siete canales de señales EMG de superficie medidas de los músculos del muslo de la extremidad residual del sujeto cuando actuó flexión de la cadera / extensión, tal como se describe en el Protocolo 3.2.6. Figura 4b muestra seis ciclos de marcha de señales EMG registradas cuando el sujeto entró en un sendero para caminar a nivel del suelo, durante Protocolo 3.3.4. A partir de esta figura, se puede ver que la nueva interfaz electrodo-zócalo EMG diseñado puede...

Watch this Scientific Journal Video about Engineering Platform and Experimental Protocol for Design and Evaluation of a Neurally-controlled Powered Transfemoral Prosthesis at JoVE.com

Engineering Platform and Experimental Protocol for Design and Evaluation of a Neurally-controlled Powered Transfemoral Prosthesis

Las interfaces de los nervios de la máquina (NMI) se han desarrollado para identificar el modo de locomoción del usuario. Estos INM son potencialmente útiles para el control neural de piernas artificiales alimentados, pero no han sido plenamente demostrada. En este trabajo se presenta (1) nuestra plataforma de ingeniería diseñado para una fácil implementación y desarrollo del control neural de potencia prótesis de miembros inferiores y (2) un montaje experimental y el protocolo en un entorno de laboratorio para evaluar piernas artificiales controladas neural-en pacientes con amputaciones de miembros inferiores de forma segura y de manera eficiente.

Plataforma Ingeniería y Protocolo Experimental para el Diseño y Evaluación de una controlada por Neuralmente Powered transfemoral de prótesis

To enable intuitive operation of powered artificial legs, an interface between user and prosthesis that can recognize the user's movement intent is ...

engineering-platform-experimental-protocol-for-design-evaluation

Research

JoVE Journal

Bioengineering

16.2K vistas.  North Carolina State University & University of North Carolina at Chapel Hill.  Las interfaces de los nervios de la máquina (NMI) se han desarrollado para identificar el modo de locomoción del usuario. Estos INM son potencialmente útiles para el control neural de piernas artificiales alimentados, pero no han sido plenamente demostrada. En este trabajo se presenta (1) nuestra plataforma de ingeniería diseñado para una fácil implementación y desarrollo del control neural de potencia prótesis de miembros inferiores y (2) un montaje experimental...