Gelijktijdig Scalp Elektro-encefalografie (EEG), Elektromyografie (EMG) en Whole-body Segmental Inertial Opname voor Multi-modale Neural Decoding
Summary
Ontwikkeling van een effectief brein-machine-interface (BMI)-systeem voor de restauratie en rehabilitatie van tweebenige voortbeweging vereist nauwkeurige decodering van opzet gebruiker. Hier presenteren we een nieuwe experimentele protocol en gegevensverzameling techniek voor simultane niet-invasieve overname van neurale activiteit, spieractiviteit, en het hele lichaam kinematica tijdens diverse motoriek taken en omstandigheden.
Abstract
Recente studies ondersteunen de betrokkenheid van supraspinale netwerken in de controle van tweevoetige menselijke lopen. Een deel van dit bewijsmateriaal omvat studies, met inbegrip van onze eerdere werk, waaruit blijkt dat de kinematica en coördinatie ledematen tijdens loopband wandelen kan worden afgeleid uit de hoofdhuid elektro-encefalogram (EEG) met redelijk hoge nauwkeurigheden decodering. Deze resultaten geven impulsen voor de ontwikkeling van niet-invasieve brain-machine-interface (BMI) systemen voor gebruik in restauratie en / of vergroting van het lopen-een primair doel van de revalidatie onderzoek. Tot op heden hebben studies die EEG decoderen van activiteit tijdens het lopen beperkt tot loopband lopen in een gecontroleerde omgeving. Echter, praktisch haalbaar als een BMI geldend voor gebruik in dagelijkse motorische taken zoals over de grond lopen en draaien zijn. Hier, een nieuw protocol voor niet-invasieve collectie van hersenactiviteit (EEG), spieractiviteit (elektromyografie (EMG)), en gro presenteren wee-body kinematische data (hoofd, romp en ledematen trajecten) tijdens zowel de loopband en over de grond lopen taken. Door het verzamelen van deze gegevens in de ongecontroleerde omgeving inzicht kan worden verkregen over de haalbaarheid van het decoderen ongedwongen manier van lopen en het oppervlak EMG van scalp EEG.
Introduction
Dit protocol maakt gebruik van drie systemen voor gegevensverzameling om tegelijkertijd op te nemen EEG, EMG, en het gehele lichaam kinematica (figuur 1, tabel 1). EEG-gegevens worden draadloos verzameld uit 64 kanalen met een sampling frequentie van 1000 Hz, terwijl proefpersonen lopen. Elektromyografie (EMG) wordt verzameld bij 1000 Hz van oppervlakte-elektroden bilateraal geplaatst op vier spiergroepen: tibialis anterior (TA), gastrocnemius (Gast), biceps femoris (BF) en vastus lateralis (VL). Kinematische gegevens worden verzameld op 128 Hz van 11 draadloze sensoren gemonteerd op het hoofd, bovenlichaam, lumbale regio, armen, dijen, schachten, en voeten om beweging op te nemen tijdens het lopen. Elke sensor bevat een drieassige magnetometer, drieassige gyroscoop en accelerometer triaxiaal (ie een MARG sensor).
Gegevens worden verzameld van elk systeem en gesynchroniseerd in de tijd door een enkele host-pc. Synchronisatie wordt bereikt met behulp van een trigger-signaal verzonden over een continue serial communicatieverbinding toegankelijk voor alle drie data systemen tegelijk. De trekker is uitgevoerd als een eenvoudige schakelaar. Wanneer de knop wordt een triggersignaal ingedrukt (1) wordt naar de hostcomputer, en een nulsignaal (0) wordt verzonden wanneer niet ingedrukt. Door op de trekkerknop lokt een 0,5 sec toon gebruikt als audio-effect voor het onderwerp, zoals beschreven in het onderstaande protocol. Vijf paren infrarood (IR) naderingsschakelaars werden gemaakt voor gebruik als locatie activeert tijdens het over de grond lopen experimenten hieronder beschreven. Wanneer de IR-signaal wordt onderbroken een triggersignaal (1) wordt op de host-pc verstuurd over de seriële verbinding via een radiofrequentie (RF)-verbinding met de trekker doos handleiding.
