Eletroencefalografia simultânea Scalp (EEG), eletromiografia (EMG), e gravação de inércia segmentar de corpo inteiro para Multi-modal Neural Decoding
Summary
Desenvolvimento de um sistema cérebro-máquina-interface eficaz (IMC) para a restauração e reabilitação da locomoção bípede requer decodificação precisa da intenção do usuário. Aqui apresentamos um protocolo experimental romance e técnica de coleta de dados para aquisição simultânea não-invasivo de atividade neural, a atividade muscular e cinemática do corpo inteiro durante várias tarefas e condições de locomoção.
Abstract
Estudos recentes apoiar o envolvimento das redes supra-espinhal no controle de andar bípede humano. Parte desta evidência engloba estudos, incluindo o nosso trabalho anterior, demonstrando que a cinemática da marcha e coordenação dos membros durante a caminhada na esteira pode ser inferida a partir do couro cabeludo eletroencefalograma (EEG) com razoavelmente altas precisões de decodificação. Estes resultados fornecem impulso para o desenvolvimento de sistemas não-invasivos cérebro-máquina interface (IMC) para uso em restauração e / ou aumento de marcha-a meta principal da pesquisa em reabilitação. Até o momento, estudos que examinam a decodificação da atividade EEG durante a marcha têm sido limitados a caminhada na esteira em um ambiente controlado. No entanto, para ser praticamente viável um sistema IMC deve ser aplicável para uso em tarefas motoras diárias, como caminhar sobre a terra e transformando. Aqui, apresentamos um protocolo para coleta de romance não-invasivo de atividade cerebral (EEG), a atividade muscular (eletromiografia (EMG)), e de jóiadados cinemáticos e-corpo (cabeça, tronco e membros trajetórias) durante tanto esteira e caminhar sobre a terra tarefas. Ao coletar esses dados na visão ambiente não controlado pode ser adquirida a respeito da viabilidade de decodificação irrestrita marcha e EMG de superfície do couro cabeludo EEG.
Introduction
Este protocolo utiliza três sistemas de recolha de dados para gravar, simultaneamente, EEG, EMG, e a cinemática do corpo todo (Figura 1, Tabela 1). Os dados de EEG são coletados sem fio de 64 canais, com uma frequência de amostragem de 1000 Hz, enquanto assuntos andar. A eletromiografia (EMG) é coletado a 1.000 Hz a partir de eletrodos de superfície colocados bilateralmente em quatro grupos musculares: tibial anterior (TA), gastrocnêmio (Gast), bíceps femoral (BF) e vasto lateral (VL). Os dados cinemáticos são coletados em 128 Hz de 11 sensores sem fio montado na cabeça, tronco superior, região lombar, braços, coxas, canelas e pés, para gravar o movimento durante a caminhada. Cada sensor contém um magnetômetro triaxial, giroscópio triaxial, e acelerômetro triaxial (ou seja, um sensor MARG).
Os dados são coletados a partir de cada sistema e sincronizados no tempo por um único PC host. A sincronização é realizada utilizando um sinal de disparo enviado sobre um seri contínuaal link de comunicação acessado por todos os três sistemas de dados simultaneamente. O gatilho foi implementado como um interruptor simples. Quando o botão é pressionado um sinal de disparo (1) é enviado para o computador hospedeiro, enquanto que um sinal nulo (0) é enviada quando não está premido. Ao premir o botão de disparo também provoca um segundo tom de 0,5 utilizado como uma pista áudio para o sujeito, tal como descrito no protocolo abaixo. Cinco pares de sensores de proximidade de infravermelhos (IR) foram fabricados para utilização como local desencadeia sobre o solo durante o andar experiências descritas abaixo. Quando o sinal de IR é interrompida um sinal de disparo (1) é enviado para o PC host sobre o link serial através de uma freqüência de rádio (RF) conexão com a caixa de gatilho manual.
