Оценка и общение людей с расстройствами сознания
Summary
With this experiment, one might be able to detect consciousness in people with disorders of consciousness. Furthermore, the approach can create a simple communication channel that enables people to give simple YES/NO answers to questions.
Abstract
В этом эксперименте мы демонстрируем набор гибридных логических парадигм, основанных на Брейн-Компьютерном интерфейсе (BCI), которые предназначены для двух приложений: оценка уровня сознания людей, неспособных обеспечить ответную реакцию двигателя, а на втором этапе – создание канала связи Для этих людей, которые позволяют им отвечать на вопросы с «да» или «нет». Набор парадигм предназначен для тестирования основных ответов на первом этапе и продолжения более комплексных задач, если первые тесты успешны. Последние задачи требуют больше когнитивных функций, но они могут обеспечивать связь, что невозможно при базовых тестах. Все оценочные тесты производят графики точности, которые показывают, смогли ли алгоритмы обнаружить реакцию мозга пациента на заданные задачи. Если уровень точности выходит за пределы уровня значимости, мы предполагаем, что субъект понял задачу и смог следовать последовательности команд pВозмущается через наушники к объекту. Задачи требуют, чтобы пользователи концентрировались на определенных стимулах или представляли себе перемещение левой или правой руки. Все задачи разработаны в предположении, что пользователь не может использовать визуальную модальность, и, следовательно, все стимулы, представленные пользователю (включая инструкции, сигналы и обратную связь), являются слуховыми или тактильными.
Introduction
Диагноз пациентов в вегетативном состоянии (ВС) или в состоянии минимального состояния сознания (МКС) затруднен, и часто возникают ошибочные классификации. В 2009 году исследование сравнило точность диагностики между клиническим консенсусом и нейроповеденческой оценкой 1 . Из 44 пациентов с диагнозом VS на основании клинического консенсуса медицинской команды 18 (41%) были обнаружены в MCS после стандартизированной оценки с помощью шкалы восстановления комы (CRS-R). Этот результат согласуется с предыдущими исследованиями, которые показали, что 37 – 43% пациентов с диагнозом ВС продемонстрировали признаки осознания 2 , 3 . Классификационные шкалы основаны на поведенческих наблюдениях или на оценках слуховых, визуальных, словесных и моторных функций, а также на уровне общения и возбуждения. Новые технологии, которые могут добавить данные о деятельности мозга, являются идеальным инструментом для преодоления ограничений, налагаемых behaVioral рейтинговые шкалы. Пациенты могут модулировать свои мозговые ответы, несмотря на то, что не могут произвести поведенческие изменения, необходимые для рейтинговой шкалы. Monti et al. 4 продемонстрировал, что функциональная магнитно-резонансная томография (fMRI) может обнаруживать добровольные изменения в зависимостях от уровня кислородосодержания, связанные с воображением двигательных движений или задач пространственной съемки, у 5/54 пациентов с диагнозом Disorder of Consciousness (DOC). Четыре из них ранее были классифицированы в MCS. Таким образом, в немногих случаях пациенты, которые соответствуют поведенческим критериям для вегетативного состояния, имеют остаточную когнитивную функцию и даже сознательное осознание.
BCI, основанные на электроэнцефалографии (ЭЭГ), также могут обнаруживать активность мозга, возникающую в результате воображения или попытки двигательных движений. Существуют также другие парадигмы BCI, которые могут определять, может ли человек продемонстрировать осознание добровольно после предопределенного tasк. BCI на основе ЭЭГ имеют другие преимущества по сравнению с оценками на основе ФМР. Например, системы ЭЭГ намного более экономичны и переносимы, и их можно легко использовать на постели пациента. Основные неинвазивные подходы BCI включают в себя медленные корковые потенциалы (SCP), P300s, визуальные потенциалы устойчивого состояния (SSVEP) и двигатель Изображения (MI). SCP предоставили низкие скорости передачи информации и требуют интенсивной подготовки (см. Wolpaw et al. ) 5 , в то время как SSVEP требуют визуального внимания. Поэтому оба подхода не используются в этом протоколе. С помощью Sp300, Ortner et al. 5 достигли 70% для инвалидов. В конечном итоге это число может быть увеличено. Например, Turnip et al. 7 улучшили свою точность классификации P300, используя адаптивный нейронный сетевой классификатор. Для этого протокола мы выбрали тактильные и слуховые подходы P300 в дополнение к ИМ, поскольку обаF их можно использовать без зрение, и каждый из них имеет уникальные преимущества. MI может обеспечить более быструю связь, чем невисвидный P300 BCI, тогда как P300 BCI требуют очень небольшой подготовки. Поэтому этот гибридный протокол BCI может реализовать целый набор подходов BCI на основе EEG для пациентов с DOC. Кроме того, поскольку задачи относительно быстро и легко повторять, различные подходы могут быть исследованы повторно с каждым пациентом, чтобы уменьшить количество неправильных классификаций пациентов с DOC.