Een aangepaste C + + applicatie, het gebruik van de software development kit (SDK) die door elk systeem, is ontwikkeld om op te nemen en gegevens synchroniseren. De code maakt gebruik van een multi-threading techniek, functies voor het opslaan van gegevens van elk systeem (EEG, EMG, en managers) zijn opgenomen in individual threads. De software algoritme wordt getoond in figuur 2. Gegevens verzameld vanaf wanneer de toepassing wordt uitgevoerd en eindigt wanneer de "q" toets wordt ingedrukt. Vijf vragen die worden geactiveerd bij het uitvoeren van applicaties. Een draad (figuur 2) controleert de waarde (0 of 1) van het triggersignaal van de seriële verbinding. Aanvankelijke drempelwaarde nul. Wanneer een trigger wordt ontvangen (dwz wanneer de knop wordt ingedrukt of zichtlijn tussen de IR-sensor paar gebroken is) de wereldwijde trekker variabelen zijn ingesteld op 1. Deze variabelen blijven 1 totdat ze worden teruggezet in de collectie threads gegevens.
Het EEG draad op afstand toegang scalp EEG data in real-time met behulp van TCP / IP-protocol. De gegevens worden naar een tekstbestand lijn geschreven door lijn bij de overeenkomstige sampling frequentie (1000 Hz). De wereldwijde EEG triggersignaal wordt geschreven naar de eerste kolom, terwijl de kolommen 2-65 zijn 64 EEG kanalen. Als de globale EEG triggersignaal was 1, wordt het opnieuw ingesteld op nul. Gegevensschrijven gaat door totdat de EEG thread wordt beëindigd. Twee onafhankelijke discussies opnemen MARG sensor data. Twee draden nodig omdat de 11 draadloze sensoren MARG gegevens verzenden met software fabrikant in robuuste streamingmodus, die gegevens over de afzonderlijke sensors buffert gegevens verlies te voorkomen bij draadloze transmissie problemen. Deze buffering degradeert real-time data-overdracht: als er een sensor is in staat om gegevens voor een gegeven monster alle 11 sensoren behouden die tijd punt in hun buffer en zendt deze aan de volgende beschikbare sample punt overbrengen. MARG draadloze data-overdracht onvermijdelijk achterblijft EEG; dus MARG sensoren hebben tijd nodig om offload gebufferde data naar de host-pc na het verzamelen van gegevens wordt gestopt. Om dit probleem op te lossen, worden twee draden gebruikt in de MARG gegevensverzameling algoritme (figuur 2). De eerste draad vult een MARG trekker buffer uit de globale MARG trekker variabele op de sensor sampling frequentie (128 Hz), terwijl het EEG draad is het verzamelen vangegevens. Bij het verzamelen van gegevens stopt schriftelijk aan de trigger buffer ook eindigt. De MARG thread (figuur 2) gebruikt functies van de sensor SDK gegevens worden ontvangen van de sensoren en schrijven naar een bestand op dezelfde wijze als de EEG data. Dat is, de eerste kolom is de waarde van de globale MARG trekker (verkregen van de trekker MARG buffer) en de volgende 99 kolommen zijn de waarden van de 11 MARG sensoren (9 sensoren MARG per eenheid). De MARG thread schrijft data tot het moment index van de trekker MARG buffer is gelijk aan de laatste tijdindex van de EEG data waarna draad-uitvoering wordt beëindigd.
In tegenstelling tot de EEG en MARG gegevens, zijn EMG data niet draadloos opgenomen. In plaats daarvan worden EMG data opgenomen op een SD-kaart in de gegevensopslag eenheid. Een signaal wordt verzonden via een Bluetooth-verbinding om gegevens te schrijven naar de SD-kaart te starten en te stoppen. Schrijven begint wanneer de eerste handmatige trigger wordt ontvangen door de EEG thread. Wegschrijven van gegevens stopt met de EEGdraad wanneer de 'q' knop wordt ingedrukt.