Um costume C + + aplicação, utilizando o kit de desenvolvimento de software (SDK) fornecido por cada sistema, foi desenvolvido para gravar e sincronizar dados. O código utiliza uma técnica multi-threading; funções para salvar os dados de cada sistema (EEG, EMG, e MARGS) estão contidos em indivtópicos idual. O algoritmo de software é mostrado na Figura 2. Recolha de dados começa quando a aplicação é executada e termina quando a tecla 'q' é pressionado. Cinco linhas são ativadas durante a execução do aplicativo. Um segmento (Figura 2) controla o valor (0 ou 1), do sinal de disparo a partir da ligação em série. Valor de disparo inicial é zero. Quando o gatilho é recebido (ou seja, quando o botão for pressionado ou linha de visão entre IR par de sensores está quebrado), as variáveis globais de gatilho são definidos a 1. Estas variáveis permanecem um até que são repostas dentro dos tópicos de coleta de dados.
O fio EEG acessa remotamente os dados de EEG do couro cabeludo em tempo real usando o protocolo TCP / IP. Os dados são gravados em um arquivo de texto linha por linha com a frequência de amostragem correspondente (1.000 Hz). O sinal de disparo EEG global está escrito para a primeira coluna, enquanto colunas 2-65 são os 64 canais de EEG. Se o sinal de disparo EEG global era um, é reposto a zero. Dadosa escrita prossegue até a rosca do EEG é terminada. Dois tópicos registro independente MARG dados do sensor. Dois tópicos são necessárias porque os 11 sensores sem fio MARG transmitir dados usando o software do fabricante no modo de transmissão robusto, que isola os dados sobre os sensores individuais para evitar perda de dados em caso de problemas de transmissão sem fio. Este buffer degrada a transferência de dados em tempo real: se um sensor não é capaz de transmitir dados para uma determinada amostra de todos os 11 sensores conservem esse ponto de tempo em seu buffer e transmiti-la ao próximo ponto de amostra disponível. MARG transferência de dados sem fio, inevitavelmente, fica atrás EEG, assim sensores Marg precisam de tempo para descarregar os dados em buffer para o PC host após a coleta de dados é interrompido. Para superar este problema, dois segmentos são utilizados no algoritmo de recolha de dados MARG (Figura 2). O primeiro segmento preenche um buffer gatilho MARG da variável trigger MARG mundial na freqüência de amostragem do sensor (128 Hz), enquanto o segmento de EEG está coletandodados. Quando a coleta de dados pára de escrever para o buffer de gatilho também termina. O fio MARG (Figura 2) utiliza funções a partir do SDK do sensor para receber dados dos sensores e gravá-lo em um arquivo da mesma maneira como os dados de EEG. Isto é, a primeira coluna é o valor do gatilho MARG global (obtido a partir do tampão de disparo MARG) e os seguintes 99 colunas são os valores dos sensores 11 MARG (9 sensores por unidade MARG). O segmento MARG escreve dados até que o índice de tempo do tampão de disparo MARG é igual ao último índice de tempo dos dados de EEG em que ponto de execução segmento é encerrado.
Ao contrário dos dados de EEG e Marg, dados EMG não são gravados sem fio. Em vez disso, os dados de EMG são gravadas em um cartão SD dentro da unidade de registro de dados. Um sinal é enviado através de uma conexão Bluetooth para iniciar e parar a gravação de dados para o cartão SD. A gravação começa quando o primeiro disparo manual é recebido pelo segmento de EEG. Gravação de dados para com o EEGthread quando o botão 'q' é pressionado.
O protocolo a seguir foi analisado e aprovado pelo Comitê de Ética da Universidade de Houston. Todos os indivíduos receberam, ler e assinaram um termo de consentimento para a participação.
Protocol
Representative Results
Discussion
O protocolo aqui apresentado reúne três sistemas de coleta de dados para gravar simultaneamente a atividade do cérebro, a atividade muscular e cinemática todo o corpo durante uma variedade de tarefas de locomotivas. Conclusão de todo o protocolo leva cerca de 3 horas, incluindo 1 hora de preparação assunto. Cada sistema é montado em, e move-se com o assunto. Portanto, é essencial para verificar as ligações de eléctrodos de EEG e EMG antes do início de cada nova tentativa. Isso pode ser feito facilmente usando os pacotes de software fornecidos pelo respectivo fabricante, que permite que os dados sejam analisados em tempo real, utilizando interfaces gráficas no PC host. O aplicativo de coleta de dados exige que esses pacotes de software para ser executado, simplificando o processo de verificação. Além disso, os cuidados devem ser tomados para que os sensores MARG são robustamente ligada ao assunto antes de cada julgamento.
