Die gemeinsame haptische Steuerung verbessert die neuronale Effizienz bei der Verwendung myoelektrischer Prothesen

Apr 30, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 484 (2023) Diesen Artikel zitieren

1178 Zugriffe

4 Altmetrisch

Details zu den Metriken

Klinischen myoelektrischen Prothesen fehlt das sensorische Feedback und die ausreichende Fingerfertigkeit, die erforderlich sind, um Aktivitäten des täglichen Lebens effizient und genau auszuführen. Es hat sich gezeigt, dass die Bereitstellung einer haptischen Rückmeldung relevanter Umweltreize an den Benutzer oder die Ausstattung der Prothese mit autonomer Kontrollbefugnis den Nutzen der Prothese verbessern. Allerdings haben nur wenige Studien die Wirkung der Kombination dieser beiden Ansätze in einem gemeinsamen Kontrollparadigma untersucht, und keine hat einen solchen Ansatz aus der Perspektive der neuronalen Effizienz (der Beziehung zwischen Aufgabenleistung und geistiger Anstrengung, die direkt vom Gehirn gemessen wird) bewertet. In dieser Arbeit analysierten wir die neuronale Effizienz von 30 nicht amputierten Teilnehmern bei einer Greif- und Hebeaufgabe eines spröden Objekts. Hier wurde eine myoelektrische Prothese mit vibrotaktiler Rückmeldung der Griffkraft und autonomer Kontrolle des Greifens mit einer standardmäßigen myoelektrischen Prothese mit und ohne vibrotaktile Rückmeldung verglichen. Als Maß für die geistige Anstrengung erfassten wir während des Experiments die Aktivitätsänderungen des präfrontalen Kortex mithilfe funktioneller Nahinfrarotspektroskopie. Es wurde erwartet, dass die Prothese mit haptischer gemeinsamer Steuerung sowohl die Aufgabenleistung als auch die mentale Anstrengung im Vergleich zur Standardprothese verbessern würde. Die Ergebnisse zeigten, dass nur das haptische gemeinsame Kontrollsystem den Benutzern eine hohe neuronale Effizienz ermöglichte und dass vibrotaktiles Feedback für das Greifen mit der richtigen Griffkraft wichtig war. Diese Ergebnisse deuten darauf hin, dass das haptische gemeinsame Steuerungssystem die Vorteile von haptischem Feedback und autonomen Steuerungen synergetisch kombiniert und gut geeignet ist, solche hybriden Fortschritte in der myoelektrischen Prothesentechnologie voranzutreiben.

Bei der willentlichen Objektmanipulation werden haptische Empfindungen (propriozeptive, kinästhetische und taktile) des biologischen Gliedes genutzt, um Griffkorrekturen vorzunehmen und interne Feedforward-Modelle des Objekts und der Umgebung zu aktualisieren1. Diese Modellverfeinerung trägt dazu bei, die Geschwindigkeit und Geschicklichkeit nachfolgender Manipulationen zu verbessern, sodass eine zunächst zögerliche Interaktion mit einem unbekannten oder fragilen Objekt mit mehr Erfahrung reibungsloser und effizienter wird2,3. Sensorische Informationen sind besonders wichtig, um die Griffkräfte auf den Umgang mit zerbrechlichen oder spröden Gegenständen abzustimmen. Die Greifkraft muss groß genug sein, um Trägheit und Schwerkraft entgegenzuwirken, aber nicht groß genug, um das Objekt zu zerdrücken4. Dieses haptische Wissen geht bei typischen Prothesen der oberen Gliedmaßen verloren, da sie kein sensorisches Feedback liefern.

In den letzten Jahrzehnten haben Forscher versucht, das haptische Feedback in Prothesen der oberen Gliedmaßen wiederherzustellen (siehe Übersichtsartikel von Stephens-Fripp et al. aus dem Jahr 20185). Insbesondere wurden erhebliche Anstrengungen unternommen, um mechanotaktile Stimulationen auf der Haut zu nutzen, um Prothesenträgern Hinweise wie Griffkraft, Grifföffnung und Objektrutschen zu geben6,7,8. Frühere Untersuchungen haben die Vorteile von haptischem Feedback bei der Verbesserung der diskriminierenden und geschickten Aufgabenausführung mit einer myoelektrischen Prothese gezeigt9,10,11,12. Insbesondere bleibt vibrotaktiles Feedback aufgrund seiner kompakten Größe und seines geringen Stromverbrauchs eine einfache, aber dennoch effektive Methode für haptisches Feedback in Prothesen13,14,15,16,17,18.

Trotz der nachgewiesenen Vorteile des haptischen Feedbacks für Prothesen der oberen Gliedmaßen, insbesondere für die Modulation der Griffkraft10,11,19, bleibt die konsistente Steuerung selbst standardmäßiger myoelektrischer Hände eine Herausforderung. Im einfachsten myoelektrischen Schema, der direkten Steuerung, wird die Menge der elektrischen Aktivität eines Agonisten-Antagonisten-Muskelpaars verwendet, um ein Endgerät einer Prothese mit einem einzelnen Freiheitsgrad zu steuern. Die inhärente Verzögerung zwischen der Interpretation des haptischen Feedbacks durch den Benutzer und dem anschließenden myoelektrischen Befehl könnte dazu führen, dass die Willensbewegung zu langsam20 und kognitiv anspruchsvoll ist21,22.

Um die kognitive Belastung des Benutzers zu verringern und gleichzeitig den Aufgabenerfolg zu verbessern, haben sich Forscher darauf konzentriert, autonome Intelligenz auf niedrigem Niveau direkt in die Prothese einzubetten. Diese autonomen Systeme können auf Greiffehler wie Objektrutschen oder übermäßige Greifkraft reagieren und diese verhindern23,24,25,26,27. Ähnliche Techniken werden bereits kommerziell umgesetzt, wie beispielsweise bei der direkt gesteuerten myoelektrischen Ottobock SensorHand Speed28-Prothese. Über ereignisgesteuerte autonome Systeme hinaus gibt es auch Steuerungen, die versuchen, die Greifleistung zu optimieren, beispielsweise durch Maximierung der Kontaktfläche zwischen der Handprothese und dem Objekt29. In ähnlicher Weise wurden Steuerungen vorgeschlagen, die die wahrscheinliche Reihenfolge gewünschter Greifgriffe ohne Benutzereingriff vorhersagen30,31,32.

Während diese autonomen Kontrollstrategien die menschliche Kontrolle in unterschiedlichem Maße ergänzen, versäumen sie es, dem Benutzer während der gewollten (dh manuellen) Prothesenbedienung kritische sensorische Rückmeldungen zu geben. Dieses sensorische Feedback könnte verwendet werden, um die Manipulationsstrategie des Benutzers zu aktualisieren und dadurch die Willenskontrolle zu verbessern. Im Gegenzug könnte der autonome Controller die erfolgreichen Willenskontrollstrategien des Menschen erlernen und diese bei nachfolgenden Manipulationen replizieren, wodurch die Aufgabenleistung verbessert und der kognitive Aufwand reduziert wird.

Steuerungsansätze, die zwischen haptisch geführter menschlicher Steuerung und autonomer Steuerung vermitteln, können als haptische geteilte Steuerung bezeichnet werden. Haptische gemeinsame Steuerungstechniken wurden beispielsweise in Automobilanwendungen integriert, bei denen haptisches Feedback vom autonomen System den Fahrer während der Navigation leitet33,34,35,36,37. In unserer früheren Arbeit haben wir einen haptischen gemeinsamen Steuerungsansatz für eine Prothese der oberen Gliedmaßen entwickelt und dessen Nutzen bei der Aufgabenerfüllung bei einer geschickten Greif-, Pick-and-Place-Aufgabe ohne direkte Sicht untersucht38. In diesem Manuskript bauen wir auf dieser früheren Studie auf und untersuchen, inwieweit die haptische gemeinsame Kontrolle die neuronale Effizienz bei einer geschickten Aufgabe verbessert. Unter neuronaler Effizienz versteht man hier die Beziehung zwischen der Aufgabenerfüllung und der mentalen Anstrengung, die erforderlich ist, um dieses Leistungsniveau zu erreichen39. Wir haben zuvor gezeigt, dass haptisches Feedback, das während der willkürlichen (dh manuellen) Steuerung einer Prothese bereitgestellt wird, zu einer verbesserten neuronalen Effizienz bei einer Aufgabe zur Unterscheidung der Objektsteifigkeit führt, verglichen mit willkürlicher Kontrolle ohne haptisches Feedback22. Die geistige Anstrengung wurde in dieser Studie mithilfe der funktionellen Nahinfrarotspektroskopie (fNIRS) bewertet, einer nichtinvasiven optischen Bildgebungstechnik des Gehirns40.

