Инжиниринг Платформа и Экспериментальный протокол для разработки и оценки в ЦНС контролируемой Powered Transfemoral протезирования

Резюме

Neural-машинные интерфейсы (НМИ) были разработаны для идентификации режима локомоции пользователя. Эти НМИ потенциально полезны для нервной контролем силовых искусственные ноги, но не были в полной мере продемонстрировали. Это документ, представленный (1) наш разработан инженерно платформы для легкого внедрения и развития нервной контроля за питанием Протезы нижних конечностей и (2) экспериментальной установки и протокола в лабораторных условиях, чтобы оценить ЦНС-контролируемых протезы на пациентов с ампутаций нижних конечностей безопасно и эффективно.

Аннотация

Чтобы включить интуитивного управления питанием искусственные ноги, интерфейс между пользователем и протеза, что может распознать намерения движения пользователя требуется. Роман интерфейс нейронная-машина (НМИ) на основе нервно-мышечной-механические слияния, разработанной в нашем предыдущем исследовании продемонстрировала большой потенциал, чтобы точно определить предполагаемую движение transfemoral ампутированными конечностями. Однако этот интерфейс до сих пор не интегрированы с питанием протеза ноги истинного нервной контролем. Это исследование с целью сообщить (1) гибкую платформу для реализации и оптимизации нейронной контроль питанием нижней протеза конечности и (2) Экспериментальная установка и протокол для оценки нейронной контроль протеза на пациентов с ампутаций нижних конечностей. Первая платформа, основанная на ПК и визуальной среде программирования были разработаны для реализации алгоритмов управления протез, в том числе НМИ алгоритма обучения, НМИ алгоритма онлайн тестирования и внутренней алгоритма управления. Для демонстрацииФункция этой платформы, в данном исследовании НМИ на основе нервно-мышечной-механические слияния был иерархически интегрированы с внутренней контролем прототипа transfemoral протеза. Один пациент с односторонним transfemoral ампутации был призван оценить наш реализованный нейронной контроллер при выполнении мероприятий, таких как положения, уровня первом ходьба, рампы подъема, и пандус спуск непрерывно в лаборатории. Роман Экспериментальная установка и протокол были разработаны для того, чтобы проверить новый элемент управления протеза безопасно и эффективно. Представленная доказательство правильности концепции платформы и экспериментальной установки и протокол может помочь дальнейшее развитие и применение ЦНС контролируемых активных искусственных ногах.

Введение

Powered Протезы нижних конечностей получили все большее внимание как в коммерческом рынке ^1,2 и исследования сообщества ^3-5. По сравнению с традиционными пассивных протез ноги, моторизованные протезно суставы имеют то преимущество, что позволяет более низкие ампутированными конечностями конечностей, чтобы более эффективно осуществлять деятельность, которые трудно или невозможно при ношении пассивные устройства. Тем не менее, в настоящее время, гладкой и бесшовной деятельность переход (например, от уровня местах, чтобы идти к лестнице восхождения) все еще ​​является сложной проблемой для активных протезов пользователей ног. Эта трудность в основном связано с отсутствием интерфейса пользовательских устройств, которые могут "читать" намерения движения пользователя и оперативно корректировать параметры управления протез для того, чтобы дать возможность пользователям легко переключаться в режим активности.

Для решения этих задач, различные подходы в проектировании интерфейса пользовательского устройства были изучены. В чем НМИ на основе электромиографии (EMG) сигналы продемонстрировала большой потенциал, чтобы позволить интуитивное управление подключенными к сети Протезы нижних конечностей. Два недавних исследования ^6,7 сообщила декодирования, предназначенное движение пропавшего колена transfemoral с ампутированными конечностями, контролируя сигналы ЭМГ, записанные с остаточными мышц во время сидячем положении. Au и др.. ⁵ использовали сигналы ЭМГ измеренные от остаточных мышц голени определить два режима передвижения (уровень-земля пешеходные и лестницы спуска) одного transtibial ампутантов. Хуанг и др.. ⁸ предложил поэтапного зависит EMG шаблон подход распознавания, который может распознавать семь режимов деятельности с примерно 90%-ной точностью, как показано на двух transfemoral ампутированными конечностями. Чтобы лучше повысить производительность намерение распознавания, НМИ на основе нервно-мышечной-механические слияния была разработана в нашей группе ⁹ и онлайн оценены на transfemoral с ампутированными конечностями, носящих пассивных протезов ног для пристального признания ^10,11. Это НМИ может точно определитьпредназначенные деятельность пользователя и предсказания активности переходы ^9, который был потенциально полезны для нервной контролем силовых искусственных ногах.