Были изучены четыре разных подхода BCI: (i) слуховой P300, (ii) вибротактильный P300 с двумя стимуляторами, (iii) вибротактильный P300 с тремя стимуляторами и (iv) MI.
В парадигме i слуховой подход P300 используется слуховая парадигма oddball, в которой отклоняющиеся стимулы (звуки 1000 Гц) распределяются случайным образом в последовательности более вероятных стандартных стимулов (звуковые сигналы 500 Гц). В парадигме ii стимулы доставляются через вибротактильные стимуляторы thНа расположены слева и справа запястья. Тактор на левом запястье обеспечивает стандартные стимулы, а такт на правом запястье обеспечивает отклоняющиеся (целевые) стимулы. Для парадигмы iii дополнительный стимулятор помещается на правую лодыжку предмета или на другое место, например, на середину спины. Этот стимулятор обеспечивает последовательность стандартных стимулов, в то время как два стимулятора на левом и правом запястьях обеспечивают девиантные стимулы. Чтобы оценить сознание с помощью двух вибротактильных парадигм, испытуемому говорят через наушники, чтобы молча считать каждый стимул одним запястьем, игнорируя другие раздражители. Случайный механизм решает, выбирать ли левое или правое запястье, и каждый прогон имеет четыре набора из 30 испытаний каждый, с новой целевой рукой для каждого испытания.
Следующая обработка сигналов выполняется для парадигм i, ii и iii: восемь каналов EEG получают с использованием частоты дискретизации 256 Гц. Вероятность отклоняющегося стимула равна 1/8; hencE, для каждого отклоняющего стимула будет семь стандартных стимулов. Каждый прогон имеет 480 общих стимулов. Один пробег парадигмы i занимает 7 минут 20 с, а каждый пробег парадигм ii и iii занимает 2 мин 30 с. Если пациент молча учитывает каждый отклоняющий стимул, эти стимулы вызывают несколько связанных с событиями потенциалов (ERP), включая P300, положительный пик около 300 мс после начала стимула. Каждый звуковой сигнал длится 100 мс. Для каждого испытания стимула – окно 100 мс до и 600 мс после того, как звуковой сигнал сохраняется для обработки сигнала. Затем данные уменьшают дискретизацию в 12 раз, в результате получается 12 выборок для интервала после стимула 60 мс. Наконец, все возможности выборки временного канала вводятся в линейный дискриминантный анализ 8 , в результате чего 12 x 8 = 96 признаков. Чтобы вычислить график точности ( рис. 1 и 2 ), следующая процедура повторяется десять раз, и результаты усредняются в один отдельный график. Девиантные и стандартные испытанияСлучайным образом назначаются в два пула равного размера. Один пул используется для обучения классификатора, а другой пул используется для тестирования классификатора. Классификатор тестируется на все большее количество усредненных стимулов из пула тестирования. Сначала он тестируется только на один девиантный и семь стандартных стимулов. Если классификатор правильно распознает отклоняющий стимул, полученная точность составляет 100%, а в противном случае – 0%. То же самое делается для 2 усредненных девиантных стимулов и 14 средних стандартных стимулов, для 3 отклоняющих стимулов и 21 стандартного стимула и так далее, пока не будет использован полный пул испытаний. Это дает график из 30 отдельных значений (для 30 отклоняющих стимулов в тестовом пуле), каждый из которых составляет 100% или 0%. Усреднение 10 одиночных графиков приводит к значениям от 0% до 100%. Увеличение количества усредненных стимулов повысит точность, если субъект сможет выполнить задачу, потому что усреднение стимулов уменьшает случайный шум в данных. Точность значительно превосходит случайный уровень (12.5%) показывает, что ответ на P300 может быть выявлен у субъекта и что ответ в мозге субъекта действительно появился. Парадигмы i и ii могут использоваться только для оценки сознания. Если точность, достигнутая во время оценки, выше 40%, можно продолжать использовать связь парадигмы iii или iv.
