Summary

Gleichzeitige Scalp Elektroenzephalographie (EEG), Elektromyographie (EMG) und Ganzkörper-Segment Inertial Recording für Multi-modal Neural Decoding

Published: July 26, 2013
doi:

Summary

Entwicklung eines effektiven Gehirn-Maschine-Interface (BMI) für die Wiederherstellung und Sanierung der zweibeinigen Fortbewegung erfordert eine genaue Entschlüsselung des Benutzers Absicht. Hier präsentieren wir eine neuartige experimentelle Protokoll und Datenerhebung Technik zur gleichzeitigen nichtinvasiven Erfassung neuronaler Aktivität, Muskelaktivität und Ganzkörper-Kinematik während der verschiedenen Aufgaben und Bedingungen Fortbewegung.

Abstract

Neuere Studien unterstützen die Beteiligung von supraspinale Netzwerke unter Kontrolle zweibeinigen menschlichen Fuß. Ein Teil dieser Beweise umfasst Studien, einschließlich unserer bisherigen Arbeit, die belegen, dass Gangkinematikdaten Leib und Koordination während Gehen auf dem Laufband von der Kopfhaut Elektroenzephalogramm (EEG) mit angemessen hohen Genauigkeiten Decodierung geschlossen werden kann. Diese Ergebnisse liefern Impulse für die Entwicklung von nicht-invasive Gehirn-Maschine-Interface (BMI) für den Einsatz in der Restaurierung und / oder Augmentation des Ganges-primäre Ziel der Rehabilitation Forschung. Bisher wurden Studien, die EEG-Decodierung der Tätigkeit während des Gehens zu Gehen auf dem Laufband in einer kontrollierten Umgebung beschränkt. Um jedoch eine praxistaugliche BMI muss anwendbar sein für den Einsatz im Alltag Bewegungsapparates Aufgaben wie Fuß über Grund und Drehen. Hier präsentieren wir ein neuartiges Protokoll für nicht-invasive Sammlung der Hirnaktivität (EEG), Muskelaktivität (Elektromyographie (EMG)) und whole-Körper kinematischen Daten (Kopf, Rumpf und Gliedmaßen Flugbahnen) sowohl während Laufband und Fuß über Grund Aufgaben. Durch die Erhebung dieser Daten in der kontrollierten Umgebung können Einblick gewonnen in Bezug auf die Machbarkeit der Decodierung ungezwungen Gang und Oberflächen-EMG von der Kopfhaut EEG werden.

Introduction

Dieses Protokoll verwendet drei Systeme zur Datenerfassung, um gleichzeitig aufnehmen EEG, EMG, und Ganzkörper-Kinematik (Abbildung 1, Tabelle 1). EEG-Daten werden drahtlos von 64 Kanälen mit einer Abtastfrequenz von 1000 Hz gesammelt, während Themen gehen. Tibialis anterior (TA), gastrocnemius (Gast), Bizeps femoris (BF) und vastus lateralis (VL): Elektromyographie (EMG) ist bei 1000 Hz von der Oberfläche Elektroden bilateral auf vier Muskelgruppen platziert gesammelt. Kinematische Daten werden mit 128 Hz von 11 Wireless-Sensoren auf dem Kopf montiert, Oberkörper, Lendenbereich, Arme, Oberschenkel, Schenkel und Füße, um die Bewegung beim Gehen aufnehmen gesammelt. Jeder Sensor enthält eine dreiachsige Magnetometer, Gyroskop dreiachsige und dreiachsige Beschleunigungssensor (dh ein MARG Sensor).

Die Daten werden von jedem System gesammelt und zeitlich synchronisiert mit einem Host-PC. Die Synchronisation wird unter Verwendung eines Triggersignals über einen kontinuierlichen ernst geschicktal Kommunikationsverbindung von allen drei Daten-Systeme gleichzeitig zugegriffen. Der Auslöser wurde als ein einfaches Druckschalter implementiert. Wenn der Knopf ein Triggersignal gedrückt wird (1) mit dem Host-PC gesendet, während ein Null-Signal (0) gesendet wird, wenn nicht gedrückt. Durch Drücken der Auslösetaste auch löst eine 0,5 sec Ton als Audiofeedback für den Gegenstand verwendet wird, wie im Protokoll beschrieben. Fünf Paare von Infrarot (IR)-Proximity Sensoren wurden für den Einsatz hergestellt als Standort löst während der Fuß über Grund nachfolgend beschriebenen Versuche. Wenn das IR-Signal ein Triggersignal ist unterbrochen (1) mit dem Host-PC über die serielle Verbindung über einen Radiofrequenz-(RF)-Verbindung mit der manuellen Schaltgerät gesendet.

Eine benutzerdefinierte C + +-Anwendung, die Nutzung der Software Development Kit (SDK) von jedem System zur Verfügung gestellt, wurde entwickelt, um Daten aufzuzeichnen und zu synchronisieren. Der Code verwendet eine Multi-Threading-Technik, Funktionen zum Speichern von Daten aus jedem System (EEG, EMG, und Margs) in indiv. enthaltenIdual Threads. Der Software-Algorithmus wird in Abbildung 2 gezeigt. Datenerhebung beginnt, wenn die Anwendung ausgeführt wird, und endet, wenn die "q"-Taste gedrückt wird. Fünf Themen werden bei der Ausführung der Anwendung aktiviert. Ein Thread (Abbildung 2) überwacht den Wert (0 oder 1) des Trigger-Signals von der seriellen Verbindung. Initialzündung Wert Null ist. Wenn ein Trigger empfangen wird (dh wenn die Taste gedrückt wird oder Sichtverbindung zwischen IR-Sensor Paar ist gebrochen) die globalen Trigger Variablen werden auf 1 gesetzt. Diese Variablen bleiben 1 bis sie zurückgesetzt innerhalb der Datenerhebung Themen sind.