Os dados de EEG e MARG são transmitidos sem fio ao longo do 2,4-2,5 GHzfaixa do espectro. Porque muitos outros dispositivos eletrônicos usam essa faixa de frequência, é importante considerar a possibilidade de interface sem fio no ambiente experimental. Um aspecto crítico da coleta de dados é a visibilidade da linha de visão entre o carrinho móvel e objeto, que fornece robustez à interferência wireless. Tanto o receptor sem fios de EEG e os pontos de acesso MARG (Figura 1) proporcionar os LEDs para indicar fidelidade ligação. O PC host e receptores sem fio para sensores de EEG e MARG são colocados em um carrinho móvel para manter a linha de visão direta e maximizar a transmissão de dados sem fio como o sujeito se aproximou do solo. Encontramos a coleta de dados robusto foi melhor mantida, mantendo o carrinho móvel dentro de 5 metros do assunto, uma distância que não restrinja o movimento do assunto durante qualquer uma das tarefas. A aplicação C + + emprega vários segmentos para a coleta de dados para fornecer robustez à perda de dados devido à interrupção de wireless connection de EEG. Se a ligação é perdida do EEG, e EMG MARG é gravada, mas não há dados de EEG estarão disponíveis para os pontos de tempo. Os sensores Marg fornecer on-unidade de buffer como discutido acima para evitar a perda de dados em caso de conexão sem fio, enquanto os dados EMG é armazenado em um cartão SD dentro da unidade de registro de dados móvel.
Um problema comum com coleta de dados de EEG durante a caminhada é a presença de artefato nos sinais. De um modo geral, os artefatos podem ser divididos em dois grupos: fontes fisiológicas de artefatos, incluindo pisca, movimento dos olhos, a atividade muscular facial, batimentos cardíacos e artefatos mecânicos, tais como movimento de eletrodos e / ou cabos durante a execução do protocolo experimental. Remoção de artefato é um tema de investigação em curso, e inclui técnicas como a análise de componentes independentes 15,16 e procedimentos de regressão de modelos baseados em canal 17. Minimização artefato e remoção é um passo crucial no preprocessing de dados para decodificação neural do movimento do corpo. A configuração aqui apresentada é semelhante a estudos anteriores em que os cabos eletrodos de EEG foram agrupados em um único conector. Os resultados desses estudos indicam que os artefatos mecânicos, devido à influência de cabo ou movimento não desempenhar um papel na decodificação do movimento da atividade neural 7,8. Esses resultados são compatíveis com outros estudos que concluem que marcha artefatos relacionados foram insubstancial em lenta a moderada andando velocidades 17. No entanto, esta experiência mede EEG durante atividades que exigem mais movimento do corpo do que os estudos anteriores, incluindo sit-to-stand transições, sobre a terra a pé, e girando, e assim, um exame cuidadoso dos dados de EEG-primas devem ser realizados para identificar o potencial contaminação de artefatos mecânicos. Embora ainda não amplamente disponíveis, estes potenciais problemas poderiam ser resolvidos por meio da integração de hardware novo para o protocolo atual. Hardware, inclui eletrodos ativos de EEG (usado neste protocolo) e molas, eletrodos de EEG secas, que têm potencial para melhorar a impedância pele-eletrodo durante o movimento 18. Estas tecnologias são incorporados em sistemas de EEG sem fio que pode reduzir o efeito de artefactos de movimento 19. Integração de hardware novo, não obstante, este protocolo proporciona uma oportunidade única de continuar desenvolvendo novos algoritmos de movimento e EMG artefato rejeição, porque cada segmento do corpo tem sido instrumentado 16. Pretendemos estudar a correlação de séries temporais e coerência no domínio da frequência entre EEG, EMG, e movimento segmento para desenvolver robustos paradigmas de rejeição de artefatos aplicáveis a instalações de EEG atualmente disponíveis. Nossos métodos de decodificação têm demonstrado robustez contra artefatos 7,8; estes métodos serão analisados sob os cenários mais complexos do presente protocolo.