В коммуникационной задаче парадигмы iii субъект выбирает сосредоточиться на стимулах с левой стороны, если он / она хочет ответить «ДА» или с правой стороны ответить «НЕТ». Классификатор определяет, с какой стороны пользователь концентрируется и представляет ответ.
Paradigm iv записывает 120 испытаний, каждый из которых длится 8 секунд, разделенных разрывами 1 с. Это приводит к 10 сек. 120 = 18 минут общего времени сеанса. Paradigm iv использует 16 каналов ЭЭГ, распределенных по сенсомоторной коре. Частота дискретизации составляет 256 Гц. Каждое испытание начинается с сигнала, представленного через наушники, который инструктирует объектВообразить перемещение левой или правой руки. Последовательность левых и правых команд рандомизирована. Для предварительной обработки сигналов используется метод Common Spatial Patterns (CSP) 10 , 12 , 13 . Этот метод дает набор пространственных фильтров, предназначенных для минимизации дисперсии одного класса при максимизации дисперсии для другого класса. Это приводит к четырем признакам, которые классифицируются по линейному дискриминантному анализу 8 . Вся процедура классификации подробно описана в недавней публикации, показывающая высокую среднюю точность классификации 80,7% после 60 минут обучения здоровых пользователей 13 . Расчет точности осуществляется путем кросс-валидации. Это относится к разбивке выборки данных на дополнительные подмножества, выполнению анализа по одному подмножеству (пулу обучения) и проверке анализа на другом подмножестве (tesTing pool). Перед разделением данных в пулы испытания, содержащие артефакты, отбрасываются. Предполагается, что испытание содержит артефакты, если абсолютное значение амплитуды превышает 100 мкВ в любое время во время испытания. Точность рассчитывается для всех движений в пуле тестирования в течение 1,5 с после сигнала внимания до конца испытания с шагом 0,5 с. Для каждого шага и каждого испытания результат классификации составляет 100 или 0%. Точность всех испытаний тестового пула затем усредняется для каждого отдельного шага, в результате чего уровни точности варьируются от 0% до 100%. Наконец, среднее значение десяти повторений результатов перекрестной проверки показано на графике точности. Примеры можно увидеть на рисунках 3 и 4 . Графики разделены для движения изображения в левой руке (желтый), правой рукой (синий) и все движения вместе (зеленые). Горизонтальная линия в пурпуре представляет собой доверительный предел, который зависит отDs по количеству испытаний, которые были использованы для анализа. Это число общих испытаний за вычетом количества отклоненных испытаний. Он показывает 95% -ный доверительный интервал, используя метод Clopper Pearson 9 . Уровень точности выше этой линии означает, что результат статистически значим (альфа <0,05).
Protocol
Representative Results
Discussion
Предыдущие исследования, проведенные многочисленными группами, показали, что некоторые пациенты с DOC могут проявлять сознательную осведомленность с помощью оценок на основе FMRI или ЭЭГ, хотя оценки, основанные на поведении, указывают на иное. Таким образом, существует явная потребность в новых системах и парадигмах, которые могут более точно оценивать сознание и даже обеспечивать общение. В идеале, эти системы должны быть недорогими, портативными, надежными для шума в реальных условиях и простыми в использовании (как для пациента, так и для системного оператора).
Представленные здесь протоколы и система служат двум целям: помочь оценить уровень сознания у лиц с DOC и установить новый канал связи для лиц, неспособных общаться через речевую, зрительную деятельность или другие задачи, требующие контроля мышц. Парадигмы в протоколе предназначены для проверки основных ответов на первых шагах. Если обнаружены ожидаемые основные реакции головного мозга, можно идти дальше и tRy более сложные парадигмы, которые представляют собой вибротактильный P300 с тремя тактами и MI. Эти две парадигмы могут также использоваться для установления канала связи. Качество сигнала ЭЭГ имеет решающее значение во всех этих протоколах. Иногда данные ЭЭГ нельзя отличить от шума; Некоторый опыт анализа ЭЭГ необходим для распознавания и управления шумовыми данными.