Die EEG-Thread zugreift Kopfhaut EEG-Daten in Echtzeit unter Verwendung von TCP / IP-Protokoll. Die Daten werden in einer Textdatei zeilenweise an der entsprechenden Abtastfrequenz (1.000 Hz) geschrieben. Die globale EEG Triggersignal an der ersten Spalte geschrieben, während die Spalten 2-65 64 EEG-Kanäle sind. Wenn die globale EEG Triggersignal von 1 ist es auf Null gesetzt. Datenschriftlich fortgesetzt, bis das EEG Thread beendet. Zwei unabhängige Threads Rekord MARG Sensordaten. Zwei Themen sind notwendig, weil die 11 drahtlose Sensoren MARG übertragen Daten mit Hersteller-Software im robusten Streaming-Modus, die Daten der einzelnen Sensoren puffert, um Datenverlust im Falle der drahtlosen Übertragung zu vermeiden. Diese Zwischenspeicherung verschlechtert Echtzeit-Datenübertragung: Wenn ein Sensor keine Daten für eine gegebene Probe alle 11 Sensoren behalten, dass die Zeit in ihrem Puffer und übermittelt ihn an der nächsten verfügbaren Punkt Probe übertragen. MARG drahtlose Datenübertragung zwangsläufig hinterherhinkt EEG; somit MARG Sensoren brauchen Zeit zum Auslagern von gepufferten Daten an den Host-PC nach der Datenerfassung wird gestoppt. Um dieses Problem zu überwinden, werden zwei Threads in der MARG Datenerhebung Algorithmus (Abbildung 2). Der erste Thread füllt eine MARG Triggerpuffer von der globalen MARG Triggervariable am Sensor Abtastfrequenz (128 Hz), während das EEG Thread sammeltDaten. Wenn die Datenerfassung schriftlich an die Triggerpuffer stoppt auch endet. Die MARG Gewinde (Abbildung 2) nutzt Funktionen aus dem Sensor SDK, um Daten von den Sensoren empfangen und schreiben Sie es in eine Datei in der gleichen Weise wie die EEG-Daten. Das heißt, die erste Spalte der Wert der globalen MARG Trigger (erhalten aus der MARG Triggerpuffer) und folgenden 99 sind die Werte, aus den 11 MARG Sensoren (9 Sensoren pro MARG Einheit). Die MARG Thread schreibt Daten bis zu dem Zeitpunkt Index des MARG Triggerpuffer gleich das letzte Mal Index der EEG-Daten an welcher Stelle Threadausführung beendet.

Im Gegensatz zu den EEG und MARG Daten werden EMG-Daten nicht aufgezeichnet drahtlos. Stattdessen werden EMG-Daten auf einer SD-Karte im Datenerfassungsgerät aufgezeichnet. Ein Signal wird über eine Bluetooth-Verbindung gesendet zu starten und zu stoppen Schreiben von Daten auf die SD-Karte. Schreiben beginnt, wenn der erste manuelle Auslösung durch das EEG Thread empfangen wird. Daten schriftlich stoppt mit dem EEGThread, wenn der "q"-Taste gedrückt wird.

Das folgende Protokoll wurde geprüft und von der Institutional Review Board genehmigt an der University of Houston. Alle Probanden erhalten, gelesen und unterschrieben eine Einverständniserklärung vor der Teilnahme.

