原始研究的文章

前面。机器人。2023年4月AI, 06
秒。人机交互
卷10 - 2023 | https://doi.org/10.3389/frobt.2023.1100411

手/手腕运动的肌电的实时控制在杜氏肌萎缩症:一个案例研究

考斯塔斯nizami ¹*

Anıl Ayvaz ² www.雷竞技rebatfrontiersin.org

Noortje h . m . Rijken³

巴特·f·j·m·•库普曼 ²

马西莫Sartori ²

¹系统工程和多学科设计团队、部门的设计、生产、管理、工程技术学院、荷兰恩斯赫德特文特大学
²Neuromechanical造型和工程实验室、生物力学工程系,工程技术学院、荷兰恩斯赫德特文特大学
³研究小组聪明健康,Saxion应用科学大学,荷兰恩斯赫德

作品简介:杜氏肌肉营养不良症(DMD)是一种遗传性疾病,导致渐进肌肉退化。目前,DMD个人预期寿命的增加并不是伴随着生活质量的提高。手和手腕的功能是中央执行日常活动和提供更高程度的独立性。活跃的外骨骼可以帮助这个功能,但需要用户的运动意图的准确解码。然而,这些方法没有系统地分析了DMD的上下文。

方法:这个案例研究评估直接控制(DC)和模式识别(PR),加上一个导纳模型。这使定制的肌电的控制器一个DMD和控制人口的十个健康参与者个体在target-reaching任务1 -和2 -自由度(自由度)。我们使用目标量化实时myocontrol性能达到时间和健康个体之间的差异和DMD相比个人。

结果和讨论:我们的研究表明,尽管肌肉组织变性,DMD的个人的myocontrol性能相当的健康个体自由度和与控制方法。同样明显的是,公关为双自由度控制表现更好的任务模式和健康的参与者,而直流1-DOF任务表现的更好。从这项研究中获得的见解会导致进一步发展的直观multi-DOF肌活跃与DMD外骨骼为个人的控制。

1介绍

杜氏肌营养不良症(DMD)是最常见的男性儿童,肌肉萎缩症影响1在全球4000人(Opstal et al ., 2014)。DMD是由基因突变引起的,妥协的生产抗肌萎缩蛋白蛋白质,缺乏导致进步疲弱的骨骼,呼吸和心脏肌肉。这将导致严重的身体残疾和缩短预期寿命(诺瓦克和戴维斯,2004年)。男孩与DMD越来越依赖外部艾滋病在日常活动中由于进步的麻痹性痴呆和功能的丧失能力(哈雷et al ., 2010)。然而,在过去的二十年,预期寿命明显改善由于医疗保健的改善,目前的估计是大约40年(Bushby et al ., 2010)。这导致显著增加数量的DMD的成年人患有严重的身体损伤有强烈依赖护理(Rahbek et al ., 2005)。

功能交互与世界严重依赖于手工操作,每个个体的核心执行日常生活活动(ADL) (卢et al ., 2016)。然而,手功能的动态日常支持DMD患者仍然是一个挑战(瓦格纳et al ., 2007)。

这里,可穿戴机器人设备,例如手外骨骼,可以提供一个解决方案(8)。最近的一项研究表明,在一夜之间使用被动手矫形器可以帮助保持手腕的被动运动的范围扩展和拇指绑架(Weichbrodt et al ., 2018)。主动手的使用外骨骼可以进一步帮助DMD个人的解决更大范围的运动任务(巴特尔et al ., 2011),这将使动态运动与用户的积极参与(Lobo-Prat et al ., 2017 a)。

活跃的直观和鲁棒控制外骨骼,准确的解码用户的意图是主要的挑战(兰兹et al ., 2012)。临床可行的办法使鲁棒控制涉及到表面的使用肌电图(表)(淀粉和Sartori, 2016;Geethanjali 2016;黑人et al ., 2016;黑人和Orizio, 2017)。各种sEMG-based控制方法已经开发解码手汽车用户的意图,直接控制(DC) (拉赫曼et al ., 2001;兰兹et al ., 2012)和模式识别(PR)的控制(帕克et al ., 2006)是最常见的。而回归(Muceli et al ., 2012)和基于模型的方法(Sartori et al ., 2016;Durandau et al ., 2018)正在开发,他们尚未普遍被认为是临床标准。DC是广泛用于上肢假肢(帕克和斯科特,1986;威廉姆斯,1990),而常见的公关分类方法包括线性判别分析(LDA),支持向量机(SVM),模糊方法,回归和多层感知器(MLP) (Dellacasa Bellingegni et al ., 2017)。

重要的是,有一个有限的系统分析的可行性前臂面肌电信号的控制信号为活跃的外骨骼手DMD患者(nizami et al ., 2020)。然而,两项研究涉及参与者患有肌肉萎缩症的其他形式(沃格尔et al ., 2013;Polygerinos et al ., 2015)展示出了有前景的结果而言,电动机的功能解码意图从手/手腕。同时,面肌电信号的性能控制是最近与一个活跃的比力的控制平面支持DMD的肩部和肘部个人(Lobo-Prat et al ., 2017 a)。这里,结果表明,两种方法都能够解码的目的手臂的运动。然而,解码wrist-hand运动没有探索的可能性。我们先前的研究显示,有前景的结果当试图描述离线神经运动的概要文件的前臂DMD个人使用PCA分析结合高密度肌电图(nizami et al ., 2020),以及实时控制的机器人外骨骼手使用直流控制1自由度(自由度)(Bos et al ., 2019)。

在本文中,我们第一次尝试评估wrist-hand电动机的实时面肌电信号解码一个DMD的意图个人公关和直流控制1 -和2 -自由度运动。我们比较连续直流和公关作为潜在面肌电信号控制方法和提供一个分析的差异,在target-reaching任务1 -和双自由度。在这项研究中,我们的公关方法包含一个延时,而我们的方法把myocontrol与一阶导纳模型(Lobo-Prat et al ., 2017 a),它允许操作接口的虚拟动态和后续的进一步调整控制所有参与者。这是有益的,尤其是与DMD的参与者,他们预计将有不同的援助要求比健康的参与者。实时myocontrol导纳模型和走出实验室使用中央要求function-related使用辅助技术DMD患者的日常生活。

2材料和方法

2.1参与者

实验进行了十个健康成人男性和三个女性(7)20岁至33没有hand-related障碍,和一个25岁的男性成人与DMD无法使用手等简单的任务,例如,拿着一支笔(布鲁克6 6分(荣格et al ., 2012))。DMD个体持续经历早发性疲劳和广泛的手/手腕相关挛缩。特文特医学伦理委员会批准了研究设计,实验协议和程序,所有的参与者都充分了解研究通过一个字母,随后提供书面知情同意(协议号:NL59061.044.16)。每个参与者参加了一个会议,在那里他们与myocontrol提出target-reaching任务执行的方法。的健康参与者作为基准的相对可行性提出了个人与DMD方法。

2.2实验装置和信号采集

实验设置所示图1,离开了。在实验中,每个健康的参与者都坐在椅子上在电脑屏幕前,与他们的前臂放在软有小泡沫垫的手臂支撑在桌子上,在一个中立的立场。与此同时,DMD参与者同样的位置,而他的手臂落在手臂支持他的轮椅,使掌心向上位置由于挛缩不允许中间位置(图1(左)。六干,活跃双面肌电极(美国Trigno实验室,Delsys)被放置在每个参与者的主导前臂。

图1

图1。在左边,参与者与杜氏肌萎缩症控制一种虚拟光标在1和2自由度,歇息的时候他的手臂在他的轮椅上。无线肌电图双极电极可以看到在他的前臂。在右边,所有可能的目标的位置(红色)显示目标数,和光标(黄色)。目标1 - 4的5 - 8的二自由度1-DOF试验和目标。每个接受审判时成功的参与者保持目标2内的光标。试验用一个绿色的数字(1、2、6、8)是由DMD的个人。