Существующие стандартные методы оценки, помимо ненадежности, также требуют много времени и требуют команды экспертов. Поэтому пациентов часто оценивают только один раз, даже если сознательное осознание пациента может резко колебаться в разное время. Представленный здесь протокол можно было бы легко повторить несколько раз. Пациенты, которые не проявляют сознательного осознания, могут давать разные результаты в другое время. Кроме того, каждый прогон оценки может быть выполнен до того, как каждая попытка связи подтвердит, что объект находится в сознательном состоянии.
АнофПоводом для реализации различных парадигм в протоколе является то, что некоторые люди могут плохо работать с одной парадигмой, но очень хорошо работают с другими. Точно так же люди могут предпочесть одну парадигму, потому что им легче. Изучив различные варианты с различными парадигмами, пациенты могли выбрать подход, который они предпочитают. Это согласуется с «гибридным» BCI-подходом, который поддерживает предоставление нескольких вариантов связи для повышения эффективности связи и удовлетворенности пользователей.
Графики точности в сочетании с процентным уровнем правильных классификаций дают объективный результат, который отражает, насколько хорошо алгоритм распознавания образов может различать различные состояния мозга во время задач. Поэтому нет субъективной интерпретации мозговых узоров или усредненных ответов.
Вибротактильная связь с тремя тактами была протестирована на группе из шести хронических закрытых патианTs 15 . Они достигли средней точности при сообщении 55,3%, и все они были выше вероятного уровня 12,5%. Задача связи МИ была проверена группой из двадцати здоровых пользователей 13 , что показало среднюю точность около 80%. Только у одного из двадцати человек была контрольная точность ниже вероятного уровня.
Важно отметить, что бег или даже полная сессия с плохой точностью не убедительно доказывают, что мозг не реагирует или нет сознания внутри субъекта. Это просто означает, что система не смогла обнаружить добровольные мозговые реакции. Это может произойти из-за плохого качества сигнала, затруднения в слушании или понимания заданий или просто потому, что меньшинство субъектов не может произвести желаемую активность ЭЭГ, несмотря на выполнение задачи.
В соответствии с предыдущей работой нашей группы и других, представленная работа показывает, что целесообразно оценитьУровень сознания у пациентов, страдающих DOC, с помощью методов визуализации мозга. FMRI также является полезным методом для отслеживания текущей активности мозга пациента. Было показано, что парадигмы нечетных чисел, которые вызывают вызванные потенциалы, а также моторные образы и другие задачи, могут вызывать гемодинамические реакции, которые можно отслеживать с помощью МРТ 17 , 18 . По сравнению с fMRI, ЭЭГ имеет значительные преимущества: инструменты, основанные на ЭЭГ, могут применяться на постели, без дорогостоящего и не переносного оборудования, и требует значительных знаний. Транспортировка пациента на сканер и акустический шум от сканера могут быть как стрессовыми для пациента. Инфракрасная спектроскопия (NIRS) портативна и может иметь немного лучшее пространственное разрешение, чем ЭЭГ, но имеет худшее временное разрешение 19 . NIRS подходит для мониторинга MI 20 , 21 , но не для вызванного потаntials. Например, Naseer и Hong 22 продемонстрировали высокую точность классификации для MI-BCI с использованием fNIRS. При испытаниях, которые длились 50 с, они достигли 77,35% для левого ИМ и 83% для правого ИМ. При использовании BCI на основе ЭЭГ Guger et al. 23 обнаружили, что около 20% из 99 сеансов достигли точности выше 80%, а еще 70% из 99 сеансов достигли точности более 60%. Ortner et al. Показала среднюю пиковую точность около 80% с использованием метода CSP. Этот метод требует больше электродов ЭЭГ, чем те, которые используются у Гугера и его коллег, но это приводит к более высокой точности. Используя метод CSP, Ramoser et al. 23 продемонстрировал, что увеличение электродов с 18 до 56 не значительно улучшает характеристики; Поэтому мы заключаем, что выбранное число из 16 электродов в нашем методе является достаточным. В последнее время Coyle et al . Используется CSP для классификации и обучения MI в DOC patieNts 16 . Все четыре субъекта продемонстрировали значительную и адекватную активацию мозга во время оценки.