Protocol

1. Betreff Vorbereitung Messen Subjekts Größe, Gewicht, und notieren Sie ihr Alter. Beurteilen des Subjekts bevorzugte Laufband Geschwindigkeit, indem er sie selbst einstellen Laufband Geschwindigkeit bis komfortabel. Mit einem Filzstift markieren den Scheitelpunkt des Kopfes als der Mittelpunkt zwischen der Nasenwurzel und inion des Subjekts. Darüber hinaus kennzeichnen 10% der nasion zu inion Abstand als Referenz für die Ausrichtung der Kappe. 2. Scalp Elektroenzephalographie (EEG) Bringen EEG-Elektroden, wie durch die 10-20 internationalen Systems mit Hilfe eines EEG-Haube ausgestattet, um das Thema, wie in 12 angegeben. Die Kappe sichert richtige Platzierung der Elektroden auf der Kopfhaut. Legen Sie die EEG-Haube auf dem Thema durch Ausrichten der 10%-Marke aus Schritt 1.3 in der Mitte der Fp1 und Fp2 Elektroden und der Cz-Elektrode mit der markierten Ecke. Weitere Details zur Platzierung der Kappe werden in 12 gefunden. Seheilen die Kappe mit Gurten unter dem Kinn. Verbinden EEG-Elektroden zur EEG Schaltkasten. Beginnend mit Boden-und Referenz-Elektroden mit einem kleinen Spritze Elektrolytgel in jeder Elektrode injizieren bis Impedanz von jeweils unter 25 kOhm Maßnahmen als durch die Elektrode LED angezeigt grünt. Weitere Einzelheiten zur EEG-Elektrode Vorbereitung sind in 12,13. Verbinden Sie die EEG-Elektroden mit dem drahtlosen Sender EEG. Befestigen Sie den Sender mit dem Thema auf einem Klettband um die Schultern gelegt und den Wireless-Empfänger EEG zu zwei 32-Kanal-Verstärker. Verbinden Sie die Verstärker an den Host-PC über einen USB-Port mit einem Glasfaser-zu-USB-Konverter. Set EEG-Kanal Auflösung bis 0,1 uV, niedrige Grenzfrequenz DC und hohe Grenzfrequenz bis 1.000 Hz im EEG Datenerfassungs-Software. 3. Muskeloberflächen (EMG) Bereiten Sie sich für EMG-ElektrodePlatzierung bei 8 Muskel Seiten: Haut rasieren, aufrauen mit Sandpapier, und reinigen Sie mit einem Isopropylalkohol Pad. Platz Elektroden auf präparierten Webseiten und verbinden EMG Betriebsdatenerfassungsbaustein. Zeigen EMG Masseelektrode auf der linken oder rechten Handgelenk, und die Verbindung zum Datenerfassungsgerät. 4. Motion Capture Synchronisieren MARG Sensoren während nach den Anweisungen des Herstellers angedockt. Entfernen MARG Sensoren und Ort über das Thema mit Klettbändern oder doppelseitigem Klebeband an den Standorten in Tabelle 2. 5. Umwelt Vorbereitung Bereiten Laufband durch Abkleben eine diagonale Linie (45 ° horizontal) auf dem Band. Legen Sie ein TV-Monitor mit einer Videokamera etwa 1 m vor dem Laufband. Band ein Stück Papier mit einem 2 Zoll Durchmesser schwarzen Kreis auf dem Fernseher. Setup-Walking Arena, indem 5 Sätze von IR Näherungssensoren, Kegel und Fernsehen screen wie in 3 angeordnet. 6. Laufband Betreff steigt auf Laufband. Befestigen Sie Sicherheitsgurt. Vor der Datenerhebung, untersuchen EEG-und EMG-Signale, um die korrekte Platzierung der Elektroden, Elektroden-Verbindung und Datenübertragung zu überprüfen. Beginn der Datenerhebung durch Ausführen des C + +-Konsolenanwendung. Drücken Sie die manuelle Trigger-Taster, um EMG-Aufzeichnung einzuleiten, und eine Audio-Cue (Piepton), um das Experiment zu starten. Das Thema bleibt in ruhiger Haltung für 30 Sekunden. Nach 30 sec Push-Trigger-Taste, um zu Fuß zu initiieren; das Laufband langsam auf das Thema der vorgewählte Geschwindigkeit beschleunigt. Das Thema geht für 5 min. Am Ende der 5 min, Push-Trigger-Taste, um zu Fuß zu initiieren, um den Übergang von langsam Anhalten des Laufbandes stehen. Nachdem wir zu einer Haltestelle der Gegenstand stehen bleibt für 30 Sekunden. Drücken Sie die 'q'-Taste, um die Datenerfassung zu stoppen trial und die Daten zu speichern. Wiederholen Sie die Schritte 6,2-6,7 für alle drei Laufband Bedingungen: Gehen auf dem Laufband, während man schwarzen Punkt in der Ferne. Laufband unter Beachtung Bewegung des eigenen Beinen auf dem Fernsehgerät angezeigt. Laufband zu Fuß von Video-Feedback, diagonale Linie auf dem Laufband (auf kognitive Belastung simulieren 6) zu vermeiden. 