Нынешний вопрос, стоящий перед нами, как интегрировать нашу NMI в систему управления протез, с тем чтобы интуитивно понятное управление протеза и обеспечения безопасности пользователя. Разработка истинные ЦНС-контролируемых протезы требуется гибкую платформу в лаборатории для легкого внедрения и оптимизации алгоритмов управления протез. Таким образом, целью данного исследования является отчет гибкую инженерной платформы, разработанной в нашей лаборатории для тестирования и оптимизации алгоритмов управления протез. Кроме того, новая экспериментальная установка и протокол представлены для оценки ЦНС-контролируемых приведенные в действие transfemoral протезы на пациентов с ампутаций нижних конечностей безопасно и эффективно. Платформа и опытно-конструкторских представлены в данном исследовании могут воспользоваться в будущем развитию верных ЦНС-контролируемых, питание искусственных ногах.

протокол

1. Платформа для реализации нейронных управление подключенными к сети Transfemoral Протезы

Инженерная платформа была разработана в этом исследовании для осуществления и оценки нейронной управление подключенными к сети искусственных ногах. Крепеж входит в настольный ПК с 2,8 ГГц процессором и 4 ГБ оперативной памяти, многофункциональная плата сбора данных с обоих аналого-цифровых преобразователей (АЦП) и цифро-аналоговые преобразователи (ЦАП), контроллера двигателя, системы ввода / выходов, а также прототип питание transfemoral протез предназначен в нашей группе ^12. Входы аналоговых датчиков были впервые оцифрованы АЦП и устремились в настольном ПК для обработки сигнала. ЦАП был использован для вывода управления для управления двигателем постоянного тока в протеза через контроллер двигателя. Цифровые входы / выходы были использованы для включения / отключения контроллер двигателя. Питание протез был привязан к ПК и питание от источника питания 24 В.

Программное обеспечение было запрограммировано в рекламуАЗВИТИЕ среда подходит для виртуальных приборов, работающих на настольный ПК. Среда разработки была основана на виртуальных приборов, которая эффективно сочетает в себе как определенный пользователем программного и аппаратного обеспечения для реализации настроенный платформу. С помощью структуры графического блок-схеме, различные модульные функциональные узлы могут быть легко и эффективно реализовано и обновляется. Для того чтобы продемонстрировать функцию платформы для онлайн-контроля силовых искусственные ноги, предварительно разработаны контроль протез был реализован на этой платформе. Система управления включены нейронную контроллер и внутреннюю контроллер. Нервная контроллер состояла из нашей предыдущей разработан НМИ на основе нервно-мышечной-механические слияния, которая признала режим активности пользователя. Нервная контроллер в качестве контроллера высокого уровня был иерархически связаны с внутренней контроля за питанием нижней контроля протеза конечности.

Архитектура контРОЛ программного обеспечения на платформе иллюстрируется на рисунке 1 НМИ содержит две части:. форума учебный модуль и модуль онлайн тестирование. Форума учебный модуль был разработан, чтобы собрать обучающие данные и строить классификаторы в НМИ. Собранные многоканальные поверхностные ЭМГ сигналы и механические измерения были впервые предварительной обработке и сегментирован на непрерывных раздвижными окнами. В каждом окне, черты, которые характеризуют форму сигнала были извлечены, а затем сливаются в одну вектора признаков. Вектор особенность в каждом окне метили режимов деятельности (классов) и индекса фазовой основе исполнительского деятельности протеза пользователь и государств протеза во время сбора данных для обучения. Меченые векторы признаков затем были использованы для построения фазовой зависит шаблон классификатор, в котором содержится несколько суб-классификаторы коррелирует с индивидуально фаз. Созданный классификатор был спасен и переданы в интернет модуля тестирования для последующего онлайн оценки.