首先,一个电极是放置在屈肌的肌腹腕ulnaris (FCU),和一个伸肌的肌腹腕ulnaris (ECU)。由于困难DMD患者独立激活肌肉群(发现在我们以前的工作(nizami et al ., 2020),也通过试点测试,这项研究的参与者),我们决定实现一个模式之间切换时自由度直流控制,灵感来自Wurth et al。(Wurth Hargrove, 2014)。FCU的co-contraction ECU是为了使用景深在二自由度之间切换直流健康的参与者。与此同时,其他四个电极放置在之间,等距,而对于DMD参与者,添加了一个额外的电极腓肠肌肌肉。这是用作触发切换期间自由度双自由度直流(蓝线图2),因为他不能co-contract前臂肌肉控制的方式,没有经历严重的疲劳。电极位置前,皮肤与酒精清洗,确保最优electrode-skin阻抗,而面肌电信号的信号是通过使用一个实时的计算机(xPC目标5.1,MathWorks公司,美国)。analogue-to-digital转换使用执行国家仪器卡(pci - 6229,国家仪器公司,美国)1 kHz的采样频率和一个16位分辨率。国家仪器USB-data-acquisition设备(6259年,美国国家仪器公司)是用来记录离线数据训练中的延时。控制器是一个实时的计算机上运行,并通过UDP / IP通信发送位置命令Windows电脑来控制屏幕上光标的位置。

图2

图2。图的控制方法实现,改编自Lobo-Prat et al。(Lobo-Prat et al ., 2017 a)。大胆的字体风格的符号表示向量和常规字体风格符号表示标量。上面的部分代表了生理系统(参与者),而较低的部分代表了实验系统。执行运动参与者第一次看到屏幕上的目标(P_{tarx y})。目标是由一个python脚本运行在主机电脑。这生成一个神经命令(C_{海军研究实验室})的中枢神经系统,导致肌肉活动在前臂肌肉面肌信号(E_森)测量。用户的意图从这些面肌电信号解码信号。在面肌电信号直接控制信号(E_sendc)是衡量从受体激动剂/拮抗剂肌肉对前臂(屈腕Ulnaris /伸腕Ulnaris)和休息表(E_res)减去获得志愿表(E_voldc)。信号归一化最大随意收缩(MVC)和控制信号生成的每一块肌肉(U_e,你_f)。自愿控制信号(U_voldc)是通过减去控制信号的屈肌与伸肌的肌肉(左手参与者相反)。co-contraction开关,用于替代景深。DMD参与者,腓肠肌的电极用于开关(蓝线)。在模式识别控制表信号(E_senpr)是衡量从六个电极放置在前臂(六角网格)。时域特性(FE)从面肌电信号测量信号中提取,这些特性被安然后使用分类器识别运动类(acl)。然后使用这个类来选择最后的控制信号(U_{volx, ypr})。该控制信号(U_volpr)是规范化的意思是信封的六个电极。在这两种控制方法估计自愿部队(F_{estx y})是作为一阶的输入导纳模型(H_adm),类似于一个质量减震器的动态系统。由此产生的光标的速度( $\dot{P}$ _{curx y})发送到一个积分器(P_{curx y}),然后到windows PC控制屏幕上的光标的位置。这个运动由参与者感觉本体感受和视觉反馈和用于生成新的神经命令达到新的目标位置(P_{tarx y})。

2.3实验协议

基于屏幕的target-reaching任务是受雇于本研究评估的性能在1 -两个myocontrol方法,和二自由度。实验包括两个部分的一个会话,一个为每个不同的myocontrol方法比较。直流和公关都加上一个导纳模型(见2.4节)。在每个部分的开始,每个参与者的最大随意收缩(MVC)被记录在等距收缩。MVC是收购了3 s的平均包络信号在一段时间内的收缩。之后,参与者被要求放松肌肉,研究者获得的平均处理面肌包络信号在过去3 s的休息。这是以后用来计算志愿表(见情商。1)。为每种类型的控制器,任务进行in1-DOF和二自由度图1,对吧)。1-DOF任务和双自由度的任务包括四个目标的位置。目标1 - 4,参与者将只在1-DOF为每个审判,而对于目标5 - 8他们不得不按顺序进入二自由度图1,对吧)。任务,参与者之间提供5到10分钟的休息时间,根据报道经历了肌肉疲劳。每个任务由八个目标10试验/目标。与此同时,每个目标出现的十倍,外观所示的顺序图1,对吧。

myocontrol评价方法的顺序是随机的参与者为了避免顺序效应的结果。每个试验开始于一个目标的出现在屏幕上,然后参与者被要求尽可能快地移动光标从最初到目标位置并保持2 s。光标返回到初始位置在试验完成,下一个试验将从2 s开始。参与者首先使熟悉自己与每个myocontrol方法开始前每个部分。对于每一个目标,前两个实验被丢弃,并不包括在分析学习。

DMD的个体,实验只进行了包括目标1、2、6、8(2为双自由度1-DOF和2,图1,对吧)。这是由需要遵守道德行为可行的标准而言,避免出现广泛的挛缩,导致疼痛。目标的子集被选为了捕捉运动的最大变化(1-DOF目标1和2需要相反的动作,双自由度目标6和8)。

2.4肌电的控制

执行运动之前,参与者有目标出现在屏幕上。然后生成一个神经命令在他们的神经系统,导致随后的激活他们的前臂肌肉(E_森)测量通过干电极表面双极表。原始表信号数字滤波与二阶巴特沃斯高通滤波器和一个20 Hz截止频率减少任何运动的文物。

信号的信封计算通过全波整流和随后的应用与2赫兹四阶巴特沃斯低通滤波器截止频率(兰兹et al ., 2012)。信封是MVC正常化。Normalised-filtered面肌电信号的信号被用于创建控制信号(U_{volx y})模式识别(PR)方法和直接控制(DC)方法,如图所示图2。

2.4.1直流法

两自由度x设在和y设在控制使用从一对拮抗肌(见表表1)。在这里,两个的六电极放置在前臂。的肌腹上的一名学生,和一个ECU的腹部肌肉。信封的面肌信号(E_envdc)计算的平均处理面肌包络信号期间休息(E_rest)减去从他们获得志愿表信号(E_voldc),除以MVC收购自愿控制信号(U_{e, f}弯曲和扩展),终于减去从对方获得的最终方向控制信号(Uvoldc),根据以下方程:

E_{v o l d c e, f} = E_{e n v d c e, f} - E_{r e 年代 t e, f} (1)

表1

表1。肢体运动映射在公关和直流myocontrol光标运动。

和

U_{e, f} = \frac{E_{v o l d c e, f}}{E_{米 v c d c e, f}} (2)

U_{v o l d c} = U_{e} - U_{f} (3)

最后,模式切换不同自由度之间是通过co-contraction FCU和ECU (co-contraction的阈值调整为每个主题在一个舒适的水平熟悉时间)。参与者的杜氏肌肉营养不良症(DMD),添加了一个额外的电极腓肠肌肌肉。这是作为一个触发器自由度(蓝线之间切换图2),因为他不能co-contract前臂肌肉控制的方式,没有出现疲劳。开关的使用决定最后自愿正常化控制信号(U_{volx, ydc})作为输入导纳模型。

2.4.2公关方法

模式识别人工神经网络(ANN) myocontrol方法实现使用MATLAB的神经网络工具箱(MathWorks Inc .,纳蒂克,MA)下列运动类:手打开和关闭;手腕弯曲和扩展;没有运动。每个运动类对应一个不同的光标(见自由度运动表1)。选择的方法在本研究中是一个多层感知器的方法是最流行的一种公关分类方法(Ortiz-Catalan et al ., 2013)因为它收益率高分类精度比其他常用的公关方法(Dellacasa Bellingegni et al ., 2017)- - -一个隐藏层神经元组成的十个。

培训的监督分类算法,面肌信号收集公关会话期间前五重复2 s舒适收缩为每个运动类。分类器训练使用五个常用的时域特性:均方根,意思是绝对值,零交叉,斜率变化和信号波形长度(哈金斯et al ., 1993)。特征提取使用一个窗口250 ms(这是一个可接受的范围内实时肌电的应用程序)(史密斯et al ., 2011)与125 ms的重叠。类似于直流信号处理方法计算所有六电极的信封(E_envpr)和静止面肌(E_res)减去计算志愿表(E_volpr)。所有六个电极的自愿面肌信封是第一个平均(E_volmpr)(Eq。4),然后正常的意思是信封的六个电极在MVC (Eq。5)来创建一个控制信号正比于整个肌肉活动:

E_{v o l 米 p r} = \frac{{\sum_{1}^{6} E}_{v o l d c}}{6} (4)

U_{v o l p r} = \frac{E_{v o l 米 p r}}{E_{米 v c 米 p r}} (5)

的输入导纳模型(U_{volx, ypr})是一个向量和五个元素(运动类)。一个元素等于U_volpr和其余等于零(这取决于运动类被分类器(解码_cls)。

myocontrol方法,参加者练习target-reaching任务实验前为了把握运动映射(表1)。安的情况,机器学习算法是培训,以防任何参与者不舒服的控制光标(响应能力低,误分类和疲劳)。每个参与者平均发生1 - 2次(没有健康的参与者和之间的差异是一个DMD指出)。

2.5导纳模型

myocontrol方法被用于结合一阶导纳模型(H_adm)(Eq。(6)),收到面肌估计控制信号U_{volx y}乘以转换增益为1 n (图2)为了获得估计力(F_{estx y}),作为一个一阶导纳模型的输入。输出光标速度(Ṗ_{curx y})。

H_{一个 d 米} = \frac{{\dot{P}}_{c u r x, y} (年代)}{F_{e 年代 t x, y} (年代)} = \frac{1}{一个 年代 + B} (6)

一个虚拟惯性相关参数,B是虚拟阻尼相关的参数,和s是拉普拉斯变换变量。健康的参与者,导纳模型的参数是固定的先天的基于试验和保持不变的他们(3.2节)。同时,DMD的参与者,参数精确调整。当我们最初要求DMD参与者执行相同的实验参数作为健康的参与者,这被证明是对他太疲劳。随后,我们调整了参数根据他通过试验和错误的反馈,为了实现一个可接受的妥协之间的控制和精确光标不会感到太累。

2.6数据分析

到达时间是用于分析达到性能的参与者(数据集,包括所有到达时间所有的参与者,可以在线(nizami et al ., 2022)。到达时间被定义为所需的时间达到目标,因为它出现在屏幕上,从那一刻开始目标出现。目标内部的2 s的沉淀时间,并不包括在到达时间。性能指标是所有健康的参与者平均每会话为每一个审判每一个目标。由于统计对比一个参与者与DMD和十个健康不会有效,我们进行了描述性统计(平均值和标准偏差),使用直方图和比较数据到达时间分布的所有试验(图3)健康和DMD。参与者。健康数据的所有10个参与者的平均结果所有试验(N = 32,每个自由度和控制方法,因为他们执行四个目标8次景深)。参与者与DMD N = 16(因为他一半的试验与健康对照组相比)。

图3

图3。所有参与者的直方图。1-DOF和双自由度任务分别进行了比较。(一)所有1-DOF到达时间的分布和二自由度任务的参与者与DMD。由于每个自由度包括两个目标,每个目标进行了8次,我们有16个事件/直方图。(B)到达时间的平均分配所有1-DOF和双自由度任务十个健康的参与者。由于每个自由度包括四个目标,每个目标进行了8次,我们有32事件/直方图。完整的竖线代表均值和标准差的破灭。

3的结果

3.1健康与模式

本节介绍的结果对比DMD参与者的到达时间和健康人群myocontrol方法和类型的任务。

见图3,DMD的参与者表现出类似的到达时间平均1-DOF和健康对照组的双自由度的任务。1-DOF任务的参与者与DMD实现平均到达时间为2.6±0.8岁(平均±标准差)直流控制和7.3±6 s公关,而健康的参与者的平均时间为相同的任务是2.8±1.2年代直流控制,公关和5.8±3 s (图3)。二自由度的任务同样可以观察到图3。DMD的参与者,达到平均到达时间为10.9±6.6直流控制和5.7±2.4年代公关。同样的任务,健康的参与者的平均时间为12.2±3.2 s直流控制,为公关和8±1.9年代。

当涉及到不同的控制方法,达到了在直流控制参与者与DMD是低于1-DOF任务的公关,而相反的是观察到的二自由度的任务。相同的模式是发现也当看健康的参与者达到时间数据,与他们的直流控制性能更好1-DOF任务和对二自由度的任务。

3.2导纳模型个性化

在我们的方法,我们有区别的导纳模型的参数为健康对照组和DMD的参与者。后者更舒适与虚拟惯性相关参数低于健康人群(= 6.6⋅10⁻⁴和= 5⋅10⁻⁴分别)。虚拟damping-related参数高的参与者与DMD (B = 6⋅10⁻⁴比健康人群(B) = 4⋅10⁻⁴)。

4讨论

在这个案例研究中,灵感来自于我们之前的工作在离线的可行性myocontrol DMD患者(nizami et al ., 2020首次),我们测试了两个非常常用myocontrol方法结合一个导纳模型和评估它们在十个健康的参与者和一个参与者使用虚拟与DMD target-reaching任务。尽管肌肉退化,DMD个人显示可比myocontrol性能与健康个体。此外,我们建议的导纳模型启用的设置适当的虚拟动态DMD参与者,促进myocontrol能力满足病人的需要。这表明一个个性化myocontrol方案能够成功解码的目的在DMD患者尽管底层肌肉组织变性。

DMD的参与者是可以控制屏幕上的光标用直流和公关成功的方法。然而,在直流模式切换,DMD的参与者使用一个开关放置在腓肠肌肌肉,因为控制开关通过他的前臂肌肉co-contraction很疲劳。一样的健康的参与者,DMD的个人表现出较低的到达时间在使用直流为双自由度1-DOF和公关。这个结果与截肢者之前已经观察到的类似的任务(江et al ., 2014;Wurth Hargrove, 2014;年轻的et al ., 2014)。而达到的DMD参与者1 -二自由度和类似的健康的参与者,这可能是由于这一事实前进行了简化版的实验协议用于健康人群,这允许类似的认知和生理需求。此外,不同开关模式可能考虑到参与者与DMD的优势,作为小说模式切换可以困难和困惑myocontrol用户(江et al ., 2014)。然而,结果表明,DMD参与者能够执行请求的任务和myocontrol方法都是舒适和成功使用。这是一个有前途的结果的进一步研究提出了myocontrol方法作为潜在的解码方法的手/手腕运动意图在DMD患者,自成功解码的意图将使他们能够控制活跃的外骨骼。另外,因为这个主题布鲁克的得分最高(6 6)我们认为尽管样本容量为1,我们的研究结果的可行性myocontrol可以普遍与DMD更多的人。

的使用导纳模型结合表可以为模式提供一个优势,因为它提供了一个额外层次的定制,没有在大多数传统肌电的控制方法。表1表明个人使用DMD需要不同级别的援助比健康的参与者。事实上,前者首选参数较低(与虚拟质量)和更高的参数B(相关虚拟阻尼)。这使他更让人疲倦地移动光标(降低虚拟质量),实现稳定myocontrol(高虚拟阻尼)。我们之前的研究中我们发现(nizami et al ., 2020),面肌的绝对振幅的DMD是远远低于这个健康的参与者,他们提出一个低数量的独立在前臂肌肉激活。因此,我们预计,在未来的研究中,与用户相关的两个参数的适应(虚拟质量和damping-related参数)为了让一些需要调整的水平与DMD每个主题的个人需求,可根据不同程度的疾病进展和康复措施。

的发现在以前的类似研究截肢者(江et al ., 2014;Wurth Hargrove, 2014),切换直流控制所需的自由度,似乎是不直观的健康的参与者,这是反映在更高的DC在双自由度任务到达时间。因此,直流的到达时间可能是有点低估了,鉴于公关允许参与者进行不间断的运动。出现的顺序在target-reaching任务目标自由度和myocontrol方法不是随机(他们总是出现在他们的数字顺序:双自由度1-DOF 1 - 4和5 - 8)。虽然这可能已经创建了一个学习效果在整个实验过程中,我们不认为这将成为一个大问题,因为目标的方向交替,一个接一个,结果,参与者必须执行不同的动作来达到目标。此外,这个设置应用于所有的条件测试,这意味着它都影响。

参与者与DMD整个测试持续经历了早期疲劳发作。然而,修改协议确保足够的试验中进行适当的变化中提取有用的见解的同时确保任何道德需求得到满足。Non-etheless,我们的研究是有限的,由于与DMD可用低数量的参与者,这使得很难招募多个参与者。因此,我们的结论必须谨慎对待视为更高数量的参与者将被要求确保他们适当的健壮。

未来的工作应包括评估的影响前臂取向手/手腕运动意图与DMD患者解码。尽管有其局限性,我们的研究表明,简单的解码1-DOF动作的手,直流展示了更好的性能比公关。这种可行性的直流控制的实时myocontrol 1-DOF手外骨骼也证明了我们之前的工作(Bos et al ., 2019)。根据先前的研究也变得清晰,表可能是最可行的方法控制辅助设备随着疾病进展(Lobo屁股,2016)。尽管损失肌肉力量,面肌保留在DMD甚至在疾病的晚期(Lobo-Prat et al ., 2017 b)。相比之下,双自由度任务而言,直流执行比公关。在未来的工作中,我们将实现这些myocontrol方法并验证其使用与一个活跃的外骨骼手多个自由度(Bos et al ., 2018;Bos et al ., 2019)。

数据可用性声明

在这项研究中提出的数据集可以在网上找到存储库。库的名称/存储库和加入号码可以找到(s)如下:https://data.mendeley.com/datasets/tn8zn77fh5。

道德声明

这些研究涉及人类受试者的医学伦理委员会审查和批准特文特。患者/参与者提供了他们的书面知情同意参与这项研究。书面知情同意了个人(s)的出版的任何潜在的可识别的图像或数据包含在本文中。

作者的贡献

KN和AA的主要审查文学和研究协议开发、数据采集和分析,创建数据,起草的手稿。NR参与数据采集、研究协议开发,关键的修订手稿。BK是积极参与的写作过程和取得了实质性的修订手稿。女士负责数据分析的完整的写作过程和设计过程。所有作者阅读和批准最终的手稿。

资金

这项工作是支持的部分研究项目,Symbionics,与项目编号为13525,这是由荷兰科学研究组织(NWO),杜乡父项目,Hankamp康复,Spieren voor Spieren, TMSi,费斯托和连接部分医疗。这项工作还收到了来自欧盟的欧洲研究委员会(ERC)开始格兰特(803035号)进行交互。

确认

作者要感谢杜乡父项目的支持与参与者的招聘模式,以及参与者与DMD参与这项研究。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用

巴特尔斯B。,P一个ngalila, R. F., Bergen, M. P., Cobben, N. A. M., Stam, H. J., and Roebroeck, M. E. (2011). Upper limb function in adults with Duchenne muscular dystrophy.j . Rehabil。地中海。43 (9),770 - 775。doi: 10.2340 / 16501977 - 0841