Het volgende protocol werd onderzocht en goedgekeurd door de Institutional Review Board aan de Universiteit van Houston. Ontvangen alle vakken, lezen, en ondertekende een toestemmingsformulier voor deelname.
Protocol
Representative Results
Discussion
Het protocol hier gepresenteerde bundelt drie systemen voor gegevensverzameling om hersenactiviteit tegelijkertijd op te nemen, spieractiviteit, en het hele lichaam kinematica tijdens diverse locomotief taken. Voltooiing van het gehele protocol duurt ongeveer 3 uur, inclusief 1 uur van onderwerp voorbereiding. Elk systeem is gemonteerd, en beweegt met het onderwerp. Daarom is het essentieel om de verbindingen van EEG en EMG-elektroden voor het begin van elk nieuw proces controleren. Dit kan gemakkelijk worden gedaan met behulp van de software van de respectievelijke fabrikant, die gegevens kunnen worden onderzocht in real time via grafische interfaces op de host-pc. Het verzamelen van gegevens toepassing vereist deze softwarepakketten te draaien, het verificatieproces vereenvoudigen. Bovendien moet erop worden gelet dat MARG sensoren robuust zijn aan het onderwerp voor elke proef.
EEG en MARG gegevens worden draadloos via de 2,4-2,5 GHz verzondenspectrum range. Omdat vele andere elektronische apparaten gebruiken deze frequentieband, is het belangrijk de mogelijkheid van draadloze interface in het experimentele omgeving overwegen. Een cruciaal aspect van het verzamelen van gegevens is line-of-sight zicht tussen de mobiele kar en het onderwerp, die stevigheid geeft aan draadloze interferentie. Zowel de EEG draadloze ontvanger en de MARG toegangspunten (figuur 1) geven LEDs om verbinding trouw aan te geven. De host-pc en draadloze ontvangers voor EEG en MARG sensoren worden op een mobiele kar geplaatst om directe lijn van het zicht te behouden en te maximaliseren draadloze gegevensoverdracht als het onderwerp liepen over de grond. We vonden solide dataverzameling werd best onderhouden door het houden van de mobiele kar binnen 5 meter van het onderwerp, een afstand die geen beweging van het onderwerp tijdens een van de taken niet beperkten. De C + + applicatie maakt gebruik van meerdere threads voor het verzamelen van gegevens om robuustheid te bieden aan het verlies van gegevens als gevolg van onderbreking van de draadloze connection van EEG. Indien de EEG verbinding wordt verbroken, wordt MARG en EMG data nog steeds opgenomen, maar geen EEG-gegevens zullen beschikbaar zijn voor degenen tijdstippen zijn. De MARG sensoren geven op de eenheid buffering zoals hierboven besproken gegevens verlies te voorkomen bij draadloze verbinding, terwijl EMG data wordt opgeslagen op een SD-kaart in de mobiele data logging eenheid.