Модуль онлайн тестирование используется для онлайн признают намерения движения пользователя и переключения режимов активности в собственной контроллера. Многоканальный нервно-мышечной и механические измерения одновременно устремились в модуле онлайн тестирования и превращается в векторов признаков. Затем векторы признаков подают в фазовом зависит от классификатора, который был уже построен в автономном режиме учебного модуля. Исходя из текущей фазы в собственном контроллере, соответствующий суб-классификатор был включен и используется для распознавания намерения пользователя. Выход классификация далее после обработки и отправлены в собственной контроллера для переключения режимов деятельности.

Конечный автомат (FSM) на основе контроллера сопротивление был реализован для внутреннего контроля силовых искусственных ногах. Контроллер сопротивление генерируется желании крутящий момент на коленные суставы. Конечный автомат регулировать совместное сопротивление в соответствии стекущее состояние исполнительской деятельности. Для движения и действия (т.е. уровня земли пешеходных и рампа подъема / спуска), ФШМ состояла из пяти состояний, соответствующих пяти походки этапа: позиция сгибания (СТП), расширения позиция (STE), предварительно распашных (PSW), качели сгибание ( SWF), и расширение качели (SWE); для статического положения, ФШМ включены две фазы: вес подшипников (ВБ) и не вес подшипника (СЗО). Переходы между государствами были вызваны первом силы реакции и коленного сустава положении. Переход между режимами деятельности контролировался выходе из модуля онлайн-тестирования. Для всех трех модулей, рассмотренных выше, графический интерфейс пользователя (GUI) были построены, что позволило экспериментаторам в лаборатории легко настраивать параметры управления, производительность системы мониторинга и проводить эксперименты по оценке.

2. Экспериментальная установка

1. Поверхность электромиографии (SEMG)
   Поверхность ЭМГ сигналы от мышц бедра этого инвалида subjectR17; с остаточной конечности регистрируются беспроводной системы сбора EMG. Целевые мышцы бедра включены прямая мышца бедра (РФ), Vastus laeralis (VL), Vastus медиальной (VM), двуглавой мышцы бедра длинный (ОФЗ), Портняжная (SAR), полусухожильной (СЭМ), и приводящие пиз (ADM). Следует отметить, что именно ориентированных на конкретную мышцу не является необходимым, так как ⁸ используется алгоритм распознавания образов в НМИ поиск картины активации из нескольких мышц признать режим активности. Пока измеряемой нервно-мышечной управляющей информации для тазобедренных и коленных контроля достаточно, перекрестные переговоры между ЭМГ записей иметь незначительное влияние на производительность НМИ.
   1. Попросите его выполнить хип сгибании / разгибании, хип приведение / похищение, и попытка, чтобы продемонстрировать / продлить ампутировали коленного сустава, когда он находится в положении стоя.
   2. Приблизительная и определения положений электродов размещения мышечной пальпации апг экспертиза ЭМГ записей.
   3. Вставить электроды в новом разработан EMG раздела электрод-разъем, как показано на рисунке 2, для комфорта субъекта и надежного контакта электрода-кожи.
2. Механические измерения от Powered протезирования
   Механические наземные силы реакции и моменты, измеренные тензодатчиком 6-DOF от протеза пилона сливают с сигналами ЭМГ признать движение намерения субъекта. Кроме того, потенциометр приборами на коленном суставе для измерения угла коленного сустава и кодер был соединен с двигателем постоянного тока, для вычисления угловой скорости колена. Эти измерения используются в качестве сигналов обратной связи для внутренней контролем.
   1. Установите датчик нагрузки с шестью степенями свободы на ортопедической пилона.
   2. Совместите ось Х, Y-ось, и Z-ось динамометр с медиолатеральной направлении, передне-заднем направлении, и superoinferior направлении протеза, соответствующийлы.
3. Настройка лабораторных условиях
   Для того чтобы оценить нервную управление подключенными к сети искусственных ног на transfemoral с ампутированными конечностями, полоса препятствий была построена в лаборатории, как показано на рисунке 3. Среда тестирования включала 5-м прямой дорожки, 4-м длинная рампа с наклоном угол 8 °, а уровень платформы с рампой надежно прикреплены. Вдоль рампы, ручные перила были установлены для повышения безопасности объекта. Кроме того, потолок железнодорожная система с упряжи осенне-арест был предоставлен для защиты предмета от падения во время эксперимента.