7. Arena Walking (1) Bringen Sie das Motiv am Anfang der Arena zu Fuß Schleife (Abbildung 3). Beginnen Datensammlung wie in 6,2-6,4. Drücken Sie den Auslöser drücken, um zu Fuß zu initiieren. Zum Zeitpunkt der Auslöser gegeben ist, die erste Richtungspfeil (→, ← oder ↑) wird auf dem Bildschirm gegenüber dem Subjekt (Abbildung 3). Wenn → oder ← beobachtet wird, die Gegenstand verlässt den Eingang Satz von Kegel, dreht sich um 90 ° in diese Richtung, vervollständigt die Schleife und kehrt in den Eingangsbereichen Kegel. Wenn & uarr; beobachtet wird, setzt das Thema gerade aus dem Eingang Kegeln und einem manuellen Auslöser und Richtungspfeil (→ oder ←) gegeben ist, wenn das Thema erreicht etwa 2 Meter vor den IR-Sensoren. Die unter Erlöse durch den ersten Satz von IR-Sensoren und macht dann die entsprechenden 90 ° drehen, um die Schleife zu vervollständigen, die Rückkehr zu den Eingang Kegel. (Während des Gehens, folgt der Experimentator das Thema in einem Abstand von ca. 3-5 Meter mit dem Host-PC auf einem Rollwagen für WLAN-Signal-Qualität zu verbessern.) Das Thema weiter zu Fuß, wenn er / sie die Aufnahmeprüfungen Kegel erreicht nach Abschluss einer einzigen Schleife. Sequence 7.3 wird mit zufälligen Anordnung der Pfeile wiederholt, bis 3 Schlaufen für jede anfängliche arrow abgeschlossen ist (→, ← oder ↑). Nachdem die die Bedingung 7.4, drücken Sie den manuellen Auslöser, wenn die Person, die Eingang Kegel erreicht, um den Übergang zum Stehen zu signalisieren. Betreff steht ruhig für 30 Sekunden und dannDatenerfassung wird durch Drücken der "q"-Taste auf dem Host-PC beendet. 8. Arena Fuß (2) Ordnen Arena zu Fuß natürlich so, dass die fünf Sätze von IR-Sensoren in einem Halbkreis vor dem Subjekt (Abbildung 4) positioniert sind. Beginn der Datenerhebung wie bei den vorhergehenden Studien (7,1-7,2). Ähnlich wie bei Arena Gehen I, geben eine manuelle Trigger zu initiieren Fuß. Zum Zeitpunkt des Triggers, eines von 5 Richtungspfeile (←, →, , Oder ↑) wird auf dem Bildschirm angezeigt. Jeder Pfeil entspricht einer Menge von IR-Sensoren, die auf der Bühne (4) angeordnet sind. Das Thema beobachtet den Pfeil auf dem Bildschirm und waLKS zu dem entsprechenden Satz von IR-Sensoren, so dass ein U-Drehung um die Membran über die Sensoren, die durch die Sensoren zweimal (Abbildung 4). Nachdem die U-turn, kehrt der unter dem Start-und läuft weiter. Wiederholen Sequenz 8,3-8,4, mit zufälligen Anordnung der Pfeile, bis 3 Schlaufen für jede Richtungspfeil abgeschlossen sein. Nachdem die die Bedingung 8.6, drücken Sie den manuellen Auslöser, wenn das Thema erreicht den Ausgangspunkt für den Übergang zum Stehen zu signalisieren. Preisinformationen Sammlung wie in 7.5. 9. Setzen Sie in den Stand Positionieren Sie einen Stuhl hinter dem Motiv und beginnen Datensammlung wie in 6.2-6.3. Das Thema steht ruhig für 15 Sekunden zu Beginn der Datenerhebung. Nach 15 sec, drücken Sie die manuellen Auslöser. Nach Anhörung Cue Thema Übergänge vom Stand bis Haltung zu sitzen, hält Sitzposition bis zur nächsten Audio-Cue (Knopfdruck). <li> Warten eine zufällige Intervall (5-15 sec), und drücken Sie manuelle Trigger für Cue sitzen, um den Übergang zu stehen geben. Stehen Haltung bis zur nächsten Audio-Cue statt. Wiederholen 9,2-9,3 bis 10 komplette Stand-to-sitzen und sitzen zu stehen Manöver abgeschlossen sind, nach denen das Thema ruhig steht für 15 sek. Dann beenden die Datenerhebung mit 'q' Button. Wiederholen Sie den Stand-to-sit-Protokoll (9.1-9.4) für selbst initiierte Stand zu sitzen und sitzen zu stehen Übergang. Anstatt geben dem Thema einen Auslöser für den Übergang, haben das Thema initiieren die Übertragung selbst ihre eigenen bis 10 jedes Manöver abgeschlossen ist. 10. Flur Rundgang Bringen Sie das Motiv und Datenerhebung Warenkorb in der Mitte der 1/8 Meile th, gerade Flur. Beginn der Datenerhebung wie bei den Experimenten Gehen auf dem Laufband (6,2-6,4). Nach der ersten 30 Sekunden Ruhezeit, geben einen manuellen Trigger zu Fuß zu initiieren. Die subject geht kontinuierlich für 5 min. Wenn das Objekt innerhalb von 10 Metern von der Diele Ende erreicht, er / sie selbst initiiert einen U-Turn und weiter zu Fuß in die entgegengesetzte Richtung. Am Ende der 5 Minuten drücken Sie den manuellen Auslöser zu stoppen Fuß. Das Thema steht ruhig für 30 Sekunden, während Sie geradeaus. Beenden Datenerhebung durch Drücken der Taste 'q'-Taste. Beginnen Sie einen zweiten Flur Experiment wie in 10.1. Nach einem zufälligen Zeitintervall von Walking (20-40 sec), geben einen manuellen Trigger-und Audio-Cue, das Thema Stop Walking haben. Das Thema bleibt für kurze, zufällige Dauer stehend (5-15 sec). Schieben Sie den manuellen Auslöser zu unterwerfen Lebenslauf Walking haben. Wiederholen Sie die Schritte 10.5-10.7 bis 10 Zyklen von Stopp-Start abgeschlossen sind; beenden Datensammlung wie in 10.3.