Características da superfície gravadoEMG é dependente de muitos fatores, e interpretação de sinais de EMG de superfície para o estudo de estratégias neurais exige sua consideração 20. Os procedimentos rigorosos para a preparação da pele e colocação de eletrodos EMG utilizados neste protocolo foram projetados para minimizar a influência de fatores não-fisiológicos sobre os sinais EMG de superfície. A amplitude e frequência da EMG gravado por este protocolo estão relacionados com a actividade de líquido agregado do motor, e, portanto, a gravação não deve ser interpretada como uma representação directa da actividade neural do músculo desejado. No entanto, uma análise cuidadosa do sinal de EMG de superfície e métodos mais avançados para estimar a unidade neural para o músculo pela decomposição do sinal EMG para determinar as mudanças relativas na ativação neural (por exemplo, através da identificação dos tempos de descarga de unidades motoras) pode fornecer informações valiosas sobre padrões de ativação muscular 20. Por outro lado, dentro do contexto da descodificação neural, embora a actividade cerebralinvasiva adquirida demonstrou conter informação sobre a superfície 21, EMG, é actualmente desconhecido se EEG também pode ser utilizado para descodificar a actividade dos músculos dos membros inferiores durante o caminhar para além cinemática da marcha. Esperamos que este protocolo permitiria verificar se a resolução espacial reduzida de modalidades de imagem cerebral não-invasiva é suficiente para isolar a atividade neural relacionada com músculos individuais.
Estudos anteriores demonstraram viabilidade na utilização de EEG não invasivo para decodificar cinemática durante esteira andando 7,8 impulso que prevê o desenvolvimento de uma interface cérebro-máquina (BMI) para restaurar a marcha usando sinais vindos do cérebro. No domínio do tempo de descodificação baseado em métodos de modulação de amplitude de sinais de EEG-delta banda também têm demonstrado ser insensível aos componentes artefatuais 7,8. No entanto, os estudos de esteira ocorrer em um ambiente controlado, durante o qual a visão do usuário e movimentoé restrito, limitando assim a contaminação da actividade neural devido a estímulos exteriores. Através da incorporação de registro de dados sem fio, este protocolo permite a coleta de sincronizado EEG, EMG, e dados cinemáticos durante uma variedade de tarefas de locomoção e ambientes. Integração de sensores inerciais para rastreamento de movimento requer mais computação e processamento off-line para extrair cinemática de um sistema de captura de movimento, e as medidas resultantes contêm uma pequena – mas aceitável – a margem de erro, que não estaria presente em um sistema de câmera com base 22. Estas dificuldades gerenciáveis são uma necessidade de estabelecer um protocolo experimental que permite estudo móvel do comportamento cognitivo-motor em ambientes mutáveis. Como foi discutido em outros lugares 10,11, tal configuração é quase ilimitada nas questões de pesquisa que podem ser abordados. Nosso foco no futuro próximo será em questões críticas para o desenvolvimento de um IMC de Reabilitação de pé e caminhar seguindolesão cerebral e neuropatia. Um componente-chave, como mencionado acima, será o desenvolvimento de novas estratégias robustas de decodificação para as interfaces cérebro-máquina para a reabilitação de sistemas robóticos que pode rejeitar artefatos fisiológicos e mecânicos para restaurar o movimento através de sinais medidos a partir do cérebro. Por exemplo, o protocolo andando corredor é realizado em um espaço público com outras pessoas presentes durante a coleta de dados e, portanto, fornece uma plataforma de teste para o desenvolvimento de técnicas de decodificação neural no ambiente natural. Outras questões de investigação de interesse que utilizam este protocolo incluem comparação de reabilitação paradigmas robóticos que envolvem o treinamento de marcha rítmica versus não-rítmica, e estudo da atividade neural durante a recuperação funcional após lesão em fase aguda e crônica.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabalho foi apoiado pelo Instituto Nacional de Distúrbios Neurológicos e Derrame (NINDS) conceder # R01NS075889-01. Esta pesquisa foi apoiada em parte pelo Programa do NIH, o Centro de Pesquisa Clínica intramuros. Os autores também agradecem Shahriar Iqbal e Yongtian Ele para obter ajuda com a coleta de dados. O custo de publicação de acesso livre deste artigo foi patrocinado pela 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).