In der vorliegenden Studie verwenden wir dieselben neurophysiologischen Messungen, um eine ganzheitliche Bewertung der Auswirkungen der haptischen gemeinsamen Kontrolle auf die Aufgabenleistung und die kognitive Belastung bei einer geschickten Greif- und Hebeaufgabe mit einem spröden Objekt zu ermöglichen, was eine präzise Kraftkontrolle erfordert. Insbesondere untersuchen wir die neuronale Effizienz der Teilnehmer, wenn sie die Greif- und Hebeaufgabe entweder mit einer standardmäßigen myoelektrischen Prothese, einer myoelektrischen Prothese mit vibrotaktiler Rückmeldung der Griffkraft oder einer myoelektrischen Prothese mit haptischer gemeinsamer Kontrolle, also vibrotaktilem Feedback, ausführen der Griffkraft und eine autonome Steuerung der Griffkraft auf niedriger Ebene, integriert durch ein Nachahmungs-Lern-Paradigma. Wir gehen davon aus, dass die haptische gemeinsame Kontrolle im Vergleich zur Standardprothese zu der höchsten neuronalen Effizienz (beste Aufgabenleistung und niedrigste kognitive Belastung) führt, gefolgt von der Prothese mit vibrotaktiler Rückmeldung der Griffkraft.

33 nicht amputierte Teilnehmer (9 Frauen, Alter 24,6 ± 3,2 Jahre, 2 Linkshänder) nahmen an dieser experimentellen Studie teil, die vom Johns Hopkins Medical Institute IRB (Protokoll-Nr. 00147458) genehmigt wurde. Die Einverständniserklärung aller Teilnehmer wurde eingeholt und alle Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt. Die Teilnehmer wurden pseudozufällig einer von drei Gruppen zugeordnet, wobei jede Gruppe hinsichtlich des Geschlechts ausgewogen war. Die Teilnehmer der ersten Gruppe absolvierten eine Greif- und Hebeaufgabe mit einer standardmäßigen myoelektrischen Prothese (Standardgruppe). Die Teilnehmer der zweiten Gruppe erledigten die gleiche Greif- und Hebeaufgabe mit einer myoelektrischen Prothese mit vibrotaktiler Rückmeldung der Griffkraft (Vibrotaktile Gruppe). Die Teilnehmer der dritten Gruppe absolvierten die Greif- und Hebeaufgabe mit einer myoelektrischen Prothese mit haptischer gemeinsamer Kontrolle (Gruppe „Haptic Shared Control“). Abbildung 1 zeigt einen der Experimentatoren, der den Versuchsaufbau für die Haptic Shared Control Group demonstriert.

Zu den im Experiment verwendeten Geräten gehören eine Scheinprothese, ein vibrotaktiler Aktuator, ein fNIRS-Bildgebungsgerät und ein instrumentiertes Objekt. Mit Ausnahme des fNIRS-Datenstroms wurden alle Eingangs- und Ausgangssignale über eine Quanser QPIDe DAQ- und QUARC-Echtzeitsoftware in MATLAB/Simulink 2017a gesteuert.

Der Benutzer ergreift das spröde instrumentierte Objekt mit einer myoelektrischen Prothese mit haptischer gemeinsamer Steuerung. Ein fNIRS-Headset über der Stirn erfasst neurophysiologische Messungen der kognitiven Belastung.

Die Prothese besteht aus einem maßgeschneiderten thermoplastischen Schaft, der von nicht amputierten Teilnehmern getragen werden kann, und einem freiwillig schließenden Endstück im Hakenstil (maximale Öffnung 83 mm). Ein Bowdenzug verbindet das Endgerät mit einem maßgeschneiderten motorisierten Linearantrieb, um das Öffnen und Schließen des Geräts zu steuern. Die gleiche Prothese und derselbe Aktuator wurden in Thomas et al.9,22 verwendet und ausführlicher beschrieben. Am Endgerät wurde ein Gegengewichtssystem angebracht, um die Belastungsbedingungen zu simulieren, denen transradial Amputierte typischerweise ausgesetzt sind. es kompensierte 500 g der 800 g Masse der Prothese.

Der motorisierte Linearaktuator wird im proportionalen Geschwindigkeitssteuerungsmodus mit offenem Regelkreis durch Oberflächenelektromyographiesignale (sEMG) von den Beuge- und Streckmuskelgruppen des Handgelenks angetrieben. sEMG-Signale wurden mit einem 16-Kanal-Delsys-Bagnoli-Desktop-System erfasst.

Inspiriert durch frühere Forschungen41,42 wurde ein instrumentiertes Gerät, das ein sprödes Objekt (\(77 \times 74 \times 139\,\text {mm}\)) simuliert, für die Greif- und Hebeaufgabe entwickelt. Dieses in Abb. 2 dargestellte Objekt besteht aus einer zusammenklappbaren Wand, um den Bruch des Objekts anzuzeigen. Das Objekt verfügt über einen Beschleunigungsmesser zur Messung von Objektbewegungen, einen Magnet- und Hall-Effekt-Sensor zur Erkennung von Brüchen, eine 10-kg-Wägezelle zur Messung der Griffkraft und einen Gewichtsbehälter zur individuellen Anpassung der Objektmasse. Für die vorliegende Studie blieb die Masse des Objekts konstant bei 310 g. Auf der Basis des Objekts und auf der Oberfläche der Testplattform wurde leitfähiges Gewebe angebracht, um das Anheben des Objekts zu erkennen.

Das instrumentierte Objekt simuliert Brüche mithilfe einer aufklappbaren, zusammenklappbaren Wand und ist in der Lage, Greifkraft und Objektbewegungen mit einer Kraftmessdose und einem Beschleunigungsmesser zu messen.

Die funktionelle Nahinfrarotspektroskopie (fNIRS) nutzt Nahinfrarotlicht, um Veränderungen der kortikalen Sauerstoffversorgung zu messen und so die neuronale Aktivität zu erfassen. Regionale Änderungen der Sauerstoffkonzentration (desoxygeniertes und sauerstoffhaltiges Hämoglobin und deren Summe Gesamthämoglobin, Gesamt-Hb) sind Korrelate der Gehirnaktivierung durch Sauerstoffverbrauch von Neuronen43,44,45,46,47. Daher hängen Änderungen der Hämoglobinkonzentration stark mit der Sauerstoffversorgung und dem Stoffwechsel des Gewebes zusammen. Glücklicherweise unterscheiden sich die Absorptionsspektren von Oxy- und Desoxy-Hb weiterhin erheblich voneinander, sodass eine spektroskopische Trennung dieser Verbindungen mit nur wenigen Probenwellenlängen möglich ist. Es wurde gezeigt, dass fNIRS ähnliche Ergebnisse liefert wie andere bildgebende Verfahren des Gehirns, beispielsweise die funktionelle Magnetresonanztomographie (fMRT),48,49 und dies wurde in zahlreichen früheren Studien50,51,52,53,54 nachgewiesen. Darüber hinaus verfügt es über eine bessere räumliche Auflösung als die Elektroenzephalographie und ist auch weniger anfällig für Bewegungsartefakte und Muskelaktivität, die die Signale der geistigen Arbeitsbelastung beeinträchtigen können55. Darüber hinaus haben wir zuvor fNIRS verwendet, um die Wirkung einer myoelektrischen Prothese mit vibrotaktilem Feedback auf die kognitive Belastung in einer Steifheitsunterscheidungsaufgabe erfolgreich zu bewerten22. Ein fNIRS-Imager mit vier Optoden (Modell 1100W; fNIR Devices, LLC, USA) wurde verwendet, um die hämodynamische Aktivität aus vier Regionen des präfrontalen Kortex mit einer Abtastrate von 4 Hz zu messen. Die Signale wurden in COBI Studio (v1.5.0.51) und fnirSoft (v4.11)56 erfasst und nachbearbeitet. Anschließend wird ein Tiefpass- und Linearphasen-Finite-Impulse-Response-Filter (FIR) 40. Ordnung, der ein Hamming-Fenster und eine Grenzfrequenz von 0,1 Hz verwendet, angewendet, um hochfrequentes Rauschen und physiologische Schwingungen wie Herzfrequenz und Atemfrequenz zu dämpfen. Dann wird das modifizierte Beer Lambert auf die gefilterten Daten angewendet, um die relativen Hämoglobinkonzentrationen zu erhalten, die über neurovaskuläre Kopplung mit der geistigen Anstrengung in Zusammenhang stehen40,57.