Een veel voorkomend probleem met het verzamelen van gegevens van het EEG tijdens het lopen is de aanwezigheid van artefact in de signalen. In grote lijnen, kunnen artefacten worden gesplitst in twee groepen: fysiologische bronnen van artefacten, waaronder knippert, oog beweging, gezichtsuitdrukking spieractiviteit, hartslag, en mechanische artefacten zoals beweging van elektroden en / of kabels tijdens experimenteel protocol uitvoeren. Artefact verwijderen is een onderwerp van lopend onderzoek, en omvat dergelijke technieken als onafhankelijke componentenanalyse 15,16 en channel-gebaseerde template regressieprocedures 17. Artefact minimaliseren en verwijderen is een cruciale stap in het preprocessing van gegevens voor neurale decodering van beweging van het lichaam. De setup hier gepresenteerde is vergelijkbaar met eerdere studies in die EEG elektrodenkabels werden gebundeld in een enkele connector. De resultaten van die onderzoeken geven aan dat mechanische artefacten als gevolg van kabel slingeren of beweging een rol speelde bij de ontcijfering van de beweging van neurale activiteit 7,8. Die resultaten worden ondersteund door andere studies die concluderen dat gait gerelateerde artefacten waren substantieel in slow tot matige loopsnelheden 17. Echter, dit experiment meet EEG tijdens activiteiten die meer beweging van het lichaam vereisen dan eerdere studies, waaronder sit-to-stand overgangen, over de grond lopen, en draaien, en dus zorgvuldig onderzoek van het ruwe EEG data moeten worden ondernomen om de potentiële identificeren vervuiling van mechanische artefacten. Maar nog niet op grote schaal beschikbaar, zouden deze potentiële problemen worden opgelost door middel van de integratie van nieuwe hardware in het huidige protocol. Dergelijke hardware incLudes actieve EEG-elektroden (gebruikt in dit protocol) en verende, droge EEG-elektroden, die potentieel voor de huid-elektrode contact impedantie tijdens beweging 18 te verbeteren. Deze technologieën worden verwerkt in draadloze EEG-systemen die het effect van beweging artefacten 19 mei verminderen. Integratie van nieuwe hardware niettegenstaande, dit protocol biedt een unieke gelegenheid om te blijven ontwikkelen van nieuwe algoritmen voor beweging en EMG artefact afwijzing omdat elk segment van het lichaam is geweest geïnstrumenteerd 16. We zijn van plan om tijdreeksen correlatie en frequentiedomein samenhang tussen de EEG, EMG, en segment beweging om robuuste artefact afwijzing paradigma van toepassing is op dit moment beschikbaar EEG opstellingen ontwikkelen bestuderen. Onze decoderen methoden hebben aangetoond robuustheid tegen artefacten 7,8; deze methoden zullen onder meer complexe scenario's in het huidige protocol worden onderzocht.
Kenmerken van opgenomen oppervlakEMG zijn afhankelijk van vele factoren en interpretatie oppervlakte EMG signalen voor het onderzoek van neurale strategieën vereist ter overweging 20. De strikte procedures voor de bereiding huid en EMG elektrodenplaatsing die in dit protocol werden ontworpen om de invloed van niet-fysiologische factoren op het oppervlak EMG signalen te minimaliseren. De amplitude en frequentie van de EMG die met dit protocol zijn betreffende netto aandrijving activiteit, en derhalve de opname moet niet worden opgevat als een directe deelname van de neurale activiteit van de gewenste spier. Maar toch, een zorgvuldige afweging van het oppervlak EMG signaal en meer geavanceerde methoden om neurale rijden om spieren te schatten door ontbindend het EMG-signaal om relatieve veranderingen in neurale activering (bijvoorbeeld door het identificeren van de ontlading tijden van motorische eenheden) te bepalen kan waardevol inzicht geven in spieractivatiepatronen 20. Bovendien, in de context van neurale decoderen, maar hersenactiviteitinvasively verworven is aangetoond informatie oppervlakte EMG 21 bevat, is nog niet bekend of scalp EEG ook worden gebruikt om de onderste ledematen spieractiviteit decoderen tijdens het lopen naast kinematica. We verwachten dat dit protocol zou ons in staat om te onderzoeken of de verminderde ruimtelijke resolutie van niet-invasieve beeldvorming van de hersenen modaliteiten voldoende is om neurale activiteit met betrekking tot de individuele spieren isoleren.
Eerdere studies hebben aangetoond haalbaarheid gebruik invasieve EEG om kinematica decoderen tijdens tredmolen loopt 7,8 gangmaker voor de ontwikkeling van hersenen machine interface (BMI) te herstellen lopen met signalen uit de hersenen. Time-domain decoderingswerkwijzen basis amplitudemodulatie van delta-band EEG signalen ook aangetoond ongevoelig artefacten te onderdelen 7,8. Toch loopband studies vinden plaats in een gecontroleerde omgeving waarin de visie en beweging van de gebruikerbeperkt, waardoor de verontreiniging van neurale activiteit door externe stimuli beperken. Door incorporatie van draadloze data logging, dit protocol maakt collectie gesynchroniseerd EEG, EMG en kinematische gegevens tijdens een verscheidenheid van motoriek taken en omgevingen. Integratie van inertiesensoren voor motion tracking vergt meer rekentijd en offline verwerking tot kinematica uitpakken dan een motion capture systeem, en de daaruit voortvloeiende maatregelen bevatten een kleine – maar acceptabel – foutmarge die niet aanwezig zouden zijn in een camera gebaseerd systeem 22. Deze beheersbare problemen zijn een noodzaak om een experimenteel protocol dat mobiele studie van cognitieve-motorisch gedrag in veranderende omgevingen mogelijk maakt vast te stellen. Zoals elders 10,11 besproken, een dergelijke setup is bijna onbeperkt in de onderzoeksvragen die kunnen worden aangepakt. Onze focus in de nabije toekomst zal zijn op kwesties van cruciaal belang voor de ontwikkeling van een BMI voor rehabilitatie van staan en lopen nahersenletsel en neuropathie. Een belangrijk onderdeel, zoals hierboven vermeld, zal de ontwikkeling van nieuwe robuuste decodering strategieën voor brain-machine interfaces naar revalidatie robotsystemen die fysiologische en mechanische artefacten kunnen weigeren om de beweging te herstellen met behulp van gemeten signalen uit de hersenen. Bijvoorbeeld, wordt de hal loopt protocol uitgevoerd in een openbare ruimte met andere mensen aanwezig zijn tijdens het verzamelen van gegevens, en geeft dus een test bed voor de ontwikkeling van neurale decoderingstechnieken in de natuurlijke omgeving. Andere onderzoeksvragen van belang het gebruik van dit protocol zijn revalidatie robot paradigma waarbij ritmische versus niet-ritmische looptraining, en studie van neurale activiteit te vergelijken tijdens functioneel herstel na letsel bij zowel acute als chronische fase.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dit werk werd ondersteund door het Nationaal Instituut voor Neurologische Aandoeningen en Stroke (NINDS) verlenen # R01NS075889-01. Dit onderzoek werd mede ondersteund door de Intramurale Research Program van de NIH, Clinical Center. De auteurs ook bedanken Shahriar Iqbal en Yongtian Hij voor hulp bij het verzamelen van gegevens. De kosten van open access publicatie van dit artikel werd gesponsord door APDM, Inc (Portland, OR; 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
- Choi, J. T., Bastian, A. J. Adaptation reveals independent control networks for human walking. Nature Neuroscience. 10 (8), 1055-1062 (2007).
- Grillner, S., Wallen, P., et al. Neural bases of goal-directed locomotion in vertebrates – an overview. Brain Research Reviews. 57, 2-12 (2008).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Makeig, S., Gramann, K., et al. Linking brain, mind, and behavior. International Journal of Psychophysiology. 73, 95-100 (2009).
- 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).
- 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).
- Brummer, V., Schneider, S., et al. Coherence between brain cortical function and neurocognitive performance during changed gravity conditions. J. Vis. Exp. (51), e2670 (2011).
- 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).
- Makeig, S., Bell, A. J., et al. Independent component analysis of electroencephalographic data. Advances in Neural Information Processing Systems. 8, 145-151 (1996).
- 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).
- 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).
- 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).
- 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).
- Farina, D., Merletti, R., Enoka, R. M. The extraction of neural strategies from the surface EMG. Journal of Applied Physiology. 96, 1486-1495 (2004).
- Flint, R. D., Ethier, C., et al. Local field potentials allow accurate decoding of muscle activity. Journal of Neurophysiology. 108, 18-27 (2012).
- 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).
