这项研究的目的是使用嵌入人类肌肉中的神经信息开发用于外骨骼的实时控制器。该控制器将由一个在线界面组成,该界面预测基于高密度肌电图(HD-EMG)录音的人类运动,然后将其转化为功能辅助。这项研究将在健康参与者和中风后都进行。
研究人员将在当前现有的外骨骼中开发在线算法(解码器),该算法可以从HD-EMG录音中提取数百个运动单元(MU)尖峰活动。 MU尖峰活动是通过其发生的时间安排的动作电位列车,它可以访问人类运动神经准则的代表部分。研究人员还将开发一个命令编码器,可以预期从MU Spiking活动中的人类意图(多关节位置和力命令),以将神经信息转化为运动。研究人员将将解码器与命令编码器集成在一起,以展示多个关节下LIMB外骨骼的实时控制。
病情或疾病 | 干预/治疗 | 阶段 |
---|---|---|
中风 | 其他:等距收缩的其他:同动收缩设备:动态收缩设备:肌肉疲劳设备的等距收缩:佩戴外骨骼时多关节功能活动 | 不适用 |
研究人员将记录健康参与者的肌肉活动和中风后从八个下肢肌肉(Soleus,Soleus,Gastrocnemius,tibialis,tibialis前,股骨直肌,股骨,股外侧和ham绳肌)(在功能上) ,蹲,骑自行车)。这些测量将为神经解码器的下肢运动和运动提供生理数据集。然后,研究人员将采用在线深度学习方法中,将八个肌肉的MU尖峰活动分解,并开发一个实时的神经解码器。这将提供在自然下肢行为中同时活跃的数百个MUS的实时分解。研究人员将通过将我们的结果与黄金标准(盲源分离方法)进行比较来验证这种方法。盲源分离算法可以分离或分解HD-EMG信号,即MU动作电位的复杂混合物,即单个MUS发射其动作电位的时代。借助分解的MU尖峰数据,研究人员将开发方法来翻译MU尖峰活动的位置,力量和混合命令的外骨骼,这些外骨骼将成为当前现有的研究外骨骼中实施的命令编码器,这些骨骼可以预期人类的意图(多连接位置和多连接位置和多连接位置和力命令)估计任务所需的援助水平(例如,在立场阶段添加膝盖扭矩)。
研究人员将将MU尖峰活性解码器与子空间投影方法结合在一起,使个人与当前现有的研究下肢外骨骼之间的神经实时界面相结合,以增加运动。这将成为一个综合的高分辨率人机接口,可用于实时控制外骨骼,以便以高于肌肉的机电延迟(即神经命令和肌肉之间的时间)的速度传递命令。力产生运动。
对于实验A,研究人员将招募健康的志愿者(n = 10)和中风后(n = 10),以及完整的单关节运动和运动任务,以通过HD-EMG收集肌肉活动数据。
对于实验B,研究人员将展示我们的方法募集和接口健康志愿者(n = 10)和辅助外骨骼后冲程(n = 10)的概括。受试者将执行单关节和运动任务来校准解码器,然后使用解码器重复单关节和运动任务,从而提供实时帮助。中风后的参与者最多将重复10个会话,以评估解码器提取运动单元的能力的稳定性。
研究类型 : | 介入(临床试验) |
估计入学人数 : | 40名参与者 |
分配: | 非随机化 |
干预模型: | 并行分配 |
干预模型描述: | 这项研究的目的是使用嵌入人类肌肉中的神经信息开发用于外骨骼的实时控制器。该控制器将由一个在线界面组成,该界面预测基于高密度肌电图(HD-EMG)录音的人类运动,然后将其转化为功能辅助。这项研究将在健康参与者和中风后都进行。 |
掩蔽: | 无(开放标签) |
主要意图: | 基础科学 |
官方标题: | 外骨骼的实时神经肌肉控制 |
实际学习开始日期 : | 2021年5月5日 |
估计初级完成日期 : | 2025年12月 |
估计 学习完成日期 : | 2025年12月 |
手臂 | 干预/治疗 |
---|---|
