Сегодня: 03.12.2024
RU / EN
Последнее обновление: 30.10.2024
Управление роботизированным экзоскелетоном на основе технологии «интерфейс мозг–компьютер» моторно-воображаемого типа

Управление роботизированным экзоскелетоном на основе технологии «интерфейс мозг–компьютер» моторно-воображаемого типа

С.Ю. Гордлеева, М.В. Лукоянов, С.А. Минеев, М.A. Хоружко, В.И. Миронов, А.Я. Каплан, В.Б. Казанцев
Ключевые слова: интерфейс мозг–компьютер; воображение движений; экзоскелетон нижних конечностей; система управления экзоскелетоном; постинсультная реабилитация.
2017, том 9, номер 3, стр. 31.

Полный текст статьи

html pdf
2332
2791

Цель исследования — разработка нейроинтегрированной системы управления экзоскелетонным роботизированным комплексом (ЭРК) нижних конечностей на основе технологии «интерфейс мозг–компьютер» (ИМК), которая основана на распознавании паттернов ЭЭГ, вызываемых воображением движений конечностями.

Материалы и методы. Предлагаемая нейроинтегрированная система управления ЭРК на основе технологии ИМК состоит из трех основных блоков: блок регистрации ЭЭГ-сигналов, классификатор ЭЭГ-сигналов и программное обеспечение для передачи команд на ЭРК. Распознавание паттернов ЭЭГ, вызываемых воображением движений, проводится классификатором, построенным на основе линейного дискриминантного анализа, который использует признаки, выделенные при помощи пространственной фильтрации методом CSP попарно для всех типов команд. Предлагаемые алгоритмы классификации паттернов воображаемых движений и методика обучения пользователя позволяют достоверно разделить несколько (до четырех) различных команд. Оператор после обучения и тестирования классификатора может приступать к управлению внешним устройством, в качестве которого выступает ЭРК нижних конечностей. Для удобной настройки системы разработано программное обеспечение управления ЭРК. Программа имеет простой графический пользовательский интерфейс и позволяет менять сопоставление паттернов и команд ЭРК в процессе работы.

Результаты. В результате тестирования на 14 здоровых добровольцах средняя точность управления экзоскелетоном нижних конечностей в разработанном моторно-воображаемом ИМК для трех команд составила в трех сессиях в среднем 70%.

Заключение. Разработанная система управления ЭРК на основе технологии ИМК обладает достаточно высокой точностью для трех команд. Операторы успешно осваивают навык представления движения руками и работу в контуре ИМК, даже если ранее не имели опыта работы с нейрокомпьютерными интерфейсами.

  1. Каплан А.Я. Нейрофизиологические основания и прак­тические реализации технологии мозг-машинных интерфейсов в неврологической реабилитации. Физиоло­гия человека 2016; 42(1): 118–127, https://doi.org/10.7868/s0131164616010100.
  2. Fedotchev А.I., Parin S.B., Polevaya S.A., Velikova S.D. Brain–computer interface and neurofeedback technologies: current state, problems and clinical prospects (review). Sovremennye tehnologii v medicine 2017; 9(1): 175–184, https://doi.org/10.17691/stm2017.9.1.22.
  3. Nudo R.J., Milliken G.W., Jenkins W.M., Merzenich M.M. Use-dependent alterations of movement representations in primary motor cortex of adult squirrel monkeys. J Neurosci 1996; 16(2): 785–807.
  4. Bach-Y-Rita P. Theoretical and practical considerations in the restoration of function after stroke. Top Stroke Rehabil 2001; 8(3): 1–15, https://doi.org/10.1310/8t1t-etxu-8pdf-9x7f.
  5. Taub E., Uswatte G., Elbert T. New treatments in neurorehabilitation founded on basic research. Nat Rev Neurosci 2002; 3(3): 228–236, https://doi.org/10.1038/nrn754.
  6. Kwakkel G., Wagenaar R.C., Twisk J.W., Lankhorst G.J., Koetsier J.C. Intensity of leg and arm training after primary middle-cerebral-artery stroke: a randomised trial. Lancet 1999; 354(9174): 191–196, https://doi.org/10.1016/s0140-6736(98)09477-x.
  7. Marchal-Crespo L., Reinkensmeyer D.J. Review of control strategies for robotic movement training after neurologic injury. J Neuroeng Rehabil 2009; 6(1): 20, https://doi.org/10.1186/1743-0003-6-20.
  8. Фролов А.А., Бирюкова Е.В., Бобров П.Д., Моки­енко О.А., Платонов А.К., Пряничников В.Е., Черникова Л.А. Принципы нейрореабилитации, основанные на исполь­зовании интерфейса «мозг–компьютер» и биологически адекватного управления экзоскелетоном. Физиология чело­­века 2013; 39(2): 99–113, https://doi.org/10.7868/s0131164613020033.
  9. Van der Kooij H., Koopman B., van Asseldonk E.H.F. Body weight support by virtual model control of an impedance controlled exoskeleton (LOPES) for gait training. Conf Proc IEEE Eng Med Biol Soc 2008; 2008: 1969–1972, https://doi.org/10.1109/iembs.2008.4649574.
  10. Banala S.K., Seok H.K., Agrawal S.K., Scholz J.P. Robot assisted gait training with active leg exoskeleton (ALEX). IEEE Trans Neural Syst Rehabil Eng 2009; 17(1): 2–8, https://doi.org/10.1109/tnsre.2008.2008280.
  11. Wang S., Wang L., Meijneke C., van Asseldonk E., Hoellinger T., Cheron G., Ivanenko Y., La Scaleia V., Sylos-Labini F., Molinari M., Tamburella F., Pisotta I., Thorsteinsson F., Ilzkovitz M., Gancet J., Nevatia Y., Hauffe R., Zanow F., van der Kooij H. Design and control of the MINDWALKER exoskeleton. IEEE Trans Neural Syst Rehabil Eng 2015; 23(2): 277–286, https://doi.org/10.1109/tnsre.2014.2365697.
  12. Kaplan A.Ya., Lim J.J., Jin K.S., Park B.W., Byeon J.G., Tarasova S.U. Unconscious operant conditioning in the paradigm of brain-computer interface based on color perception. Int J Neurosci 2005; 115(6): 781–802, https://doi.org/10.1080/00207450590881975.
  13. Wolpaw J.R., Birbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M. Brain–computer interfaces for communication and control. Clin Neurophysiol 2002; 113(6): 767–791, https://doi.org/10.1016/s1388-2457(02)00057-3.
  14. Kelly S.P., Lalor E.C., Finucane C., McDarby G., Reilly R.B. Visual spatial attention control in an independent brain–computer interface. IEEE Trans Biomed Eng 2005; 52(9): 1588–1596, https://doi.org/10.1109/tbme.2005.851510.
  15. Kaplan A.Ya., Zhigulskaya D.D., Kirjanov D.A. Studying the ability to control human phantom fingers in P300 brain-computer interface. Bulletin of Russian State Medical University 2016; 2: 24–28.
  16. Farwell L.A., Donchin E. Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials. Electroencephalogr Clin Neurophysiol 1988; 70(6): 510–523, https://doi.org/10.1016/0013-4694(88)90149-6.
  17. Brunner P., Bianchi L., Guger C., Cincotti F., Schalk G. Current trends in hardware and software for brain–computer interfaces (BCIs). J Neural Eng 2011; 8(2): 025001, https://doi.org/10.1088/1741-2560/8/2/025001.
  18. Kwak N.S., Müller K.R., Lee S.W. A lower limb exoskeleton control system based on steady state visual evoked potentials. J Neural Eng 2015; 12(5): 056009, https://doi.org/10.1088/1741-2560/12/5/056009.
  19. Kaplan A., Vasilyev A., Liburkina S., Yakovlev L. Poor BCI performers still could benefit from motor imagery training. In: Schmorrow D., Fidopiastis C. (editors). Foundations of augmented cognition: neuroergonomics and operational neuroscience. AC 2016. Lecture notes in computer science. Vol 9743. Springer International Publishing, Cham; 2016; p. 46–56, https://doi.org/10.1007/978-3-319-39955-3_5.
  20. Mulder Th. Motor imagery and action observation: cognitive tools for rehabilitation. J Neural Transm (Vienna) 2007; 114(10): 1265–1278, https://doi.org/10.1007/s00702-007-0763-z.
  21. Васильев А.Н., Либуркина С.П., Каплан А.Я. Лате­рализация паттернов ЭЭГ у человека при представле­нии движений руками в интерфейсе мозг–компьютер. Журнал высшей нервной деятельности им. И.П. Павлова 2016; 66(3): 302–312, https://doi.org/10.7868/s0044467716030126.
  22. De Vries S., Tepper M., Feenstra W., Oosterveld H., Boonstra A.M., Otten B. Motor imagery ability in stroke patients: the relationship between implicit and explicit motor imagery measures. Front Hum Neurosci 2013; 7: 790, https://doi.org/10.3389/fnhum.2013.00790.
  23. Do A.H., Wang P.T., King C.E., Chun S.N., Nenadic Z. Brain-computer interface controlled robotic gait orthosis. J Neuroeng Rehabil 2013; 10(1): 111, https://doi.org/10.1186/1743-0003-10-111.
  24. Contreras-Vidal J.L., Grossman R.G. NeuroRex: a clinical neural interface roadmap for EEG-based brain machine interfaces to a lower body robotic exoskeleton. Conf Proc IEEE Eng Med Biol Soc 2013; 2013: 1579–1582, https://doi.org/10.1109/embc.2013.6609816.
  25. Donati A.R., Shokur S., Morya E., Campos D.S., Moioli R.C., Gitti C.M., Augusto P.B., Tripodi S., Pires C.G., Pereira G.A., Brasil F.L., Gallo S., Lin A.A., Takigami A.K., Aratanha M.A., Joshi S., Bleuler H., Cheng G., Rudolph A., Nicolelis M.A. Long-term training with a brain-machine interface-based gait protocol induces partial neurological recovery in paraplegic patients. Sci Rep 2016; 6: 30383, https://doi.org/10.1038/srep30383.
  26. Hjort B. An on-line transformation of EEG scalp potentials into orthogonal source derivations. Electroencephalogr Clin Neurophysiol 1975; 39(5): 526–530, https://doi.org/10.1016/0013-4694(75)90056-5.
  27. Koles Z.J., Lazar M.S., Zhou S.Z. Spatial patterns underlying population differences in the background EEG. Brain Topogr 1990; 2(4): 275–284, https://doi.org/10.1007/bf01129656.
  28. Mineev S.A., Novikov V.A., Kuzmina I.V., Shatalin R.A., Grin I.V. Goniometric sensor interface for exoskeleton system control device. Biomed Eng 2016; 49(6): 357–361, https://doi.org/10.1007/s10527-016-9566-6.
Gordleeva S.Yu., Lukoyanov M.V., Mineev S.A., Khoruzhko M.A., Mironov V.I., Kaplan A.Ya., Kazantsev V.B. Exoskeleton Control System Based on Motor-Imaginary Brain–Computer Interface. Sovremennye tehnologii v medicine 2017; 9(3): 31, https://doi.org/10.17691/stm2017.9.3.04


Журнал базах данных

pubmed_logo.jpg

web_of_science.jpg

scopus.jpg

crossref.jpg

ebsco.jpg

embase.jpg

ulrich.jpg

cyberleninka.jpg

e-library.jpg

lan.jpg

ajd.jpg

SCImago Journal & Country Rank