3. Экспериментальный протокол

Данное исследование было проведено с согласия Institutional Review Board (IRB) в Университете Род-Айленда и с информированного согласия, набранных теме. Один мужчина одностороннее transfemoral ампутантов (причиной ампутации: травма, возраст: 57 лет; продолжительность ампутации: 32 годаы) был завербован в данном исследовании. Соотношение между длиной остаточной конечности (измеренной от седалищного бугра к дальнему концу культи конечности) к длине без нарушения стороне (измеренной от седалищного бугра к бедренной надмыщелок) составила 51%. Предметом носит микропроцессорным управлением протез колена через всасывающий подвески гнездо в его повседневной жизни. До эксперимента в этом исследовании, эта тема получила несколько тренировок под руководством физиотерапевта, чтобы позволить предметом адаптироваться к силового устройства и калибровки требуемый импеданс в каждом режиме деятельности.

1. Тема Подготовка
   1. Измерьте вес, рост субъекта, и записать свой пол и возраст.
   2. Попросите его надеть его собственных трусах в отдельной комнате подготовки.
   3. Положите размер оборудованная осенне-арест жгут на эту тему и прикрепить его к потолок железнодорожной системы.
2. Подготовка к EMG записи
   1. Выберите семь полностью заряженные беспроводных датчиков EMG и включите их.
   2. Поместите датчики EMG в индивидуальных всасывающий патрубок на подготовленных местах. Запишите номер заказа датчиков и связать их с мест ЭМГ.
   3. Очистите кожу культи субъекта с изопропиловый спирт колодки.
   4. Assist тему в надевания всасывающий разъем и убедитесь, что сокет прочно прикреплены к культи субъекта.
   5. Включите в режиме реального времени потоковое ЭМГ аналоговых данных программного обеспечения.
   6. Попросите его выполнить хип сгибании / разгибании, хип приведение / похищение, и колена сгибании / разгибании и изучить сигналы ЭМГ проверить EMG контакта электрода и передачу данных.
3. Выравнивание и первоначальная калибровка Powered протез
   1. Поручить тему оставаться в положении стоя, держа вспомогательное ходок.
   2. Прикрепите активный протез на всасывающий патрубок с пирамиды адаптор. Регулировка набор винтов вращения на адаптере, пока положение протеза не геометрически соосно с гнездом. Эта процедура была выполнена протезистом.
   3. Попросите его поднять протез от земли и откалибровать датчик нагрузки на ортопедической пилона.
   4. Поручить тему практиковать прогулки на разных местностях (например, уровня земли, рампа восхождения, и пандус спуск) при ношении активный протез. Эта процедура продолжается, пока объект не чувствует себя уверенно в ходьбе с силового устройства и дает постоянной практики походки в каждом спектакле деятельности.
4. Обучение Сбор данных для обучения классификаторов в НМИ
   1. Поручить тему стоять на стартовой позиции предопределенного пешеходной дорожке, как показано на рисунке 3.
   2. Включите питанием протеза и загрузить параметры в собственной контроллера.
   3. Запуск сбора данных обучения комПрограмма компьютере и установить внутреннюю управление стоя режим, нажав кнопку «стоя» на графическом интерфейсе пользователя (GUI).
   4. Начать сбор данных, нажав на кнопку "Начать запись" на GUI. Поручить тему, чтобы остаться в положении стоя в течение 5 сек.
   5. Поручить тему ходить по ровной поверхности на его / ее самостоятельный выбор комфортной скорости ходьбы; в то же время, нажмите кнопку "гуляет" на GUI до ног-офф ведущей ноги субъекта и установите внутреннюю управление уровня подземной режиме ходьбы.