实验:健康参与者 调查人员将在功能任务期间研究来自八个下肢肌肉的健康参与者的肌肉活动(例如,单关节运动,步行,蹲下,骑自行车)。 | 其他:等距收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。等距收缩将根据受试者的最大自愿收缩(即25%,60%,70%,80%,90%)的最大自愿收缩来施加关节扭矩以达到预定义的扭矩水平。参与者将通过响应屏幕上显示的生物反馈来控制扭矩强度。该关节将用不合规的频带确保,以防止参与者的任何运动。测试的关节(即,主踝,膝盖或髋关节)的接收顺序将被随机化。 其他:同动收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。等距收缩将包括以各种速度(即每秒10度,每秒10度,每秒30度,每秒60度)以各种速度完成一组收缩(10-20收缩)。该关节将用不合规的频带确保,以防止参与者的任何运动。测试的关节(即,主踝,膝盖或髋关节)的接收顺序将被随机化。 设备:动态收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。多关节任务(即步行,蹲,骑自行车)将以给定的频率执行。运动捕获系统将用于同时记录关节角和地面反应力。 设备:肌肉疲劳的等距收缩 通过反复维持40%的肌肉扭矩,直到无法维持5秒钟的收缩,将进行相同的实验,并在“等距收缩”中所述,加入诱导的肌肉疲劳。 设备:佩戴外骨骼时多关节功能活动 参与者将被测量并与双侧外骨骼一起进行测量,并将确认有足够的运动外骨骼运动范围。 HD-EMG网格将应用于感兴趣的下肢肌肉。参与者将执行单关节运动以校准解码器参数。然后,参与者将在运动分析实验室中进行多关节活动(例如,站立,蹲下,在地面或跑步机上行走,骑自行车或爬楼梯)。 |
实验:临床参与者 调查人员将在功能任务期间从八个下肢肌肉中扫荡的参与者的肌肉活动(例如,单关节运动,步行,蹲下,骑自行车)。 | 其他:等距收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。等距收缩将根据受试者的最大自愿收缩(即25%,60%,70%,80%,90%)的最大自愿收缩来施加关节扭矩以达到预定义的扭矩水平。参与者将通过响应屏幕上显示的生物反馈来控制扭矩强度。该关节将用不合规的频带确保,以防止参与者的任何运动。测试的关节(即,主踝,膝盖或髋关节)的接收顺序将被随机化。 其他:同动收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。等距收缩将包括以各种速度(即每秒10度,每秒10度,每秒30度,每秒60度)以各种速度完成一组收缩(10-20收缩)。该关节将用不合规的频带确保,以防止参与者的任何运动。测试的关节(即,主踝,膝盖或髋关节)的接收顺序将被随机化。 设备:动态收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。多关节任务(即步行,蹲,骑自行车)将以给定的频率执行。运动捕获系统将用于同时记录关节角和地面反应力。 设备:佩戴外骨骼时多关节功能活动 参与者将被测量并与双侧外骨骼一起进行测量,并将确认有足够的运动外骨骼运动范围。 HD-EMG网格将应用于感兴趣的下肢肌肉。参与者将执行单关节运动以校准解码器参数。然后,参与者将在运动分析实验室中进行多关节活动(例如,站立,蹲下,在地面或跑步机上行走,骑自行车或爬楼梯)。 |
符合研究资格的年龄: | 18年至80年(成人,老年人) |
有资格学习的男女: | 全部 |
接受健康的志愿者: | 是的 |
健康参与者的纳入标准:
中风后参与者的纳入标准:
健康参与者的排除标准:
中风后参与者的排除标准:
联系人:Jose L Pons,博士 | 312-238-4549 | jpons@sralab.org | |
联系人:Grace Hoo,BS | 312-238-4548 | ghoo@sralab.org |
美国,伊利诺伊州 | |
雪莉·瑞安(Shirley Ryan)的能力 | 招募 |
芝加哥,伊利诺伊州,美国60611 | |
联系人:Jose Pons,博士学位312-238-4549 jpons@sralab.org | |
联系人:Grace Hoo,BS 312-238-4548 ghoo@sralab.org | |
首席研究员:何塞·庞斯(Jose Pons),博士 |
首席研究员: | Jose L Pons,博士 | 雪莉·瑞安(Shirley Ryan)的能力 |
追踪信息 | |||||||||
---|---|---|---|---|---|---|---|---|---|
首先提交的日期ICMJE | 2020年11月10日 | ||||||||
第一个发布日期ICMJE | 2020年12月10日 | ||||||||
最后更新发布日期 | 2021年5月26日 | ||||||||
实际学习开始日期ICMJE | 2021年5月5日 | ||||||||
估计初级完成日期 | 2025年12月(主要结果度量的最终数据收集日期) | ||||||||
当前的主要结果度量ICMJE |
| ||||||||
原始主要结果措施ICMJE | 与电流相同 | ||||||||
改变历史 | |||||||||
当前的次要结果度量ICMJE | 不提供 | ||||||||
原始次要结果措施ICMJE | 不提供 | ||||||||
当前其他预先指定的结果指标 | 不提供 | ||||||||
其他其他预先指定的结果指标 | 不提供 | ||||||||
描述性信息 | |||||||||
简短的标题ICMJE | 外骨骼的实时神经肌肉控制 | ||||||||
官方标题ICMJE | 外骨骼的实时神经肌肉控制 | ||||||||
简要摘要 | 这项研究的目的是使用嵌入人类肌肉中的神经信息开发用于外骨骼的实时控制器。该控制器将由一个在线界面组成,该界面预测基于高密度肌电图(HD-EMG)录音的人类运动,然后将其转化为功能辅助。这项研究将在健康参与者和中风后都进行。 研究人员将在当前现有的外骨骼中开发在线算法(解码器),该算法可以从HD-EMG录音中提取数百个运动单元(MU)尖峰活动。 MU尖峰活动是通过其发生的时间安排的动作电位列车,它可以访问人类运动神经准则的代表部分。研究人员还将开发一个命令编码器,可以预期从MU Spiking活动中的人类意图(多关节位置和力命令),以将神经信息转化为运动。研究人员将将解码器与命令编码器集成在一起,以展示多个关节下LIMB外骨骼的实时控制。 | ||||||||
详细说明 | 研究人员将记录健康参与者的肌肉活动和中风后从八个下肢肌肉(Soleus,Soleus,Gastrocnemius,tibialis,tibialis前,股骨直肌,股骨,股外侧和ham绳肌)(在功能上) ,蹲,骑自行车)。这些测量将为神经解码器的下肢运动和运动提供生理数据集。然后,研究人员将采用在线深度学习方法中,将八个肌肉的MU尖峰活动分解,并开发一个实时的神经解码器。这将提供在自然下肢行为中同时活跃的数百个MUS的实时分解。研究人员将通过将我们的结果与黄金标准(盲源分离方法)进行比较来验证这种方法。盲源分离算法可以分离或分解HD-EMG信号,即MU动作电位的复杂混合物,即单个MUS发射其动作电位的时代。借助分解的MU尖峰数据,研究人员将开发方法来翻译MU尖峰活动的位置,力量和混合命令的外骨骼,这些外骨骼将成为当前现有的研究外骨骼中实施的命令编码器,这些骨骼可以预期人类的意图(多连接位置和多连接位置和多连接位置和力命令)估计任务所需的援助水平(例如,在立场阶段添加膝盖扭矩)。 研究人员将将MU尖峰活性解码器与子空间投影方法结合在一起,使个人与当前现有的研究下肢外骨骼之间的神经实时界面相结合,以增加运动。这将成为一个综合的高分辨率人机接口,可用于实时控制外骨骼,以便以高于肌肉的机电延迟(即神经命令和肌肉之间的时间)的速度传递命令。力产生运动。 对于实验A,研究人员将招募健康的志愿者(n = 10)和中风后(n = 10),以及完整的单关节运动和运动任务,以通过HD-EMG收集肌肉活动数据。 对于实验B,研究人员将展示我们的方法募集和接口健康志愿者(n = 10)和辅助外骨骼后冲程(n = 10)的概括。受试者将执行单关节和运动任务来校准解码器,然后使用解码器重复单关节和运动任务,从而提供实时帮助。中风后的参与者最多将重复10个会话,以评估解码器提取运动单元的能力的稳定性。 | ||||||||
研究类型ICMJE | 介入 | ||||||||
研究阶段ICMJE | 不适用 | ||||||||
研究设计ICMJE | 分配:非随机化 干预模型:平行分配 干预模型描述: 这项研究的目的是使用嵌入人类肌肉中的神经信息开发用于外骨骼的实时控制器。该控制器将由一个在线界面组成,该界面预测基于高密度肌电图(HD-EMG)录音的人类运动,然后将其转化为功能辅助。这项研究将在健康参与者和中风后都进行。 蒙版:无(打开标签)主要目的:基础科学 | ||||||||
条件ICMJE | 中风 | ||||||||
干预ICMJE |
| ||||||||
研究臂ICMJE |
| ||||||||
出版物 * | 不提供 | ||||||||
*包括数据提供商提供的出版物以及MEDLINE中临床标识符(NCT编号)确定的出版物。 | |||||||||
招聘信息 | |||||||||
招聘状态ICMJE | 招募 | ||||||||
估计注册ICMJE | 40 | ||||||||
原始估计注册ICMJE | 与电流相同 | ||||||||
估计的研究完成日期ICMJE | 2025年12月 | ||||||||
估计初级完成日期 | 2025年12月(主要结果度量的最终数据收集日期) | ||||||||
资格标准ICMJE | 健康参与者的纳入标准:
中风后参与者的纳入标准:
健康参与者的排除标准:
中风后参与者的排除标准: | ||||||||
性别/性别ICMJE |
| ||||||||
年龄ICMJE | 18年至80年(成人,老年人) | ||||||||
接受健康的志愿者ICMJE | 是的 | ||||||||
联系ICMJE |
| ||||||||
列出的位置国家ICMJE | 美国 | ||||||||
删除了位置国家 | |||||||||
管理信息 | |||||||||
NCT编号ICMJE | NCT04661891 | ||||||||
其他研究ID编号ICMJE | Stu00212191 | ||||||||
有数据监测委员会 | 不 | ||||||||
美国FDA调节的产品 |
| ||||||||
IPD共享语句ICMJE |
| ||||||||
责任方 | 何塞·庞斯(Jose Pons),雪莉·瑞安(Shirley Ryan) | ||||||||
研究赞助商ICMJE | 雪莉·瑞安(Shirley Ryan)的能力 | ||||||||
合作者ICMJE | 不提供 | ||||||||
研究人员ICMJE |
| ||||||||
PRS帐户 | 雪莉·瑞安(Shirley Ryan)的能力 | ||||||||
验证日期 | 2021年5月 | ||||||||
国际医学杂志编辑委员会和世界卫生组织ICTRP要求的ICMJE数据要素 |
这项研究的目的是使用嵌入人类肌肉中的神经信息开发用于外骨骼的实时控制器。该控制器将由一个在线界面组成,该界面预测基于高密度肌电图(HD-EMG)录音的人类运动,然后将其转化为功能辅助。这项研究将在健康参与者和中风后都进行。
研究人员将在当前现有的外骨骼中开发在线算法(解码器),该算法可以从HD-EMG录音中提取数百个运动单元(MU)尖峰活动。 MU尖峰活动是通过其发生的时间安排的动作电位列车,它可以访问人类运动神经准则的代表部分。研究人员还将开发一个命令编码器,可以预期从MU Spiking活动中的人类意图(多关节位置和力命令),以将神经信息转化为运动。研究人员将将解码器与命令编码器集成在一起,以展示多个关节下LIMB外骨骼的实时控制。
病情或疾病 | 干预/治疗 | 阶段 |
---|---|---|
中风 | 其他:等距收缩的其他:同动收缩设备:动态收缩设备:肌肉疲劳设备的等距收缩:佩戴外骨骼时多关节功能活动 | 不适用 |
研究人员将记录健康参与者的肌肉活动和中风后从八个下肢肌肉(Soleus,Soleus,Gastrocnemius,tibialis,tibialis前,股骨直肌,股骨,股外侧和ham绳肌)(在功能上) ,蹲,骑自行车)。这些测量将为神经解码器的下肢运动和运动提供生理数据集。然后,研究人员将采用在线深度学习方法中,将八个肌肉的MU尖峰活动分解,并开发一个实时的神经解码器。这将提供在自然下肢行为中同时活跃的数百个MUS的实时分解。研究人员将通过将我们的结果与黄金标准(盲源分离方法)进行比较来验证这种方法。盲源分离算法可以分离或分解HD-EMG信号,即MU动作电位的复杂混合物,即单个MUS发射其动作电位的时代。借助分解的MU尖峰数据,研究人员将开发方法来翻译MU尖峰活动的位置,力量和混合命令的外骨骼,这些外骨骼将成为当前现有的研究外骨骼中实施的命令编码器,这些骨骼可以预期人类的意图(多连接位置和多连接位置和多连接位置和力命令)估计任务所需的援助水平(例如,在立场阶段添加膝盖扭矩)。
研究人员将将MU尖峰活性解码器与子空间投影方法结合在一起,使个人与当前现有的研究下肢外骨骼之间的神经实时界面相结合,以增加运动。这将成为一个综合的高分辨率人机接口,可用于实时控制外骨骼,以便以高于肌肉的机电延迟(即神经命令和肌肉之间的时间)的速度传递命令。力产生运动。
对于实验A,研究人员将招募健康的志愿者(n = 10)和中风后(n = 10),以及完整的单关节运动和运动任务,以通过HD-EMG收集肌肉活动数据。
对于实验B,研究人员将展示我们的方法募集和接口健康志愿者(n = 10)和辅助外骨骼后冲程(n = 10)的概括。受试者将执行单关节和运动任务来校准解码器,然后使用解码器重复单关节和运动任务,从而提供实时帮助。中风后的参与者最多将重复10个会话,以评估解码器提取运动单元的能力的稳定性。
研究类型 : | 介入(临床试验) |
估计入学人数 : | 40名参与者 |
分配: | 非随机化 |
干预模型: | 并行分配 |
干预模型描述: | 这项研究的目的是使用嵌入人类肌肉中的神经信息开发用于外骨骼的实时控制器。该控制器将由一个在线界面组成,该界面预测基于高密度肌电图(HD-EMG)录音的人类运动,然后将其转化为功能辅助。这项研究将在健康参与者和中风后都进行。 |
掩蔽: | 无(开放标签) |
主要意图: | 基础科学 |
官方标题: | 外骨骼的实时神经肌肉控制 |
实际学习开始日期 : | 2021年5月5日 |
估计初级完成日期 : | 2025年12月 |
估计 学习完成日期 : | 2025年12月 |
手臂 | 干预/治疗 |
---|---|
实验:健康参与者 调查人员将在功能任务期间研究来自八个下肢肌肉的健康参与者的肌肉活动(例如,单关节运动,步行,蹲下,骑自行车)。 | 其他:等距收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。等距收缩将根据受试者的最大自愿收缩(即25%,60%,70%,80%,90%)的最大自愿收缩来施加关节扭矩以达到预定义的扭矩水平。参与者将通过响应屏幕上显示的生物反馈来控制扭矩强度。该关节将用不合规的频带确保,以防止参与者的任何运动。测试的关节(即,主踝,膝盖或髋关节)的接收顺序将被随机化。 其他:同动收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。等距收缩将包括以各种速度(即每秒10度,每秒10度,每秒30度,每秒60度)以各种速度完成一组收缩(10-20收缩)。该关节将用不合规的频带确保,以防止参与者的任何运动。测试的关节(即,主踝,膝盖或髋关节)的接收顺序将被随机化。 设备:动态收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。多关节任务(即步行,蹲,骑自行车)将以给定的频率执行。运动捕获系统将用于同时记录关节角和地面反应力。 设备:肌肉疲劳的等距收缩 通过反复维持40%的肌肉扭矩,直到无法维持5秒钟的收缩,将进行相同的实验,并在“等距收缩”中所述,加入诱导的肌肉疲劳。 设备:佩戴外骨骼时多关节功能活动 参与者将被测量并与双侧外骨骼一起进行测量,并将确认有足够的运动外骨骼运动范围。 HD-EMG网格将应用于感兴趣的下肢肌肉。参与者将执行单关节运动以校准解码器参数。然后,参与者将在运动分析实验室中进行多关节活动(例如,站立,蹲下,在地面或跑步机上行走,骑自行车或爬楼梯)。 |
