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

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.