Оценка MI через гибридный NIRS-EEG BCI может привести к высокой точности классификации, так как Khan et al. 20 . Это может быть перспективным будущим направлением, хотя дополнительный инструмент для нейровизуализации увеличивает сложность и стоимость устройства.
Представленный здесь протокол представляет собой относительно простой инструмент для оценки ответов головного мозга в рамках сигнала ЭЭГ пациентов с DOC. Интерпретация этих результатов классификации и осуществление любых изменений в медикаментах, терапии или других медицинских методах по-прежнему требуют медицинских экспертов. Будущие направления этого метода могут быть более продвинутыми методами стимуляции с использованием большего числа степеней свободы. Например, вместо того, чтобы предлагать инструменты только для того, чтобы говорить только «ДА» или «НЕТ», будущие устройства могли бы позволить более возможные ответыК одному вопросу. На следующем шаге можно также использовать контекстные ответы. Например, если у пациента есть музыкальный проигрыватель, можно предложить возможность контролировать уровень звука или переключиться на следующую песню. Кроме того, парадигма ИМ должна быть протестирована у пациентов с DOC.
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
This work was supported by the European Union FP 7 project DECODER and the European Union ODI Project COMAWARE.
Materials
| g.USBamp | g.tec medical engineering GmbH | 1 | Biosignal amplifier |
| Power supply | GlobTek Inc. | 1 | Medical mains power supply for the g.USBamp |
| USB cable | g.tec medical engineering GmbH | 1 | Connects the g.USBamp to the computer |
| EEG electrodes gSCARABEO | g.tec medical engineering GmbH | 16 | Active EEG electrodes |
| EEG electrode gSCARABEOgnd | g.tec medical engineering GmbH | 1 | passive ground electrode |
| EEG electrode g.GAMMAearclip | g.tec medical engineering GmbH | 1 | active reference electrode |
| g.GAMMAbox | g.tec medical engineering GmbH | 1 | Connects the amplifier to the EEG electrodes |
| g.USBampGAMMAconnector | g.tec medical engineering GmbH | 1 | Connects the g.GAMMAbox to the g.USBamp |
| EEG cap | g.tec medical engineering GmbH | 1 | To position electrodes |
| Computer | Hewlett-Packard | 1 | To run the software. Alternatively computers from other manufacturers could be used. |
| g.VIBROstim | g.tec medical engineering GmbH | 3 | Tactors for sensory stimulation |
| Audio trigger adapter box | g.tec medical engineering GmbH | 1 | To split up the audio signal into audio commands for the headphones and trigger signals. This box connects to the amplifier. |
| Anti static wrist band | g.tec medical engineering GmbH | 1 | To suppress noise in the EEG |
| Trigger cable | g.tec medical engineering GmbH | 1 | To connect the audio trigger adapter box and the g.STIMbox to the g.USBamp |
| Audio connector cable | g.tec medical engineering GmbH | 1 | Audio cable to connect the audio trigger adapter box to the computer |
| Hardlock | g.tec medical engineering GmbH | 1 | To run the software |
| SE215-K | Shure Europe GmbH | 1 | Noise suppressing earphones. Alternatively other earphones could be used. |
| g.STIMbox | g.tec medical engineering GmbH | 1 | Driver box for tactile stimulators |
| mindBEAGLE software | g.tec medical engineering GmbH | 1 | software package |
| g.GAMMAgel | g.tec medical engineering GmbH | 1 | conductive electrode gel |
Referenzen
- Schnakers, C., Vanhaudenhuyse, A., et al. Diagnostic accuracy of the vegetative and minimally conscious state: Clinical consensus versus standardized neurobehavioral assessment. BMC Neurol. 9, (2009).
- Childs, N. L., Mercer, W. N., Childs, H. W. Accuracy of diagnosis of persistent vegetative state. Neurol. 43 (8), 1465-1465 (1993).
- Andrews, K., Murphy, L., Munday, R., Littlewood, C. Misdiagnosis of the vegetative state: retrospective study in a rehabilitation unit. Bmj. 313 (7048), 13-16 (1996).
- Monti, M. M., Vanhaudenhuyse, A., et al. Willful modulation of brain activity in disorders of consciousness. New England Journal of Medicine. 362 (7), 579-589 (2010).
- Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., Vaughan, T. M. Brain-computer interfaces for communication and control. Clinical Neurophysiology. 113, 767-791 (2002).
- Ortner, R., Aloise, F., et al. Accuracy of a P300 Speller for People with Motor Impairments: a Comparison. Clinical EEG and Neuroscience. 42 (4), 214-218 (2011).
- Turnip, A., Hong, K. -. S. Classifying mental activities from EEG-P300 signals using adaptive neural network. Int. J. Innov. Comp. Inf. Control. 8 (9), 6429-6443 (2012).
- Lugger, K., Flotzinger, D., Schlögl, A., Pregenzer, M., Pfurtscheller, G. Feature extraction for on-line EEG classification using principal components and linear discriminants. Med. Biol. Eng. Comput. 36 (3), 309-314 (1998).
- Johnson, N. L., Kemp, A. W., Kotz, S. . Univariate discrete distributions. 444, (2005).
- Guger, C., Ramoser, H., Pfurtscheller, G. Real-Time EEG Analysis with Subject-Specific Spatial Patterns for a Brain-Computer Interface (BCI). IEEE Trans. Rehab. Eng. 8, 447-456 (2000).
- Vidaurre, C., Blankertz, B. Towards a Cure for BCI Illiteracy. Brain Topography. 23 (2), 194-198 (2010).
- Blankertz, B., Tomioka, R., Lemm, S., Kawanabe, M., Müller, K. -. R. Optimizing Spatial Filters for Robust EEG Single-Trial Analysis. IEEE Signal Process. Mag. 25 (1), 41-56 (2008).
- Ortner, R., Scharinger, J., Lechner, A., Guger, C. How many people can control a motor imagery based BCI using common spatial patterns. Proceedings of the 7th Annual International IEEE EMBS Conference on Neural Engineering. , (2015).
- Chatrian, G. Ten percent electrode system for topographic studies of spontaneous and evoked EEG activity. Am J Electroencephalogr Technol. 25, 83-92 (1985).
- Lugo, Z. R., Rodriguez, J., et al. A vibrotactile p300-based brain-computer interface for consciousness detection and communication. Clin. EEG Neurosci. 45 (1), 14-21 (2014).
- Coyle, D., Stow, J., McCreadie, K., McElligott, J., Carroll, &. #. 1. 9. 3. ;. Sensorimotor Modulation Assessment and Brain-Computer Interface Training in Disorders of Consciousness. Archives of Physical Medicine and Rehabilitation. 96 (3), 62-70 (2015).
- Kiehl, K. A., Laurens, K. R., Duty, T. L., Forster, B. B., Liddle, P. F. Neural sources involved in auditory target detection and novelty processing: an event-related fMRI study. Psychophysiology. 38 (1), 133-142 (2001).
- Opitz, B., Mecklinger, A., Cramon, D., Kruggel, F. Combining electrophysiological and hemodynamic measures of the auditory oddball. Psychophysiology. 36 (1), 142-147 (1999).
- Min, B. -. K., Marzelli, M. J., Yoo, S. -. S. Neuroimaging-based approaches in the brain-computer interface. Trends in Biotechnology. 28 (11), 552-560 (2010).
- Khan, M. J., Hong, M. J., Hong, K. -. S. Decoding of four movement directions using hybrid NIRS-EEG brain-computer interface. Frontiers in Human Neuroscience. 8, (2014).
- Naseer, N., Hong, K. -. S. fNIRS-based brain-computer interfaces: a review. Frontiers in Human Neuroscience. 9, (2015).
- Naseer, N., Hong, K. -. S. Classification of functional near-infrared spectroscopy signals corresponding to the right- and left-wrist motor imagery for development of a brain-computer interface. Neuroscience Letters. 553, 84-89 (2013).
- Guger, C., Edlinger, G., Harkam, W., Niedermayer, I., Pfurtscheller, G. How many people are able to operate an EEG-based brain-computer interface (BCI)?. Neural Systems and Rehabilitation Engineering, IEEE Transactions on. 11 (2), 145-147 (2003).
- Ramoser, H., Mueller-Gerking, J., Pfurtscheller, G. Optimal spatial filtering of single trial EEG during imagined hand movement. IEEE Transactions on Rehabilitation Engineering. 8 (4), 441-446 (2000).