   6. Когда объект приближался к краю рампы подъема, нажмите на кнопку "Рампа Ascent" на GUI перед фазе толчка протеза ноги шагового на рампе и переключения внутреннюю контроль нарастить режим всплытия. В целях безопасности, чтобы объект съемки мог использовать Ручки при ходьбе на рампе.
   7. Когда объект приходит в конце рампы, нажмите кнопку "гуляет"снова перед пятка забастовка протеза ноги встать на платформу уровня и переключения внутреннюю контроль протеза на уровень-земля режиме ходьбы.
   8. В конце пешеходной дорожки, попросите модель, чтобы остановиться и остаться в положении стоя. В то же время, нажмите кнопку "Постоянный" перед фазой двух положений и перейти внутреннюю управление обратно стоящего режиме.
   9. Примерно через 5 секунд, прекратить сбор данных, нажав кнопку "Стоп". Этикетка собрали данные как "учебные набор данных 1".
   10. Повторите процедуру 3.4.4-3.4.9, когда объект прогулки в обратном маршруте обратно в исходное местоположение; с той лишь разницей переходит внутреннюю контроль нарастить режим спуска, когда объект прогулки на вниз рампы.
   11. Повторите 3.4.4-3.4.10 до десяти комплектов учебных данных не собираются. Изучите качество сигнала, собранной обучающей данных.
   12. Разрешить подлежат иметь период отдыха после гоэ сбора данных сессии.
   13. Поезд классификаторы распознавания образов в НМИ через автономном учебного модуля (рис. 1). Используйте собранную EMG и механические сигналы, режимы деятельности (классов), обозначенные в ходе процедуры подготовки и обнаружены фазы построить фазовые зависит от шаблонов классификаторы. Сохранить параметры классификаторов автоматически для последующих сессий онлайн-тестирования.
5. Интернет Тестирование нейронной управление подключенными к сети Transfemoral протезирования
   1. Поручить тему стоять в начальной точке пути пройти пешком.
   2. Включите питанием протеза. Загрузите обученный классификатор онлайн модуля тестирования и параметров для внутренней контроллера.
   3. Поручить тему, чтобы начать испытания тестирования в положении стоя, затем непрерывно переход к уровня земли ходьба, рампы ходьба, уровня первом ходьбе, и, наконец, остановиться и закончить это испытание в конце пешеходной дорожки. Поручить субъектувыполнять каждый вид деятельности в удобном темпе. Разрешить периоды отдыха между испытаний, чтобы избежать усталости.
   4. Во время каждого испытания тестирования, отображения режимов деятельности протеза и коленные показания угла сустава на экране телевизора. Сохранить все измерения и выходов управления для последующего назначения оценки.
   5. Повторите шаги 3.5.1-3.5.4 пока десять полных испытаний тестирования не закончены.

Результаты

На рисунке 4а показаны семь каналов ЭМГ сигналов поверхности, измеренная от бедра мышц культи субъекта, когда он выступал хип сгибании / разгибании, как описано в Протоколе 3.2.6. Рисунок 4б показывает шесть походки циклы сигналов ЭМГ записанные, когда объект вошел на уро...

Обсуждение

Инженерная платформа была разработана в этом исследовании легко реализовать, оптимизации и развития истинного нейронной управление подключенными к сети протезов. Вся платформа была запрограммирована в основе среды разработки виртуальных приборов и реализованы на настольном ПК. Про...

Материалы

Name	Company	Catalog Number	Comments
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