实验:临床参与者 调查人员将在功能任务期间从八个下肢肌肉中扫荡的参与者的肌肉活动(例如,单关节运动,步行,蹲下,骑自行车)。 | 其他:等距收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。等距收缩将根据受试者的最大自愿收缩(即25%,60%,70%,80%,90%)的最大自愿收缩来施加关节扭矩以达到预定义的扭矩水平。参与者将通过响应屏幕上显示的生物反馈来控制扭矩强度。该关节将用不合规的频带确保,以防止参与者的任何运动。测试的关节(即,主踝,膝盖或髋关节)的接收顺序将被随机化。 其他:同动收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。等距收缩将包括以各种速度(即每秒10度,每秒10度,每秒30度,每秒60度)以各种速度完成一组收缩(10-20收缩)。该关节将用不合规的频带确保,以防止参与者的任何运动。测试的关节(即,主踝,膝盖或髋关节)的接收顺序将被随机化。 设备:动态收缩 HD-EMG网格将应用于感兴趣的下肢肌肉。多关节任务(即步行,蹲,骑自行车)将以给定的频率执行。运动捕获系统将用于同时记录关节角和地面反应力。 设备:佩戴外骨骼时多关节功能活动 参与者将被测量并与双侧外骨骼一起进行测量,并将确认有足够的运动外骨骼运动范围。 HD-EMG网格将应用于感兴趣的下肢肌肉。参与者将执行单关节运动以校准解码器参数。然后,参与者将在运动分析实验室中进行多关节活动(例如,站立,蹲下,在地面或跑步机上行走,骑自行车或爬楼梯)。 |
符合研究资格的年龄: | 18年至80年(成人,老年人) |
有资格学习的男女: | 全部 |
接受健康的志愿者: | 是的 |
健康参与者的纳入标准:
中风后参与者的纳入标准:
健康参与者的排除标准:
中风后参与者的排除标准:
追踪信息 | |||||||||
---|---|---|---|---|---|---|---|---|---|
首先提交的日期ICMJE | 2020年11月10日 | ||||||||
第一个发布日期ICMJE | 2020年12月10日 | ||||||||
最后更新发布日期 | 2021年5月26日 | ||||||||
实际学习开始日期ICMJE | 2021年5月5日 | ||||||||
估计初级完成日期 | 2025年12月(主要结果度量的最终数据收集日期) | ||||||||
当前的主要结果度量ICMJE |
| ||||||||
原始主要结果措施ICMJE | 与电流相同 | ||||||||
改变历史 | |||||||||
当前的次要结果度量ICMJE | 不提供 | ||||||||
原始次要结果措施ICMJE | 不提供 | ||||||||
当前其他预先指定的结果指标 | 不提供 | ||||||||
其他其他预先指定的结果指标 | 不提供 | ||||||||
描述性信息 | |||||||||
简短的标题ICMJE | 外骨骼的实时神经肌肉控制 | ||||||||
官方标题ICMJE | 外骨骼的实时神经肌肉控制 | ||||||||
简要摘要 | 这项研究的目的是使用嵌入人类肌肉中的神经信息开发用于外骨骼的实时控制器。该控制器将由一个在线界面组成,该界面预测基于高密度肌电图(HD-EMG)录音的人类运动,然后将其转化为功能辅助。这项研究将在健康参与者和中风后都进行。 研究人员将在当前现有的外骨骼中开发在线算法(解码器),该算法可以从HD-EMG录音中提取数百个运动单元(MU)尖峰活动。 MU尖峰活动是通过其发生的时间安排的动作电位列车,它可以访问人类运动神经准则的代表部分。研究人员还将开发一个命令编码器,可以预期从MU Spiking活动中的人类意图(多关节位置和力命令),以将神经信息转化为运动。研究人员将将解码器与命令编码器集成在一起,以展示多个关节下LIMB外骨骼的实时控制。 | ||||||||