Representative Results

Abbildung 5 zeigt 10 sec Zeit gesperrt EEG, Marg und EMG-Daten während Gehen auf dem Laufband (Protokoll Abschnitt 3) aufgezeichnet. Beachten Sie, dass jedes MARG senor tatsächlich aufzeichnet 9 Signale (dreiachsige Magnetometer, Gyroskope, Beschleunigungsmesser und), sondern nur vertikale Beschleunigung gezeigt. Die Rohdaten in Abbildung 5 enthalten Artefakte, die für während der Vorverarbeitung vor der Analyse und neuronalen Decodierung werden muss bilanziert. Beispiele für EEG-Artefakte in Abbildung 5 sind Augenblinzen anwesend etwa 8,5 sec und niederfrequenten Bewegungsartefakt vorliegenden gänzlich. Abbildung 6 zeigt eine komplette Schleife (~ 35 sec) über Boden zu Fuß während der Arena Walking (1)-Protokoll. Qualitativ enthalten Daten aus der Arena zu Fuß über Grund Aufgaben mehr Artefakte als Laufband durch die zusätzliche Bewegung des Subjekts Kopf und Nacken beim Drehen. Die Gesichts-und Schädelknochen Muskelaktivität ist insbesonsonders spürbar auf den zeitlichen Elektroden (Kanäle markiert FT und T in Abbildung 1) in Abbildung 6. Beachten Sie die Erhöhung der EMG-Signal-Aktivität im Vergleich zu Gehen auf dem Laufband (Abbildung 5), und zwar in den Knöchel Agonist-Antagonist-Paar. Abbildung 6 zeigt auch Veranstaltungen suboptimaler drahtlose EEG-Daten, die für die Sammlung während der Datenverarbeitung müssen berücksichtigt werden. Unmittelbar vor dem 4. Trigger, zeigen EEG-Daten flache Linien, was auf eine drahtlose Übertragung Unterbrechung zwischen dem Host-PC und dem EEG-System. Dieser Abschnitt der Daten müssen aus dem gesamten Datensatz (EEG, Marg und EMG) getrimmt werden. Abbildung 7 zeigt ein Fahrradständer zu sitzen und Sit-Daten stehen. Wie mit anderen Daten, sind Bewegungsartefakte in EEG, sowohl während des Ende des Übergangs und der Kopf wird als sitzen (oder stehen) stabilisiert wird beibehalten. Ein Intervall von Flur zu Fuß mit Fuß-zu-Fuß einnd walk-to-stehen Übergang ist in Abbildung 8 dargestellt. Beachten Sie die Rampen von EMG und Beschleunigung Daten nach der Audio-Signale zum Starten und Stoppen zu Fuß. Gleichzeitig mit dieser Rampe ist das Erscheinen und Verschwinden von Bewegungsartefakten in den EEG-Daten. Abbildung 8 zeigt auch eine suboptimale Verbindung auf EEG-Elektrode PO10 die bei etwa 7 s auftritt. Dieses Verhalten wird gelegentlich während der Versuche beobachtet und wird wahrscheinlich durch den Verlust von Kontakt zwischen der EEG-Elektrode und der Kopfhaut. Elektrode PO10 muss aus der Datenanalyse für diesen Versuch entfernt werden. Weil EEG-Daten in Echtzeit beobachtet werden können, und die Verbindung von EEG-Elektroden wird überprüft (Protokoll Schritt 6.2) vor jedem Versuch in dem Protokoll, können die Armen Elektrode Verbindung vor behoben werden den nächsten Versuch. Name Gesellschaft Menge BrainAmp Amplifier Brain Products, Gmbh 2 actiCAP EEG-Kappe mit 64 Elektroden Brain Products, Gmbh 1 BrainVision MOVE drahtlose EEG-System Brain Products, Gmbh 1 DATALOG MWX8 EMG Datensammeleinheit Biometrics, Ltd 1 SX230 EMG-Elektroden Biometrics, Ltd 8 R506 EMG Masseelektrode Biometrics, Ltd 1 Opal Bewegung Monitor (MARG Sensor) APDM, Inc. 11 Opal-Dockingstation für drahtlose Daten-Streaming APDM, Inc. 2 Opal Wireless Access Point APDM, Inc. 2 <td> Infrarot-Lichtschranke Kit MK120 Velleman, Inc. 5 Wixel Programmierbare USB Wireless-Modul Pololu, Inc. 6 Tabelle 1. Ausstattung. Sensor Stelle Leiter Der Mitte der Stirn über Augenbrauen Trunk Zwischen Brustmuskeln an der Basis des Brustbeins Lumbale Center von Rückenschmerzen bei mindestens Lumbalknick Arm 1 Seitliche Seite des Arms; proximalen bis zum Handgelenk ~ 10% bis zu den Ellenbogen Oberschenkel 1 Lateralen Seite des Oberschenkels, 50% zwischen Hüfte und Knie Shank 1 Lateralen Seite des Schafts, 75% distal von Knie Fuß 1 Centered on dem Rist des Fußes 1 Arm, Oberschenkel, Unterschenkel und Fuß-Sensoren werden bilateral platziert. Tabelle 2. MARG Sensor Locations. Abbildung 1. Sagittal (a) und frontal (b) Ansicht eines Subjekts tragen EEG, EMG, und MARG Inertialsensoren für die Datenerhebung. (C) Topographische Darstellung der EEG-Elektrode Stellen auf der Kopfhaut, aufgetragen mit EEGLAB Matlab Toolbox 14. ( d) Mobile Datenerfassung Warenkorb enthält Host-PC, manuelle Auslösung, EMG Bluetooth, Marg Wireless Access Points und Wireless-Empfänger EEG, Verstärker und Stromversorgung.d/50602/50602fig1large.jpg "target =" _blank "> Klicken Sie hier, um eine größere Abbildung anzuzeigen. Abbildung 2. Flussdiagramm des Algorithmus für die kundenspezifische, multi-threaded Software zur Datenerfassung. Klicke hier, um eine größere Abbildung anzuzeigen . Abbildung 3. Schaltplan (Vogelschau) Darstellung der Arena Walking (1) experimentelle Protokoll. Ein Pfeil (→, ←, ↑ oder) auf dem Monitor dargestellt, wenn das Motiv auf dem Ende des Eintrittskonus s. Wenn rechts (→) oder links (←) dargestellt wird, folgt das Subjekt die rote oder grüne Schleife jeweils durch vier Sätze von Infrarot-(IR)-Sensoren (IR1-IR4). Wenn die gerade (↑) präsentiert wird, geht das Thema auf den Monitor (blaue Linie), und einen zweiten Pfeil (→ oder ←) wird angezeigt, wenn sich das Motiv etwa 1 Meter vor den IR-Sensoren (IR5). Nach dem Durchlaufen der IR5 Sensor-Set, vervollständigt das Subjekt die Schleife entlang der entsprechenden (rot oder grün)-Pfad, der Rückkehr zum Ausgangspunkt. Abbildung 4. Schaltplan (Vogelschau) Darstellung der Arena Walking (2) experimentelle Protokoll. Zu Beginn des Experiments eine einzige Pfeil (pload/50602/50602larrhighres.jpg "/>, , →, ← oder ↑) mit dem Motiv auf dem Monitor dargestellt. Basierend auf den Pfeil erhalten, geht der Gegenstand direkt an den entsprechenden Satz von IR-Sensoren, durch die Sensoren, schließt eine Kehrtwendung um den Kegel, und kehrt zu dem Ausgangspunkt (loop entsprechend Pfeils oben) gezeigt. Abbildung 5. Sample-Daten von 10 sec von Gehen auf dem Laufband. Obere Feld zeigt 64-Kanal-EEG-Daten mit Sendername 10-20 internationale Konvention. Middle Tafel zeigt Beschleunigung in der vertikalen Richtung von 11 MARG Sensoren. Das untere Feld zeigt 8-Kanal-EMG. Klicken Sie hier, um eine größere Abbildung anzuzeigen . Abbildung 6. Sample-Daten von einer Schleife (Pfeil nach rechts weg, Abbildung 3) während des Gehens der Arena I-Protokoll. EEG-, Beschleunigungs-und EMG-Daten sind, wie in Abbildung 5 dargestellt. Vertikal schwarze Balken sind Standort-Trigger von der Software empfangen. Der erste Auslöser ist von der manuellen Taster Einleitung der Schleife durch die Vorlage der → Pfeil. Die folgenden vier Trigger sind von IR-Sensoren IR1-IR4 (Abbildung 3) als Subjekt durchläuft die Schleife.tp_upload/50602/50602fig6large.jpg "target =" _blank "> Klicken Sie hier, um eine größere Abbildung anzuzeigen. Abbildung 7. Sample-Daten von Stand-zu-sitzen und sitzen zu stehen Übergang. EEG, Beschleunigung und EMG-Daten wie in Abbildung 5 dargestellt. Vertikale Balken zeigen manuelle Trigger (und Audio Cues) zu stehen und sitzen, bzw. zu initiieren. Klicken Sie hier um eine größere Abbildung anzuzeigen . Abbildung 8. Ausgewählte Daten aus Flur Walking zeigt Übergang von standing zu Fuß und zu Fuß zum Stehen. EEG, Beschleunigung und EMG-Daten wie in Abbildung 5 dargestellt. Vertikale Balken zeigen manuelle Trigger-und Audio-Cue ansd stoppen Walking beginnen, beziehungsweise. Klicken Sie hier, um eine größere Abbildung anzuzeigen .