Das sEMG-Kalibrierungsverfahren verwendet eine maximale willkürliche Kontraktion, um die sEMG-Signale zwischen der minimalen und maximalen Spannung des Prothesenmotors zu normalisieren. Die Amplitude der Beugungsaktivität des Handgelenks ist proportional zur Schließgeschwindigkeit der Prothese. Ebenso ist die Amplitude der Handgelenksstreckungsaktivität proportional zur Öffnungsgeschwindigkeit der Prothese. Die Kontrollgleichung und weitere Details finden Sie in unserer vorherigen Studie38; Der einzige Unterschied besteht hier im Spannungsbereich, der zum Antrieb der aktuellen Prothese verwendet wird (1,5–7 V hier statt 0,55–1,5 V in unserer früheren Arbeit).

Die vibrotaktile Rückmeldung der Griffkraft wurde mit einem C-2-Taktor (Engineering Acoustics) bereitgestellt, der von einem Syntacts-Verstärker (v3.1)58 angetrieben wurde. Der Tactor wurde am Oberarm des Teilnehmers festgeschnallt. Die vibrotaktile Rückkopplungsfrequenz wurde auf 250 Hz eingestellt. Die vibrotaktile Rückkopplungsspannung \(\nu\) war proportional zur Wägezellenspannung L vom instrumentierten Objekt. Mit zunehmender Kraft auf die Wägezelle nahm die Amplitude der Vibration zu, wie in gezeigt

Der Ruhezustand der Wägezelle liegt bei ca. 4,5 V. Bei Krafteinwirkung auf die Wägezelle sinkt dieser Wert. Als Schwelle zur Kontakterkennung an der Wägezelle wurden 4,3 V gewählt.

Das haptische gemeinsame Steuerungsschema wechselt zwischen der manuellen Steuerung der Prothese durch den Benutzer (mit vibrotaktilem Feedback) und einem autonomen Steuerungssystem, das versucht, die gewünschte Griffkraft des Benutzers nachzuahmen. Bei Aktivierung und anschließender Auslösung durch den Benutzer schließt die autonome Steuerung das Prothesen-Endgerät selbstständig, bis die voreingestellte Griffkraft des Benutzers erreicht ist.

Um den Controller zu aktivieren, muss der Benutzer zunächst die Prothese manuell betätigen (über sEMG) und das Objekt mindestens eine Sekunde lang anheben, ohne dass das Objekt zerbricht oder fallen gelassen wird. Solche Ereignisse werden durch die Beurteilung scharfer Spitzen in der Ableitung des Wägezellensignals identifiziert, wobei \({\frac{dL}{dt}} > 2,5 {\frac{\text{V}}{{\text{s}} }}\) weist auf ein Schlupfereignis hin und \({\frac{dL}{dt}} > 5 {\frac{\text{V}}{{\text{s}}}}\) weist auf einen Objektbruch hin. Während dieses manuellen Vorgangs erhält der Teilnehmer eine vibrotaktile Rückmeldung der Griffkraft, wie im Abschnitt „Vibrotaktile Rückmeldung“ beschrieben. Die durchschnittliche ausgeübte Greifkraft während einer Sekunde erfolgreichen Hebens wird als gewünschte Greifkraft für den gemeinsamen Controller gespeichert. Sobald dieser Wert gespeichert ist, schaltet sich das vibrotaktile Feedback aus und die blaue LED an der Prothese leuchtet auf, um den Benutzer über den Übergang zur autonomen Steuerung zu informieren.

Um das autonome Schließen des Prothesenendgeräts zu aktivieren, müssen die Teilnehmer ein sEMG-Signal für die Beugung des Handgelenks (S_f) erzeugen, das größer oder gleich dem Schwellenwert für die Beugung des Handgelenks (f_L) ist (ohne dass die Aktivität aufrechterhalten werden muss). Der Schließbefehl an das Endgerät beim Einleiten des autonomen Greifens (\(h_c\)) erfolgte in drei separaten Phasen (\(h^1_c\), \(h^2_c\), \(h^3_c\)). Zunächst löste ein anfängliches abfallendes Signal ein schnelles Schließen aus, wie in gezeigt

Sobald sich die Schließgeschwindigkeit unter einen heuristisch ermittelten Schwellenwert verlangsamte, wurde der Schließbefehl kontinuierlich erhöht, bis ein Kontakt mit dem Objekt erkannt wurde

Dabei ist \(\frac{da}{dt}\) die Ableitung der Prothesenöffnung (dh Geschwindigkeit), \(a_L\) bezieht sich auf den unteren Geschwindigkeitsschwellenwert und \(a_U\) ist der obere Schwellenwert.

Der Kontakt trat auf, als der Kraftmesswert L am spröden Objekt unter einen Schwellenwert \(L_t\) sank und die Öffnung der Prothese A unter einen Schwellenwert \(A_t\) sank, gemessen von einem Encoder am Motor des Linearantriebs. Nach dem Kontakt schließt ein Proportional- und Integralregler das Endgerät, bis das Wägezellensignal innerhalb von 5 % der vom Benutzer vordefinierten Griffkraft \(L_{\text {d}}\) liegt, wie in gezeigt

Wenn die autonome Steuerung versehentlich vom Benutzer ausgelöst wird, kann der Benutzer seine Handgelenkstrecker aktivieren, um einen „Öffnen“-Befehl zu senden, der das autonome Schließen abbricht. Dadurch wird der Controller nicht deaktiviert; es stoppt lediglich den autonomen Schließvorgang. Wenn das Objekt während des Hebeversuchs zerbricht oder fallen gelassen wird, wird die autonome Steuerung vollständig deaktiviert, was den Bediener dazu zwingt, die Prothese dann im manuellen Modus (mit haptischem Feedback) zu steuern. Der Controller kann vom Benutzer auch manuell deaktiviert werden, indem er die blaue LED-Taste an der Prothese drückt. Wenn der Controller deaktiviert ist, erhält der Benutzer eine kurze, pulsierende Vibration und die LED erlischt. Somit bleibt der Benutzer weiterhin im autonomen Modus, solange keine Greiffehler erkannt werden oder wenn der Benutzer die Steuerung nicht manuell außer Kraft setzt. Darüber hinaus wird die autonome Steuerung immer aktiviert, nachdem der Benutzer das Objekt im manuellen Modus erfolgreich angehoben hat. Signalspuren für einen Teilnehmer, der den haptischen Shared Controller nutzt, sind in Abb. 3 zu sehen.

Beispielsignale aus dem ersten Versuch eines Teilnehmers in der Haptic Shared Control-Bedingung, als er das spröde Objekt zweimal ergriff und anhob. Die grünen gestrichelten Linien zeigen an, wann das Objekt angehoben wurde, und die braunen gepunkteten Linien zeigen an, wann das Objekt abgesetzt wurde. Die rosa gestrichelten Linien zeigen an, wann der autonome Controller aktiviert wurde. Die gezeigten Spuren sind die sEMG-Flexionsaktivität \(S_f\), der Schließbefehl \(u_c\), der Prozentsatz der geschlossenen Prothese, das Kraftmesszellensignal L und das C-2-Taktorvibrationssignal \(\nu\). Die Spuren zeigen zwei erfolgreiche Greif- und Hebeversuche, bei denen der erste Versuch manuell mit vibrotaktilem Feedback durchgeführt wurde, während der zweite Versuch mithilfe der autonomen Steuerung durchgeführt wurde. Beachten Sie, dass es möglich ist, die drei Stufen der autonomen Steuerung zu identifizieren (die erste ist \(h^1_c\), der Abklingbefehl, die zweite ist \(h^2_c\), der Hochlaufbefehl, und die dritte ist \(h^ 3_c\), der Proportional-Integral-Reglerbefehl).

Vor Beginn des Experiments füllte jeder Teilnehmer einen demografischen Fragebogen aus. Als nächstes platzierte ein Experimentator eine sEMG-Elektrode an der Beugemuskelgruppe des rechten Handgelenks des Teilnehmers und eine weitere an der Streckmuskelgruppe des rechten Handgelenks. Die Teilnehmer kalibrierten ihre sEMG-Signale mithilfe der maximalen freiwilligen Kontraktion (MVC) ihrer Handgelenksbeuger- und -streckermuskelgruppen. Anschließend platzierten die Experimentatoren das fNIRS-Bildgebungs-Headset anhand anatomischer Orientierungspunkte auf der Stirn des Teilnehmers. Die Sensorpads wurden an der vertikalen und horizontalen Symmetrieachse ausgerichtet. Es wurde darauf geachtet, die zentralen Markierungen auf den Sensorfeldern der linken und rechten Hemisphäre an den Pupillen des Teilnehmers auf jeder Hemisphäre auszurichten. Ein dunkles Stoffband wurde verwendet, um die Kanten des Headsets und des Sensorpads abzudecken und jegliches Umgebungslicht auszublenden. Nachdem sichergestellt wurde, dass keine Haare die Sensoren im Headset behindern und der bequeme Sitz bestätigt wurde, nahmen die Experimentatoren Basismessungen der präfrontalen Kortexaktivität vor56.

Während die Teilnehmer vor dem Versuchstisch saßen, führten sie über eine grafische Benutzeroberfläche ein kombiniertes Training und eine Bewertung ihrer sEMG-Signalsteuerung durch, die dem in Artikel 59 beschriebenen Test nachempfunden war. Die Teilnehmer wurden gebeten, jeweils fünf Sekunden lang drei verschiedene Stufen der sEMG-Aktivität zu erreichen und aufrechtzuerhalten; Jeder der Werte betrug 12,5 %, 25 % und 37,5 % des MVC des Benutzers. Bei diesen Werten handelt es sich um äquidistante Punkte zwischen 0 % und 50 % der MVC, die der maximalen Geschwindigkeit der Prothese zugeordnet ist; Diese MVC-Prozentsätze stellen somit einen angemessenen Geschwindigkeitsbereich dar. Der Teilnehmer absolvierte zunächst eine Übungseinheit zur Handgelenkbeugeaktivität, in der jede der drei Stufen einmal vorgestellt wurde. Nach Abschluss des Trainings absolvierte der Teilnehmer eine Testsitzung, in der jedes der drei Level dreimal präsentiert wurde. Nach Abschluss der Übungs- und Testsitzungen für den Handgelenkbeuger wiederholten die Teilnehmer das gleiche Übungs- und Testverfahren für den Handgelenkstrecker.

Nach Abschluss der sEMG-Schulung und -Bewertung wurden die Teilnehmer gebeten, aufzustehen, um mit dem Training für die Greif- und Hebeaufgabe zu beginnen. Wenn der Teilnehmer zur Vibrotactile- oder Haptic Shared Control-Gruppe gehörte, wurde der C-2-Taktor auf seinem rechten Oberarm platziert. Wenn der Teilnehmer ebenfalls zur Haptic Shared Control-Gruppe gehörte, wurde der blaue LED-Knopf an der Prothese angebracht. Der Experimentator zeigte dem Teilnehmer dann, wie er die Prothese mithilfe seiner Muskelaktivität schließen und öffnen konnte. Die Teilnehmer konnten das Schließen und Öffnen der Prothese üben, bis sie sich wohl fühlten. Als nächstes erklärte der Experimentator, dass das Ziel der Aufgabe darin bestehe, das spröde instrumentierte Objekt drei Sekunden lang zu greifen und anzuheben, ohne es zu zerbrechen oder fallen zu lassen.

Alle Teilnehmer wurden angewiesen, die Prothese knapp unter einem kleinen Vorsprung an der zusammenklappbaren Wand zu positionieren, um eine gleichmäßige Platzierung zu gewährleisten. Den Teilnehmern der Standardgruppe wurden mehrere Versuche erlaubt, bis es ihnen gelang, das Objekt drei Sekunden lang anzuheben. Anschließend erhielten sie drei weitere Übungsversuche, bevor sie mit dem eigentlichen Experiment fortfuhren.

Die Teilnehmer der Vibrotactile-Gruppe erhielten zunächst einen Überblick über das Feedback und wurden anschließend angewiesen, das Feedback zu nutzen, um die geeignete Griffkraft zum Anheben des Objekts zu finden. Anschließend durften sie mehrere Versuche unternehmen, bis es ihnen gelang, das Objekt drei Sekunden lang erfolgreich anzuheben. Anschließend erhielten sie noch drei weitere Übungsversuche, bevor es zum eigentlichen Experiment ging.

Die Teilnehmer der Haptic Shared Control-Gruppe erhielten zunächst einen Überblick über den Shared Controller und wurden darüber informiert, wie sie zwischen manuellem und autonomem Modus wechseln können. Anschließend durften sie mehrere Versuche unternehmen, bis sie das Objekt im manuellen Modus drei Sekunden lang erfolgreich anheben konnten. Als nächstes wurden sie gebeten, die autonome Steuerung auszulösen und das Objekt anzuheben (siehe Abschnitt „Haptischer gemeinsamer Controller“). Der Experimentator demonstrierte dann die beiden Szenarien, die den autonomen Controller automatisch deaktivierten: (1) ein Objektbruch und (2) ein Objektrutschen. Der Teilnehmer musste dann nach jeder Demonstration das Objekt im manuellen Modus greifen und anheben, um die autonome Steuerung wieder zu aktivieren. Abschließend demonstrierte der Experimentator, wie man mit der blauen LED-Taste den autonomen Controller manuell übersteuern kann. Anschließend wurden dem Teilnehmer zwei weitere Übungsversuche gestattet, bevor er mit dem eigentlichen Experiment fortfuhr. Die Teilnehmer der Haptic Shared Control-Gruppe begannen das Experiment im manuellen Modus.

Nachdem das gesamte Training abgeschlossen war, absolvierten die Teilnehmer sieben einminütige Versuche der Greif- und Hebeaufgabe, bei denen sie versuchten, den Gegenstand innerhalb dieser Minute so oft wie möglich zu greifen und anzuheben, ohne ihn zu zerbrechen oder fallen zu lassen. Die Teilnehmer hatten volle Sicht auf die Aufgabe. Die Teilnehmer mussten das Objekt 3 Sekunden lang in der Luft halten. Zwischen den Versuchen wurde eine Pause von 30 Sekunden eingelegt.

Nach Abschluss aller sieben Versuche füllten die Teilnehmer eine Umfrage zu ihren subjektiven Erfahrungen mit dem Experiment aus. Die Fragen basierten auf dem NASA-TLX-Fragebogen60 und umfassten eine Mischung aus gleitenden Fragen und Kurzantwortfragen.

Die folgenden Metriken wurden verwendet, um die drei Bedingungen sowohl im Hinblick auf die Aufgabenleistung als auch auf die neuronale Leistung zu analysieren.

Als erfolgreicher Hebevorgang galt das Anheben und Halten des Objekts in der Luft für mindestens drei Sekunden. Bei der Aufgabe gab es keine Anforderungen an die Hubhöhe. Der Status jedes Greifversuchs (erfolgreiches Heben oder nicht) wurde aufgezeichnet. Darüber hinaus wurde auch die Gesamtzahl der erfolgreichen Hebungen pro Versuch berechnet.

Für das instrumentierte Objekt wurde ein sicherer Greifbereich als Kraftmesswert im Bereich von 3–4 V definiert. Für jeden Greifversuch wurden die 100 kleinsten Kraftmesswerte (gemessen während des Greifens des Objekts, die die maximalen Kraftwerte darstellen – siehe Abb . 3) wurden gemittelt und mit dem sicheren Greifintervall verglichen.

Die Gesamthämoglobinkonzentration (HbT) wurde als Proxy zur Messung der kognitiven Belastung verwendet. Der Durchschnittswert wurde für jeden der sieben Versuche aus vier Regionen des präfrontalen Kortex extrahiert: links lateral, links medial, rechts medial und rechts lateral.

Diese kognitiven Belastungsmessungen wurden mit der Gesamtzahl der Übungen kombiniert, um die neuronale Effizienz zu berechnen, wie in39 beschrieben. Die Z-Scores der Anzahl erfolgreicher Hebevorgänge mit einer Dauer von mindestens 3 s ohne Greiffehler \(z(\text {Lift})\) und der Gesamthämoglobinkonzentration \(z(\text {HbT})\) wurden berechnet Leiten Sie die neuronale Effizienzmetrik ab als

Hier beziehen sich der Mittelwert und die Standardabweichung, die zur Berechnung des Z-Scores verwendet werden, auf den Mittelwert und die Standardabweichung für alle Teilnehmer unter allen Bedingungen. Diese Kennzahl beschreibt den mentalen Aufwand, der erforderlich ist, um ein bestimmtes Leistungsniveau zu erreichen. Eine höhere neuronale Effizienz ist mit höherer Leistung und geringerer kognitiver Belastung verbunden.

Die Post-Experiment-Umfrage bestand aus einer Mischung aus gleitenden (0–100) und Kurzantwortfragen. Bei den Fragen mit gleitender Skala wurden die Teilnehmer gebeten, die körperliche Beanspruchung, die geistige Beanspruchung und das Tempo der Aufgabe zu bewerten. Darüber hinaus wurden sie gebeten, ihre wahrgenommene Fähigkeit, die Aufgabe zu erledigen, ihren Frustrationsgrad und wie oft sie visuelle, akustische und berührungsbasierte Hinweise nutzten, um die Aufgabe zu erledigen, zu bewerten. Abschließend wurden sie im Rahmen der Umfrage dazu aufgefordert, die Strategie zu erläutern, mit der sie die Aufgabe erfüllten, und weitere Kommentare zu ihren Erfahrungen abzugeben.

Die statistische Analyse wurde in RStudio (v4.1.0) durchgeführt. Zur Beurteilung der Aufgaben- und neuronalen Leistung wurde eine Mischung aus logistischen und linearen gemischten Modellen verwendet. Zu den Zufallseffekten gehörten ein zufälliger Schnittpunkt für die Versuchsperson und eine zufällige Steigung für den Versuch. Post-hoc-Tests wurden mit einer Bonferroni-Korrektur durchgeführt. Modellresiduen wurden aufgezeichnet und auf Homogenität von Varianz und Normalität überprüft. Als Signifikanzschwelle wurde ein p-Wert von 0,05 verwendet.

Ein logistisches binomiales gemischtes Modell wurde verwendet, um die Wahrscheinlichkeit zu bewerten, bei jedem Greifversuch innerhalb der sicheren Greifspanne zu liegen. Zu den festen Effekten gehörten die Versuchsnummer und der Modus, wobei der Modus „Kein Feedback“ (manueller Betrieb der myoelektrischen Prothese), „Feedback“ (manueller Betrieb der Prothese mit vibrotaktiler Rückmeldung der Griffkraft) oder „Autonom“ (autonomer Controller betreibt die Prothese) sein konnte. Die Feedback-Greifversuche umfassen alle Greifversuche von Teilnehmern der Vibrotactile-Gruppe und Greifversuche von Teilnehmern der Haptic Shared Control-Gruppe, die die Prothese manuell bedienten (autonome Steuerung deaktiviert).

Ein separates logistisches binomiales gemischtes Modell wurde verwendet, um die Wahrscheinlichkeit des Anhebens des Objekts abzuschätzen. Einzelne lineare gemischte Modelle wurden verwendet, um die Anzahl der Hebungen, die Gesamthämoglobinkonzentration für jede der vier Gehirnregionen und die neuronale Effizienz für jede der vier Gehirnregionen zu bewerten. Die festen Effekte für alle Modelle waren die Teilnehmergruppe und die Versuchsnummer. Für diese Analyse ist die Vibrotactile-Gruppe von der Haptic Shared Control-Gruppe getrennt und umfasst keine Versuche von Teilnehmern der Haptic Shared Control-Gruppe, die die Prothese manuell bedienen.

Drei der 33 Teilnehmer, die der Teilnahme an der Studie zugestimmt hatten, wurden von der Datenanalyse ausgeschlossen. Einer dieser drei konnte das Experiment aufgrund technischer Probleme mit dem System nicht abschließen. Ein anderer Teilnehmer war während des Kalibrierungsschritts nicht in der Lage, zufriedenstellende sEMG-Signale zu erzeugen, und ein dritter Teilnehmer hatte während des Experiments eine schlechte Kontrolle. Auch dieser Teilnehmer zeigte während der sEMG-Beurteilung eine schlechte Kontrolle, was durch seinen im Vergleich zu den anderen Teilnehmern hohen quadratischen Mittelwertfehler während der Flexions- und Extension-sEMG-Beurteilung belegt wurde. Die folgenden Ergebnisse gelten für die verbleibenden 30 Teilnehmer (10 in jeder Gruppe).

Die für die Daten gemeldeten Ergebnisse geben die Schätzung der festen Effekte \(\beta\) und des Standardfehlers SE aus statistischen Analysen mit linearen und logistischen gemischten Modellen an. Es gab 531 Beobachtungen für die Standardgruppe, 522 für die Vibrotactile-Gruppe und 433 für die Haptic Shared Control-Gruppe. Der Kürze halber wird die kognitive Belastung nur im rechten lateralen präfrontalen Kortex diskutiert, da dieser Bereich die bedeutendsten Aktivitätsänderungen aufwies. Ergebnisse zur kognitiven Belastung aus den anderen Gehirnregionen finden Sie im Zusatzmaterial zu diesem Manuskript.

Die Wahrscheinlichkeit, das Objekt bei jedem Greifversuch innerhalb einer sicheren Griffkraftspanne zu greifen, wobei die einzelnen Datenpunkte den Durchschnitt für jeden Versuch (für alle Teilnehmer in jedem Modus) darstellen und die durchgezogenen Linien die Vorhersage des Modells angeben. Hinweis: Der Modus „Kein Feedback“ bezieht sich auf den manuellen Prothesenbetrieb, der Feedback-Modus bezieht sich auf den manuellen Prothesenbetrieb mit vibrotaktilem Feedback und der autonome Modus bezieht sich auf den autonomen Prothesenbetrieb. * gibt \(p<0,05\) an, ** gibt \(p<0,01\) an und *** gibt \(p<0,001\) an.

Ein binomiales gemischtes Modell wurde verwendet, um die Wahrscheinlichkeit zu bewerten, dass ein bestimmter Greifversuch ausreichte, um das Objekt anzuheben, ohne es zu zerbrechen. Hier vergleichen wir die Modi „Kein Feedback“, „Feedback“ und „Autonom“. Der Modus „Kein Feedback“ umfasst alle Teilnehmer der Standardgruppe. Der Feedback-Modus umfasst Teilnehmer der Vibrotactile-Gruppe sowie die Teilnehmer der Haptic Shared Control, die sich im manuellen Modus befanden. Der autonome Modus umfasst Teilnehmer mit haptischer gemeinsamer Steuerung, die den autonomen Controller verwenden, um die Greif- und Hebeaufgabe abzuschließen. Es gab 531 Beobachtungen für den No-Feedback-Modus, 632 für den Feedback-Modus und 323 für den autonomen Modus. Die Wahrscheinlichkeit, innerhalb einer sicheren Greifspanne zu bleiben, näherte sich einer signifikanten positiven Differenz von 50 % im Standardmodus (\(\beta =0,96, SE=0,51, p=0,06\)). Allerdings verbesserten sowohl der Vibrationsmodus (\(\beta =1,07, SE=0,53, p=0,045\)) als auch der autonome Modus (\(\beta =2,61, SE=0,57, p<0,001\)) die Chancen deutlich im Vergleich zum Standardmodus innerhalb eines sicheren Greifspielraums zu liegen. Darüber hinaus war der autonome Modus deutlich besser als der vibrotaktile Modus (\(\beta =1,55, SE=0,33, p<0,001\)), was die Gewährleistung eines sicheren Greifspielraums anbelangt. Die Erfahrung mit der Aufgabe (d. h. die Anzahl der Versuche) hatte keinen Einfluss auf die Fähigkeit, innerhalb der Sicherheitsmarge (\(\beta =-0,07, SE=0,06, p=0,22\)) zu greifen. Eine Visualisierung dieser Ergebnisse finden Sie in Abb. 4. Zusätzlich zu diesen statistischen Ergebnissen wird für jede Gruppe in Tabelle 1 die Anzahl der Hebe-, Bruch-, Fallen- und anderen Greiffehler von Objekten angegeben. Zu den anderen Greiffehlern könnten hier Hebeversuche gehören, die weder erfolgreich waren noch zu einem Herunterfallen führten Pause (z. B. der Teilnehmer hob den Gegenstand an und setzte ihn dann vor der 3-Sekunden-Marke ab).

Ein binomiales gemischtes Modell wurde verwendet, um die Wahrscheinlichkeit zu bewerten, dass ein bestimmter Greifversuch zu einem erfolgreichen Heben führte. Hier und in allen nachfolgenden Ergebnissen vergleichen wir die Gruppen Standard, Vibrotactile und Haptic Shared Control. Die Wahrscheinlichkeit, das Objekt anzuheben, lag in der Standardgruppe deutlich unter 50 % (\(\beta =-0,96, SE=0,35, p=0,006\)). Die Vibrotactile-Gruppe war nicht besser als die Standardgruppe (\(\beta =0,30, SE=0,37, p=0,42\)). Die Haptic Shared Control-Gruppe verbesserte jedoch die Wahrscheinlichkeit, das Objekt anzuheben, im Vergleich zur Standardgruppe (\(\beta =1,08, SE=0,36, p=0,003\)) und zur Vibrotactile-Gruppe (\(\beta =0,78, SE=0,37, p=0,037\)). Darüber hinaus verbesserte die Erfahrung mit der Aufgabe (d. h. die Anzahl der Versuche) die Leistung in allen Gruppen erheblich (\(\beta =0,09, SE=0,04, p=0,025\)). In Abb. 5 finden Sie eine Visualisierung dieser Ergebnisse für jede Gruppe.

Die Wahrscheinlichkeit, das Objekt für jede Gruppe über Versuche hinweg anzuheben, wobei die einzelnen Datenpunkte den Durchschnitt für jeden Versuch (für alle Teilnehmer in jeder Gruppe) darstellen und die durchgezogenen Linien die Vorhersage des Modells angeben. * gibt \(p<0,05\) an, ** gibt \(p<0,01\) an und *** gibt \(p<0,001\) an.

Die durchschnittliche Anzahl der Steigerungen für jede Gruppe über Versuche hinweg, wobei die einzelnen Datenpunkte den Durchschnitt für jeden Versuch (für alle Teilnehmer in jeder Gruppe) darstellen und die durchgezogenen Linien die Vorhersage des Modells angeben. * gibt \(p<0,05\) an, ** gibt \(p<0,01\) an und *** gibt \(p<0,001\) an.

Ein lineares gemischtes Modell wurde verwendet, um die durchschnittliche Anzahl von Drei-Sekunden-Aufzügen pro Versuch zu ermitteln. Die durchschnittliche Anzahl der Hebungen in der Standardgruppe lag deutlich über Null (\(\beta =1,82, SE=0,42, p<0,001\)). Die Vibrotactile-Gruppe unterschied sich nicht von der Standardgruppe (\(\beta =0,50, SE=0,51, p=0,34\)) oder der Haptic Shared Control-Gruppe (\(\beta =-0,62, SE=0,51, p=0,22). \)). Allerdings verbesserte die Haptic Shared Control-Gruppe die Anzahl der Hebungen im Vergleich zur Standardgruppe deutlich (\(\beta =0,96, SE=0,35, p=0,006\)). Darüber hinaus verbesserte die Erfahrung mit der Aufgabe die Leistung in allen Gruppen deutlich (\(\beta =0,19, SE=0,04, p<0,001\)). In Abb. 6 finden Sie eine Visualisierung dieser Ergebnisse für jede Gruppe.

Die durchschnittliche Gesamthämoglobinkonzentration für jeden Versuch, wobei die einzelnen Datenpunkte den Durchschnitt für jeden Versuch (für alle Teilnehmer in jeder Gruppe) darstellen und die durchgezogenen Linien die Vorhersage des Modells angeben. * gibt \(p<0,05\) an, ** gibt \(p<0,01\) an und *** gibt \(p<0,001\) an.

Die Veränderung der durchschnittlichen Gesamthämoglobinkonzentration stellt die Menge der entstandenen kognitiven Belastung dar. Eine erhöhte Konzentration weist auf eine höhere kognitive Belastung hin. Zur Bestimmung der Hämoglobinkonzentration wurde ein lineares gemischtes Modell verwendet. Die durchschnittliche Gesamthämoglobinkonzentration im rechten lateralen präfrontalen Kortex war in der Standardgruppe signifikant höher als Null (\(\beta =0,71, SE=0,29, p=0,019\)). Die Vibrotactile-Gruppe unterschied sich nicht signifikant von der Standardgruppe (\(\beta =-0,10, SE=0,37, p=0,77\)). Ebenso unterschied sich die Haptic Shared Control-Gruppe nicht signifikant von der Standardgruppe (\(\beta =-0,65, SE=0,37, p=0,086\)). Die Erfahrung mit der Aufgabe kam einer deutlichen Verbesserung der kognitiven Belastung nahe (Reduzierung der Gesamthämoglobinkonzentration: \(\beta =-0,05, SE=0,03, p=0,068\)). In Abb. 7 finden Sie eine Visualisierung dieser Ergebnisse für jede Gruppe.

Die neuronale Effizienz für jeden Versuch, wobei die einzelnen Datenpunkte den Durchschnitt für jeden Versuch (für alle Teilnehmer in jeder Gruppe) darstellen und die durchgezogenen Linien die Vorhersage des Modells angeben. * gibt \(p<0,05\) an, ** gibt \(p<0,01\) an und *** gibt \(p<0,001\) an.

Die neuronale Effizienz gibt den Zusammenhang zwischen geistiger Anstrengung und Leistung an. Eine positive neuronale Effizienz weist auf Werte hin, die unter allen Bedingungen über dem Gesamtmittel der neuronalen Effizienz liegen, während eine negative neuronale Effizienz auf Werte hinweist, die unter dem Gesamtmittel liegen. Zur Bewertung der neuronalen Effizienz wurde ein lineares gemischtes Modell verwendet. Die neuronale Effizienz in der Standardgruppe lag deutlich unter Null (\(\beta =-0,90, SE=0,30, p=0,005\)). Die Vibrotactile-Gruppe unterschied sich nicht signifikant von der Standardgruppe (\(\beta =0,33, SE=0,37, p=0,38\)) oder der Haptic Shared Control-Gruppe (\(\beta =-0,58, SE=0,37, p=). 0,12\)). Allerdings war die neuronale Effizienz in der Haptic Shared Control-Gruppe deutlich größer als in der Standardgruppe (\(\beta =0,91, SE=0,37, p=0,021\)). Darüber hinaus verbesserte die Erfahrung mit der Aufgabe die neuronale Effizienz insgesamt (\(\beta =0,12, SE=0,03, p<0,001\)). In Abb. 8 finden Sie eine Visualisierung dieser Ergebnisse für jede Gruppe.

Zur Analyse der Umfrageergebnisse wurde ein lineares Regressionsmodell verwendet. Die Teilnehmer der Standardgruppe gaben für alle Umfragefragen Bewertungen ab, die deutlich von 0 abwichen (vollständige Ergebnisse finden Sie in Tabelle 2). Nur in den folgenden wenigen Fällen unterschieden sich die Umfrageantworten je nach Gruppe signifikant. Die Teilnehmer der Vibrotactile-Gruppe bewerteten ihre Verwendung visueller Hinweise als deutlich geringer als die der Standardgruppe und in einem Post-hoc-Test mit einer Bonferroni-Korrektur auch geringer als die der Haptic Shared Control-Gruppe (\(\beta =-25,6, SE~). =~8,21, p=0,002\)). In einem Post-hoc-Test mit einer Bonferroni-Korrektur bewerteten die Teilnehmer der Haptic Shared Control-Gruppe ihre Nutzung somatosensorischer Reize als deutlich geringer als die der Vibrotactile-Gruppe (\(\beta ~=~-29,2\), SE = 12,45, p = 0,02).

Haptische Shared-Control-Ansätze wurden in mehreren Mensch-Roboter-Interaktionsanwendungen mit Erfolg eingesetzt34,37; Es fehlen jedoch Untersuchungen zur Wirksamkeit bei Prothesen für die oberen Gliedmaßen. Darüber hinaus ist nicht gut verstanden, wie sich ein haptischer Shared-Control-Ansatz auf die kognitive Belastung des menschlichen Bedieners und seine neuronale Effizienz auswirkt. Um diese Lücke zu schließen, haben wir einen haptischen gemeinsamen Steuerungsansatz für eine myoelektrische Prothese entwickelt und ihn ganzheitlich anhand sowohl der Aufgabenleistung als auch neurophysiologischer kognitiver Belastungsmetriken bewertet. Durch diese Beurteilung war es möglich, den Grad der geistigen Anstrengung zu verstehen, der erforderlich ist, um ein bestimmtes Leistungsniveau zu erreichen. Wir verglichen dieses Steuerungsschema mit der standardmäßigen myoelektrischen Prothese und einer Prothese mit vibrotaktiler Rückmeldung der Griffkraft bei einer Greif- und Hebeaufgabe mit einem spröden Objekt. Das haptische gemeinsame Kontrollschema vermittelte zwischen der haptisch geführten Kontrolle des Greifens der Prothese und der vollständig autonomen Kontrolle des Greifens61. Hier replizierte die autonome Steuerung die gewünschte Greifstrategie des menschlichen Bedieners in einem Imitation-Lern-Paradigma.

Die primären Ergebnisse deuten darauf hin, dass die Teilnehmer der Haptic Shared Control-Gruppe im Vergleich zu ihren Kollegen in der Standardgruppe eine höhere neuronale Effizienz aufwiesen – höhere Aufgabenleistung bei ähnlicher geistiger Anstrengung. Darüber hinaus war vibrotaktiles Feedback im Allgemeinen von entscheidender Bedeutung für die richtige Abstimmung der Griffkraft, was mit früherer Literatur übereinstimmt10,11,19. Dieser Vorteil, kombiniert mit der verbesserten Fingerfertigkeit, die die autonome Griffsteuerung bietet, verbesserte die Hebefähigkeit und die Abstimmung der Griffkraft mit dem haptischen gemeinsamen Steuerungsschema erheblich im Vergleich zu den Standard- und vibrotaktilen Steuerungsschemata.

Trotz der berichteten Vorteile des haptischen Feedbacks bei der Ausführung von Geschicklichkeitsaufgaben und der Reduzierung der geistigen Anstrengung22,62,63 konnte das vibrotaktile Feedback allein in dieser Studie die Hebefähigkeit und neuronale Effizienz im Vergleich zur Standardkontrolle nicht signifikant verbessern. Diese Ergebnisse stimmen mit Erkenntnissen aus früheren Untersuchungen über die Auswirkung haptischer Rückmeldung auf das Greifen und Heben eines spröden Objekts überein41,42. Dies liegt wahrscheinlich daran, dass Benutzer durch Feedback erst dann über Aufgabenmeilensteine ​​und Aufgabenfehler informiert werden können, wenn diese aufgetreten sind. Bei der menschlichen sensomotorischen Steuerung dient die Feedforward-Steuerung dazu, Feedback-Strategien zu ergänzen, indem sie Vorhersagen trifft, die die motorische Aktion steuern64.

Daher reichten Feedback-Kontrollstrategien allein für unsere schwierige geschickte Aufgabe nicht aus und mussten durch ein Feed-Forward-Verständnis der geeigneten Greifkraft ergänzt werden, die zum Ergreifen und Anheben des zerbrechlichen Objekts erforderlich ist. Sobald der autonome Controller trainiert ist, entlastet er den Benutzer von der Last der myoelektrischen Feedforward-Steuerung, was zu einer deutlichen Verbesserung sowohl der Leistung als auch der geistigen Anstrengung führt. Dieses haptische gemeinsame Steuerungskonzept nutzt die Stärken des Wissens des menschlichen Bedieners über die Aufgabenanforderungen und nutzt diese Erfahrung anschließend bei der Abstimmung des autonomen Controllers. Die Verwendung des spröden Objekts in diesem Experiment verdeutlicht die Notwendigkeit fortschrittlicher Steuerungssysteme in Prothesen, da nur die haptische gemeinsame Steuerung die Standardprothese in Bezug auf angemessenere Greifkräfte, erfolgreiches Heben und verbesserte neuronale Effizienz übertraf. Dieser Befund steht im Einklang mit den erklärten Vorteilen der haptischen gemeinsamen Kontrolle in anderen Paradigmen der Mensch-Maschine-Interaktion, wie etwa halbautonomen Fahrzeugen und Teleoperation35,36.

Aufgrund der Art des haptischen Shared-Control-Schemas in dieser Studie hatten die Teilnehmer der Haptic Shared Control-Gruppe im Verlauf der experimentellen Sitzung im Vergleich zu Teilnehmern der Vibrotactile-Gruppe viel weniger Erfahrung mit der Vibrationsrückmeldung. Tatsächlich berichteten die Teilnehmer der Haptic Shared Control-Gruppe von einer deutlich geringeren Nutzung somatosensorischer Reize als die Teilnehmer der Vibrotactile-Gruppe. Daher ist es möglich, dass die Grenze zwischen Mensch und Maschine durch zusätzliche Schulungen zum vibrotaktilen Feedback fließender wird. Andere Studien haben gezeigt, dass längerfristiges und ausgedehntes Training mit haptischem Feedback die Leistung deutlich verbesserte15,19.

Es ist hier erwähnenswert, dass die akustischen Hinweise des vibrotaktilen Aktuators wahrscheinlich von einigen Teilnehmern genutzt wurden. Zwei Teilnehmer erwähnten ausdrücklich, dass der Klang des Taktgebers ebenso hervorstechend oder sogar noch ausgeprägter sei als die taktile Empfindung selbst. Frühere Untersuchungen haben gezeigt, dass die Reaktionszeit bei der Kombination der taktilen und akustischen Hinweise aus vibrotaktilem Feedback im Vergleich zu den taktilen Hinweisen allein abnimmt65. Darüber hinaus hat sich auch gezeigt, dass die Kombination von redundantem, multimodalem Feedback die Reaktionszeiten im Vergleich zu unimodalem Feedback verbessert66. Diese Art zufälliger Rückmeldung ist nicht auf die vom Vibrotaktor ausgehenden akustischen und taktilen Signale beschränkt; Die durch die Bewegung des Prothesenmotors erzeugten Geräusche wurden auch von mehreren Teilnehmern unter verschiedenen Bedingungen genutzt. Obwohl sich gezeigt hat, dass gelegentliches Feedback bei geschickten Aufgaben hilfreich ist67, reicht es nicht aus, um die beste Leistung bei einer Aufgabe zu erzielen, die eine schnelle und genaue Greifkraft erfordert.

Obwohl wir den Erfolg des haptischen gemeinsamen Kontrollschemas nachgewiesen haben, weist die vorliegende Studie einige Einschränkungen auf. Es wurden nur nicht amputierte Teilnehmer bewertet, und die Aufgabe wurde mit einem hergestellten Gegenstand und nicht mit Alltagsgegenständen durchgeführt. Da es sich bei der zusammenklappbaren Wand um einen Scharniermechanismus handelte, kann die zum Zerbrechen des Objekts erforderliche Kraft je nach Platzierung der Prothese an der Wand variieren (z. B. ist näher am Scharniergelenk mehr Kraft erforderlich als an der Oberseite der Wand). Dies wurde teilweise dadurch erklärt, dass die Teilnehmer angewiesen wurden, die Prothese unter einer visuellen Markierung an der Wand zu platzieren. Dennoch ist es immer noch möglich, dass eine inkonsistente Platzierung dazu führen könnte, dass der autonome Controller unangemessene Kräfte ausübt. Darüber hinaus könnte die hohe visuelle Konzentration, die zum Erreichen dieser Platzierung erforderlich ist, zu ähnlichen mentalen Anstrengungsniveaus in allen Gruppen geführt haben, wie sowohl durch fNIRS (Abb. 7) als auch durch die Umfrage gemessen wurde. Dass die Umfrageergebnisse keine Unterschiede in der geistigen Anstrengung zeigten, kann durch die Annahme erklärt werden, dass subjektive Bewertungen bei einer geringen Stichprobengröße möglicherweise nicht so empfindlich auf Veränderungen der geistigen Anstrengung reagieren. Die vorliegende Studie umfasste keine Bedingung mit geteilter Kontrolle ohne jegliches haptisches Feedback. Obwohl ein solches System getestet werden kann, sollte sorgfältig darüber nachgedacht werden, wie dem Benutzer mitgeteilt werden kann, in welchem ​​Betriebsmodus er sich befindet, ohne seine visuellen oder akustischen Sinne zu überfordern. Basierend auf unserer früheren Arbeit38 würden wir erwarten, dass der haptische Shared-Control-Ansatz zu einer verbesserten neuronalen Effizienz gegenüber dem Shared-Control-Ansatz ohne haptisches Feedback führen wird.

Zukünftige Arbeiten zur klinischen Umsetzung des haptischen Shared-Control-Konzepts sollten die Überprüfung dieser vorliegenden Ergebnisse mit amputierten Teilnehmern und mit einem breiteren Spektrum an Aktivitäten und Objekttypen, einschließlich realer spröder und zerbrechlicher Objekte, umfassen. Darüber hinaus sollte der Nutzen des haptischen gemeinsamen Kontrollsystems im Längsschnitt bewertet werden, um seinen Einfluss auf die neuronale Effizienz und die direkte myoelektrische Kontrolle zu verstehen. Es wäre auch sinnvoll, das Ausmaß des Lernens und der Ermüdung bei langfristiger Nutzung der haptischen gemeinsamen Steuerung im Vergleich zu den Standard- und vibrotaktilen Feedback-Bedingungen zu bewerten. Eine weitere Erweiterung des autonomen Systems umfasst die Fähigkeit, Objekttypen zu erkennen, um den Wechsel zwischen verschiedenen Objekten und Aufgaben zu erleichtern. Darüber hinaus können andere Ansätze zur haptischen gemeinsamen Kontrolle entwickelt und getestet werden, die eine nahtlosere und adaptivere Vermittlung zwischen willentlicher und autonomer Kontrolle beinhalten. Da die autonome Kontrolle schließlich das Handlungsgefühl eines Benutzers beeinflussen kann, kann die Verkörperung beeinträchtigt werden67,68. Zukünftige Untersuchungen zur haptischen gemeinsamen Kontrolle sollten die Einbeziehung von Verkörperungsbewertungen wie propriozeptiver Drift69 und Verkörperungsfragebögen70 in Betracht ziehen.

Bestehende Ansätze zur gemeinsamen Steuerung innerhalb von Prothesensystemen konzentrieren sich auf die Ergänzung der menschlichen manuellen Steuerung der Prothese durch autonome Systeme29,32. Diese Systeme verfügen über kein haptisches Feedback und lassen den Benutzer daher außen vor. Im Gegensatz dazu integriert die vorliegende Studie haptisches Feedback mit einem autonomen Controller in einem Imitation-Learning-Paradigma, bei dem die autonome Steuerung die gewünschte Greifstrategie des Menschen nachbildet. Ein solches System kann weiter erweitert und verallgemeinert werden, um andere Arten der Mensch-Roboter-Interaktion zu ermöglichen, beispielsweise Roboterchirurgie und Mensch-Roboter-Kooperation.

Zusammenfassend zeigen unsere Ergebnisse, dass fNIRS zur Beurteilung der kognitiven Belastung und der neuronalen Effizienz bei einer komplexen, dynamischen Aufgabe verwendet werden kann, die mit einer myoelektrischen Prothese durchgeführt wird, und dass eine haptische gemeinsame Kontrollstrategie in einer myoelektrischen Prothese eine gute Aufgabenleistung bei geringer kognitiver Belastung gewährleistet . Dies wird durch die einzelnen Komponenten des Systems (vibrotaktiles Feedback und der Imitation-Learning-Controller) erreicht, deren Vorteile synergetisch kombiniert werden, um die Leistung zu optimieren. Diese Ergebnisse untermauern den Bedarf an Hybridsystemen in der bionischen Prothetik, um die neuronale und geschickte Leistung zu maximieren.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Johansson, RS & Westling, G. Rolle der Rezeptoren der kahlen Haut und des sensomotorischen Gedächtnisses bei der automatischen Steuerung des Präzisionsgriffs beim Heben rauerer oder rutschigerer Gegenstände. Exp. Gehirnres. 56, 550–564. https://doi.org/10.1007/BF00237997 (1984).

Artikel CAS Google Scholar

Gordon, AM, Westling, G., Cole, KJ & Johansson, RS Gedächtnisdarstellungen, die motorischen Befehlen zugrunde liegen, die bei der Manipulation häufiger und neuartiger Objekte verwendet werden. J. Neurophysiol. 69, 25 (1993).

Artikel Google Scholar

Johansson, RS & Cole, KJ Sensorisch-motorische Koordination bei Greif- und Manipulationshandlungen. Curr. Meinung. Neurobiol. 2, 815–823. https://doi.org/10.1016/0959-4388(92)90139-C (1992).

Artikel CAS Google Scholar

Gorniak, SL, Zatsiorsky, VM & Latash, ML Manipulation eines zerbrechlichen Objekts. Exp. Gehirnres. Exp. Hirnforschung Exp. Cerebrale 202, 413. https://doi.org/10.1007/S00221-009-2148-Z (2010).

Artikel Google Scholar

Stephens-Fripp, B., Alici, G. & Mutlu, R. Eine Übersicht über nicht-invasive sensorische Feedback-Methoden für transradiale Handprothesen. IEEE Access 6, 6878–6899. https://doi.org/10.1109/ACCESS.2018.2791583 (2018).

Artikel Google Scholar

Witteveen, HJB, Droog, EA, Rietman, JS & Veltink, PH Vibro- und elektrotaktiles Benutzerfeedback zur Handöffnung für myoelektrische Unterarmprothesen. IEEE Trans. Biomed. Ing. 59, 2219–2226. https://doi.org/10.1109/TBME.2012.2200678 (2012).

Artikel CAS Google Scholar

Antfolk, C. et al. Künstliche Umleitung der Empfindung von Fingerprothesen auf die Phantomhandkarte bei transradial amputierten Menschen: Vibrotaktiles versus mechanotaktiles sensorisches Feedback. IEEE Trans. Neuronales System. Rehabilitation. Ing. 21, 112–120. https://doi.org/10.1109/TNSRE.2012.2217989 (2013).

Artikel Google Scholar

Damian, DD, Fischer, M., Hernandez Arieta, A. & Pfeifer, R. Die Rolle quantitativer Informationen über Schlupf und Griffkraft bei der prothetischen Griffstabilität. Adv. Roboter. 32, 12–24. https://doi.org/10.1080/01691864.2017.1396250 (2018).

Artikel Google Scholar

Thomas, N., Ung, G., McGarvey, C. & Brown, JD Vergleich von vibrotaktilem und Gelenkdrehmoment-Feedback in einer myoelektrischen Prothese für die oberen Gliedmaßen. J. Neuroeng. Rehabilitation. 16, 70. https://doi.org/10.1186/s12984-019-0545-5 (2019).

Artikel Google Scholar

Kim, K. et al. Haptisches Feedback verbessert die Griffkraftkontrolle von sEMG-gesteuerten Handprothesen bei gezielt reinnervierten Amputierten. IEEE Trans. Neuronales System. Rehabilitation. Ing. 20, 798–805. https://doi.org/10.1109/TNSRE.2012.2206080 (2012).

Artikel Google Scholar

Rosenbaum-Chou, T., Daly, W., Austin, R., Chaubey, P. & