新技术可能使患者使用的假肢更容易

立即发布

海伦黄 hhuang11@ncsu.edu 919.515.5218.

马特·希普曼 matt_shipman@ncsu.edu 919.515.6386.

研究人员已经开发出一种新技术，可以解码神经肌肉信号来控制有动力的假肢手腕和手。这项工作依赖于计算机模型，这些模型可以精确地模拟前臂、手腕和手的自然结构的行为。这项技术还可以用于开发新的计算机接口设备，用于游戏和计算机辅助设计(CAD)等应用。

该技术已在早期的测试效果不错，但尚未进入临床试验 - 制造从商业可用性几年。这项工作是由联合生物医学工程在北卡罗莱纳州立大学和北卡罗来纳大学教堂山分校的研究人员计划领导。

目前最先进的假肢依赖于机器学习来创造一种“模式识别”的方法来控制假肢。这种方法要求用户“教”该设备识别特定的肌肉活动模式，并将其转化为命令——比如打开或关闭一只义肢。

“模式识别控制要求患者通过历史悠久的培训假肢，”北卡罗来纳州立大学联合生物医学工程计划教授和教堂山北卡罗来纳大学的教授说，Huang说。“这个过程可以繁琐且耗时。

“我们希望把重点放在我们已经了解人体，”黄，谁在工作论文的资深作者。“这不仅为用户更直观，也更可靠，更实用。

“那是因为每次你改变你的姿势，你来生成相同的手/手腕的运动变化的神经肌肉信号。所以单靠机器学习手段依托教学设备，以同样的事情多次做;一次为每个不同的姿势，一旦当你出汗的时候，你都不要了，就这么对。我们的方法绕过大多数的这一点。”

相反，研究人员开发了一个用户通用的肌肉骨骼模型。研究人员将肌电图传感器放置在6名身体健全的志愿者的前臂上，准确追踪当他们用手腕和手做不同动作时发出的神经肌肉信号。这些数据随后被用于创建通用模型，将这些神经肌肉信号转换为操纵动力假肢的命令。

“当有人失去了一只手，他们的大脑联网仿佛伸手仍然存在，”黄说。“所以，如果有人想拿起一杯水，大脑仍然发送这些信号到前臂。我们使用传感器来拾取这些信号，然后将该数据传送到计算机，在那里它被送入虚拟肌骨模型。该模型以肌肉，关节和骨骼的地方，如果计算的手和手腕仍然全是会发生的变动。然后，它传达的数据假肢手腕和手，其中以协调的方式，并实时进行相关的运动 - 更紧密地类似流体，自然运动。

“通过整合我们的背后发生运动生物过程的了解，我们能够生产用于修复一新的神经接口通用于多个用户，包括在这项研究中的截肢者，而且是在不同的手臂姿势可靠的，”黄说。

而研究人员认为潜在的应用不限于假肢装置。

“这可以用来开发计算机接口设备的健全人以及”黄说。“如用于游戏设备，或者用于在CAD程序操作对象”。

在初步测试中，身体健全和截肢的志愿者都能够使用模型控制的界面执行所有所需的手部和手腕动作——尽管只需要很少的训练。

“目前，我们正在寻找谁拥有经桡动脉截肢，以帮助我们进行日常生活的活动模型的进一步测试志愿者，”黄说。“我们希望与临床试验向前迈进之前，来获取用户的其他反馈。

“需要明确的是，我们仍然几年远离有这个成为市场可供临床使用，”黄应力。“而且这是很难预测的潜在成本，因为我们的工作主要集中在软件和成本的截肢者大部分是在实际运行程序的硬件。然而，该模型是可用的假肢设备兼容。”

研究人员也在探索结合机器学习到通用肌骨模型的想法。

“我们的模型，使假体的使用更加直观可靠，但学习机可以让用户通过允许程序以了解每个人的日常需求和喜好，并更好地适应在长期特定的用户获得更细致的控制，”黄说。

纸”,肌电控制基于通用肌骨模型：建立一个多用户神经机界面，“发表在期刊上神经系统与康复工程学报。该论文的第一作者是立志潘，黄实验室的博士后研究员。该文件是由达斯汀克劳奇，在黄的实验室担任博士后研究员谁现在是在美国田纳西州大学共同撰写。这项工作是与下批N66001-16-2-4052从美国国防部高级研究计划局的支持完成的;美国国家科学基金会补助下和1527202 1637892;全国残疾问题研究所，独立生活和康复研究下批90IF0064;和国防部的资助下部W81XWH-15-C-0125和W81XWH-15-1-0407。

希普曼-

编辑:研究摘要跟随。

“肌电控制基于通用肌骨模型：建立一个多用户神经机界面”

作者:北卡罗莱纳州立大学和北卡罗莱纳大学教堂山分校(University of North Carolina at Chapel Hill);达斯汀·l·克劳奇(Dustin L. Crouch)目前就职于诺克斯维尔的田纳西大学

发表：5月18日，神经系统与康复工程学报

DOI: 10.1109 / TNSRE.2018.2838448

文摘:本研究旨在开发一种新的基于肌电图(EMG)的神经-机器接口(NMI)，用于持续预测掌骨(MCP)和手腕屈伸之间的协调运动。NMI需要一个最小的校准程序，该程序只涉及捕捉个人用户监测肌肉的最大自愿收缩。NMI的中心是一个用户通用的肌肉骨骼模型，该模型基于从6名健全(AB)受试者和9种不同上肢姿势收集的实验数据。在AB受试者和经桡骨截肢者身上进行了在线评估。被试在不同上肢姿势下完成虚拟手/手腕姿势匹配任务。通用模型的在线性能也与为每个用户定制的肌肉骨骼模型(称为“特定模型”)进行了比较。所有受试者在使用用户通用NMI时完成了分配的虚拟任务，尽管AB受试者比截肢受试者表现更好。有趣的是，在虚拟手/手腕姿势匹配任务中，与特定模型相比，通用模型的完成时间相当，超调次数减少，路径效率提高。研究结果表明，可以设计一种基于肌肉骨骼模型的肌电驱动NMI，该模型适用于包括上肢截肢者在内的多个用户，用于预测协调的MCP和手腕运动。目前的新方法可能会解决现有的先进的基于肌电的NMI的挑战，需要频繁和长时间的定制和校准。 Our future research will focus on evaluating the developed NMI for powered prosthetic arms.