Discussion

Das Protokoll hier bringt drei Systeme zur Datenerfassung, um gleichzeitig aufnehmen Hirnaktivität, Muskelaktivität und Ganzkörper-Kinematik bei einer Vielzahl von Aufgaben Lokomotive. Die Fertigstellung des gesamten Protokoll dauert ca. 3 Stunden, davon 1 h unter Vorbereitung. Jedes System wird montiert und bewegt sich mit, das Thema. Daher ist es wichtig, die Verbindungen der EEG-und EMG-Elektroden vor dem Beginn eines jeden neuen Versuch zu überprüfen. Dies kann leicht getan werden, mit Hilfe der Software-Pakete durch den jeweiligen Hersteller, die Daten ermöglicht, in Echtzeit mit Hilfe von grafischen Schnittstellen auf dem Host-PC untersucht werden kann. Die Datenerhebung Anwendung benötigt diese Software-Pakete ausgeführt werden, die Vereinfachung der Überprüfung. Zusätzlich muss darauf geachtet werden, dass MARG Sensoren robust sind auf das Thema vor jedem Versuch angebracht werden.

EEG und MARG Daten werden drahtlos über das 2,4-2,5 GHz übertragenSpektralbereich. Da viele andere elektronische Geräte dieses Frequenzband verwenden, ist es wichtig, die Möglichkeit der drahtlosen Schnittstelle in der experimentellen Umgebung berücksichtigen. Ein kritischer Aspekt der Datenerhebung ist line-of-sight Sicht zwischen dem mobilen Wagen und das Thema, die Robustheit bietet, um Funkstörungen. Sowohl das EEG Funkempfänger und die MARG Access Points (Abbildung 1), um die Verbindung liefern LEDs Treue zeigen. Der Host-PC und WLAN-Empfänger für EEG und MARG Sensoren sind auf einem mobilen Wagen platziert, um direkte Sichtverbindung zu erhalten und zu maximieren drahtlose Datenübertragung als das Thema ging über Grund. Wir fanden robuste Datenerfassung besten wurde, indem die mobilen Wagen innerhalb von 5 Metern des Subjekts, eine Distanz, die nicht einschränken wollte Bewegungen des Motivs während einer der Aufgaben beibehalten. Die C + +-Anwendung verwendet mehrere Threads für die Datenerfassung, um die Robustheit, um Datenverlust zu bieten, die durch Störung der drahtlosen cSteckerspleiss des EEG. Wenn die EEG-Verbindung verloren geht, wird Marg und EMG-Daten noch gespeichert, aber keine EEG-Daten verfügbar sein wird für diesen Zeitpunkten. Die Sensoren liefern MARG on-Einheit Pufferung wie oben, um Datenverlust im Falle eines WLAN-Verbindung zu verhindern, während EMG-Daten auf einer SD-Karte in das mobile Datenerfassungsgerät gespeichert diskutiert.

Ein häufiges Problem mit Sammlung von EEG-Daten während des Gehens ist das Vorhandensein von Artefakten in den Signalen. Physiologischen Quellen von Artefakten einschließlich blinkt, Augenbewegungen, Gesichts-Muskel-Aktivität, Herz schlägt, und mechanische Artefakte wie Bewegung von Elektroden und / oder Kabel während Versuchsprotokoll Ausführung: Im Großen und Ganzen können Artefakte in zwei Gruppen aufgeteilt werden. Artifact Entfernung ist ein Thema der laufenden Forschung und umfasst Techniken wie Independent Component Analysis 15,16 und Channel-basierten Template Regressionsverfahren 17. Artifact Minimierung und Entfernung ist ein entscheidender Schritt in preprocessing von Daten für neurale Decodierung der Bewegung des Körpers. Die hier vorgestellte Setup ist ähnlich wie in früheren Studien, dass EEG-Elektrode Kabel wurden in einem einzigen Anschluss gebündelt. Ergebnisse aus diesen Studien zeigen, dass mechanische Artefakte aufgrund von Kabel Herrschaft oder Bewegung nicht eine Rolle spielen bei der Entzifferung der Bewegung von neuronaler Aktivität 7,8. Diese Ergebnisse werden von anderen Studien, die Gangart ähnliche Artefakte substanzlos in langsamen bis mäßig Gehgeschwindigkeiten 17 waren Schluss unterstützt. Doch dieses Experiment EEG misst während Aktivitäten, die mehr Bewegung des Körpers erfordern als bisherige Studien, einschließlich Sit-to-Stand Übergänge, über Grund gehen, und drehen, und somit muss eine sorgfältige Prüfung der Roh-EEG-Daten durchgeführt, um potenzielle identifizieren Verunreinigung von mechanischen Artefakten. Obwohl noch nicht überall verfügbar, könnten diese möglichen Probleme durch die Integration neuer Hardware in das aktuelle Protokoll gelöst werden. Solche Hardware includes aktiven EEG-Elektroden (in diesem Protokoll) und gefederte, trockenen EEG-Elektroden, die Potenzial für Haut-Elektroden-Kontakt während der Bewegung Impedanz 18 zu verbessern. Diese Technologien werden in drahtlose EEG Systems Incorporated, die die Wirkung von Bewegungsartefakten 19 zu reduzieren. Integration neuer Hardware trotz bietet dieses Protokoll eine einzigartige Möglichkeit, weiterhin die Entwicklung neuer Algorithmen zur Bewegungs-und EMG Artefaktunterdrückung weil jedes Segment des Körpers hat instrumentierten 16. Wir planen, Zeitreihen-Korrelation und Frequenzbereich Kohärenz zwischen EEG, EMG, und das Segment Bewegung robust Artefaktunterdrückung Paradigmen für derzeit verfügbaren EEG Setups entwickeln zu studieren. Unsere Decodierung Methoden Robustheit gegen Artefakte 7,8 gezeigt; diese Methoden unter den komplexeren Szenarien in der vorliegenden Protokoll untersucht werden.

Merkmale der aufgenommenen OberflächeEMG hängen von vielen Faktoren ab, und die Auslegung der Oberflächen-EMG-Signale für die Untersuchung von neuronalen Strategien erfordert die Betrachtung 20. Die strenge Verfahren für die Vorbereitung der Haut und EMG Elektrodenanordnung in diesem Protokoll verwendet wurden entwickelt, um den Einfluss von nicht physiologischen Faktoren auf die Oberflächen-EMG-Signale zu minimieren. Die Amplitude und Frequenz der EMG dieses Protokoll aufgezeichnet werden, um das Netz Motoreinheit Aktivität ab, so dass die Aufzeichnung nicht als direkte Darstellung der neuronalen Aktivität des gewünschten Muskeln interpretiert werden. Doch sorgfältiger Prüfung der Oberflächen-EMG-Signals und fortgeschrittene Methoden zur neuronalen Fahrt zum Muskel durch Zersetzen des EMG-Signals auf relative Veränderungen in neuronalen Aktivierung (zB durch die Identifizierung der Entladezeiten von motorischen Einheiten) bestimmen können wertvolle Einblicke in den Muskel Aktivierungsmuster bieten schätzen 20. Weiterhin im Rahmen der neuronalen Dekodieren Obwohl Hirnaktivitätinvasiv ist gezeigt worden, um Informationen über die Oberflächen-EMG 21 enthalten erworben, ist es derzeit nicht bekannt, ob Kopfhaut EEG kann auch zur unteren Extremität Muskelaktivität beim Gehen neben Gangkinematikdaten decodieren. Wir erwarten, dass dieses Protokoll würde uns erlauben, zu prüfen, ob die reduzierte räumliche Auflösung der nicht-invasiven bildgebenden Modalitäten ausreicht, um neuronale Aktivität in Bezug auf einzelne Muskeln zu isolieren ist.

Frühere Studien haben Machbarkeit bei der Nutzung nicht-invasive EEG Kinematik während Laufband 7,8 Impulse für die Entwicklung des Gehirns Maschine-Schnittstelle (BMI) für die Wiederherstellung zu Fuß mit Hilfe von Signalen aus dem Gehirn entschlüsseln gezeigt. Zeitbereichs-Decodierverfahren auf Amplitudenmodulation delta-band EEG-Signalen haben auch gezeigt, daß sie unempfindlich auf artifactual Komponenten 7,8. Doch nehmen Laufband Studien in einer kontrollierten Umgebung, in denen die Benutzer-Vision und Bewegungbeschränkt ist, wodurch die Verunreinigung von neuronaler Aktivität durch äußere Reize. Durch den Einbau der drahtlosen Datenerfassung, ermöglicht dieses Protokoll Sammlung von synchronisierten EEG, EMG, und kinematische Daten während einer Vielzahl von Fortbewegung Aufgaben und Umgebungen. Integration von Inertialsensoren für Motion-Tracking erfordert mehr Rechen-und Offline-Bearbeitung der Kinematik als ein Motion-Capture-System zu extrahieren, und die daraus resultierenden Maßnahmen enthalten eine kleine – aber akzeptabel – Fehlerquote und das wäre nicht in einem Kamera-basiertes System 22 vorhanden. Diese überschaubaren Schwierigkeiten sind eine Notwendigkeit, eine experimentelle Protokoll, das Handy Studie von kognitiv-motorischen Verhaltens in wechselnden Umgebungen ermöglicht etablieren. Wie bereits an anderer Stelle 10,11 ist ein solches Setup nahezu grenzenlos in den Fragestellungen, die angesprochen werden können. Unser Fokus in der nahen Zukunft wird sich auf Fragen entscheidend für die Entwicklung eines BMI für die Rehabilitation von stehend sein und zu Fuß nachHirnverletzungen und Neuropathie. Eine wichtige Komponente, wie oben erwähnt, wird die Entwicklung von neuartigen robusten Decodierung Strategien für Gehirn-Maschine-Schnittstellen zur Rehabilitation Robot-Systeme, die physiologischen und mechanischen Artefakte ablehnen kann, um die Bewegung wieder unter Verwendung von Signalen aus dem Gehirn gemessen werden. Zum Beispiel ist der Flur zu Fuß Protokoll in einem öffentlichen Raum mit anderen Menschen, die während der Datenerhebung durchgeführt und stellt somit ein Prüfstand für die Entwicklung der neuronalen Decodierung Techniken in der natürlichen Umwelt. Andere Fragestellungen von Interesse mit diesem Protokoll das Vergleichen Rehabilitation Roboter Paradigmen mit rhythmischen versus nicht-rhythmische Gangart Ausbildung und Studium der neuronalen Aktivität während funktionelle Erholung nach einer Verletzung bei akuten und chronischen Phasen.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Arbeit wurde durch das National Institute of Neurological Disorders and Stroke unterstützt (NINDS) gewähren # R01NS075889-01. Diese Arbeit wurde zum Teil durch die Interne Research Program des NIH, Klinikum unterstützt. Die Autoren danken auch Shahriar Iqbal und Yongtian Er für die Unterstützung bei der Datenerhebung. Die Kosten für die Open-Access-Veröffentlichung dieses Artikels wurde von APDM, Inc. (, Portland, OR gesponsert http://apdm.com ).

Materials

Name Company Quantity
BrainAmp Amplifier Brain Products, Gmbh Quantity: 2
actiCAP EEG cap with 64 electrodes Brain Products, Gmbh Quantity:1
Brainvision MOVE wireless EEG system Brain Products, Gmbh Quantity:1
DataLOG MWX8 EMG data collection unit Biometrics, Ltd. Quantity:1
SX230 EMG electrodes Biometrics, Ltd. Quantity:8
R506 EMG ground electrode Biometrics, Ltd. Quantity:1
Opal movement monitor (MARG sensor) APDM, Inc. Quantity:11
Opal docking station for wireless data streaming APDM, Inc. Quantity:2
Opal wireless access point APDM, Inc. Quantity:2
Infrared Light Barrier Kit MK120 Velleman, Inc. Quantity:5
Wixel Programmable USB Wireless Module Pololu, Inc. Quantity:6
Table 1. Equipment

References

  1. Choi, J. T., Bastian, A. J. Adaptation reveals independent control networks for human walking. Nature Neuroscience. 10 (8), 1055-1062 (2007).
  2. Grillner, S., Wallen, P., et al. Neural bases of goal-directed locomotion in vertebrates – an overview. Brain Research Reviews. 57, 2-12 (2008).
  3. Petersen, T. H., Willerslev-Olsen, M., Conway, B. A., Nielsen, J. B. The motor cortex drives the muscles during walking in human subjects. Journal of Physiology. 590 (10), 2443-2452 (2012).
  4. Fitzsimmons, N. A., Lebedev, M. A., et al. Extracting kinematic parameters for monkey bipedal walking from cortical neuronal ensemble activity. Frontiers in Integrative Neuroscience. 3, 3 (2009).
  5. Harada, T., Miyai, I., Kubota, K. Gait capacity affects cortical activation patterns related to speed control in the elderly. Experimental Brain Research. 193 (3), 445-454 (2009).
  6. Gwin, J. T., Gramann, K., Makeig, S., Ferris, D. P. Electrocortical activity is coupled to gait cycle phase during treadmill walking. Neuroimage. 54, 1289-1296 (2011).
  7. Presacco, A., Goodman, R., Forrester, L., Contreras-Vidal, J. L. Neural decoding of treadmill walking from noninvasive electroencephalographic signals. Journal of Neurophysiology. 106, 1875-1887 (2011).
  8. Presacco, A., Forrester, L. W., Contreras-Vidal, J. L. Decoding intra-limb and inter-limb kinematics during treadmill walking from scalp electroencephalographic (EEG) signals. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 20 (2), 212-219 (2012).
  9. Wagner, J., Solis-Escalante, T., et al. Level of participation in robotic-assisted treadmill walking modulates midline sensorimotor EEG rhythms in abled-bodied subjects. NeuroImage. 63, 1203-1211 (2012).
  10. Makeig, S., Gramann, K., et al. Linking brain, mind, and behavior. International Journal of Psychophysiology. 73, 95-100 (2009).
  11. Gramann, K., Gwin, J. T., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Reviews in the Neurosciences. 22, 593-608 (2011).
  12. Wilson, J. A., Schalk, G., et al. Using an EEG-based brain computer interface for virtual cursor movement with BCI2000. J. Vis. Exp. (29), e1319 (2009).
  13. Brummer, V., Schneider, S., et al. Coherence between brain cortical function and neurocognitive performance during changed gravity conditions. J. Vis. Exp. (51), e2670 (2011).
  14. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134 (1), 9-21 (2004).
  15. Makeig, S., Bell, A. J., et al. Independent component analysis of electroencephalographic data. Advances in Neural Information Processing Systems. 8, 145-151 (1996).
  16. Rong, F., Contreras-Vidal, J. L. Magnetoencephalographic artifact identification and automatic removal based on independent component analysis and categorization approaches. Journal of Neuroscience Methods. 157, 337-354 (2006).
  17. Gwin, J. T., Gramann, K., Makeig, S., Ferris, D. P. Removal of movement artifact from high-density EEG recorded during walking and running. Journal of Neurophysiology. 103, 3526-3534 (2010).
  18. Liao, L. D., Wang, I. J., Chen, S. F., Chang, J. Y., Lin, C. T. Design, fabrication, and experimental validation of a novel dry-contact sensor for measuring electroencephalography signals without skin preparation. Sensors. 11, 5819-5834 (2011).
  19. Liao, L. D., Lin, C. T., et al. Biosensor technologies for augmented brain-computer interfaces in the next decades. Proceedings of the IEEE. 100, 1553-1566 (2012).
  20. Farina, D., Merletti, R., Enoka, R. M. The extraction of neural strategies from the surface EMG. Journal of Applied Physiology. 96, 1486-1495 (2004).
  21. Flint, R. D., Ethier, C., et al. Local field potentials allow accurate decoding of muscle activity. Journal of Neurophysiology. 108, 18-27 (2012).
  22. Luinge, H. J., Veltink, P. H. Measuring orientation of human body segments using miniature gyroscopes and accelerometers. Medical & Biological Engineering & Computing. 43, 273-282 (2005).

Play Video

Cite This Article
Bulea, T. C., Kilicarslan, A., Ozdemir, R., Paloski, W. H., Contreras-Vidal, J. L. Simultaneous Scalp Electroencephalography (EEG), Electromyography (EMG), and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding. J. Vis. Exp. (77), e50602, doi:10.3791/50602 (2013).

View Video