详细说明 | 研究人员将记录健康参与者的肌肉活动和中风后从八个下肢肌肉(Soleus,Soleus,Gastrocnemius,tibialis,tibialis前,股骨直肌,股骨,股外侧和ham绳肌)(在功能上) ,蹲,骑自行车)。这些测量将为神经解码器的下肢运动和运动提供生理数据集。然后,研究人员将采用在线深度学习方法中,将八个肌肉的MU尖峰活动分解,并开发一个实时的神经解码器。这将提供在自然下肢行为中同时活跃的数百个MUS的实时分解。研究人员将通过将我们的结果与黄金标准(盲源分离方法)进行比较来验证这种方法。盲源分离算法可以分离或分解HD-EMG信号,即MU动作电位的复杂混合物,即单个MUS发射其动作电位的时代。借助分解的MU尖峰数据,研究人员将开发方法来翻译MU尖峰活动的位置,力量和混合命令的外骨骼,这些外骨骼将成为当前现有的研究外骨骼中实施的命令编码器,这些骨骼可以预期人类的意图(多连接位置和多连接位置和多连接位置和力命令)估计任务所需的援助水平(例如,在立场阶段添加膝盖扭矩)。 研究人员将将MU尖峰活性解码器与子空间投影方法结合在一起,使个人与当前现有的研究下肢外骨骼之间的神经实时界面相结合,以增加运动。这将成为一个综合的高分辨率人机接口,可用于实时控制外骨骼,以便以高于肌肉的机电延迟(即神经命令和肌肉之间的时间)的速度传递命令。力产生运动。 对于实验A,研究人员将招募健康的志愿者(n = 10)和中风后(n = 10),以及完整的单关节运动和运动任务,以通过HD-EMG收集肌肉活动数据。 对于实验B,研究人员将展示我们的方法募集和接口健康志愿者(n = 10)和辅助外骨骼后冲程(n = 10)的概括。受试者将执行单关节和运动任务来校准解码器,然后使用解码器重复单关节和运动任务,从而提供实时帮助。中风后的参与者最多将重复10个会话,以评估解码器提取运动单元的能力的稳定性。 | ||||||||
研究类型ICMJE | 介入 | ||||||||
研究阶段ICMJE | 不适用 | ||||||||
研究设计ICMJE | 分配:非随机化 干预模型:平行分配 干预模型描述: 这项研究的目的是使用嵌入人类肌肉中的神经信息开发用于外骨骼的实时控制器。该控制器将由一个在线界面组成,该界面预测基于高密度肌电图(HD-EMG)录音的人类运动,然后将其转化为功能辅助。这项研究将在健康参与者和中风后都进行。 蒙版:无(打开标签)主要目的:基础科学 | ||||||||
条件ICMJE | 中风 | ||||||||
干预ICMJE |
| ||||||||
研究臂ICMJE |
| ||||||||
出版物 * | 不提供 | ||||||||
*包括数据提供商提供的出版物以及MEDLINE中临床标识符(NCT编号)确定的出版物。 | |||||||||
招聘信息 | |||||||||
招聘状态ICMJE | 招募 | ||||||||
估计注册ICMJE | 40 | ||||||||
原始估计注册ICMJE | 与电流相同 | ||||||||
估计的研究完成日期ICMJE | 2025年12月 | ||||||||
估计初级完成日期 | 2025年12月(主要结果度量的最终数据收集日期) | ||||||||
资格标准ICMJE | 健康参与者的纳入标准:
中风后参与者的纳入标准:
健康参与者的排除标准:
中风后参与者的排除标准: | ||||||||
性别/性别ICMJE |
| ||||||||
年龄ICMJE | 18年至80年(成人,老年人) | ||||||||
接受健康的志愿者ICMJE | 是的 | ||||||||
联系ICMJE |
| ||||||||
列出的位置国家ICMJE | 美国 | ||||||||
删除了位置国家 | |||||||||
管理信息 | |||||||||
NCT编号ICMJE | NCT04661891 | ||||||||
其他研究ID编号ICMJE | Stu00212191 | ||||||||
有数据监测委员会 | 不 | ||||||||
美国FDA调节的产品 |
| ||||||||
IPD共享语句ICMJE |
| ||||||||
责任方 | 何塞·庞斯(Jose Pons),雪莉·瑞安(Shirley Ryan) | ||||||||
研究赞助商ICMJE | 雪莉·瑞安(Shirley Ryan)的能力 | ||||||||
合作者ICMJE | 不提供 | ||||||||
研究人员ICMJE |
| ||||||||
PRS帐户 | 雪莉·瑞安(Shirley Ryan)的能力 | ||||||||
验证日期 | 2021年5月 | ||||||||
国际医学杂志编辑委员会和世界卫生组织ICTRP要求的ICMJE数据要素 |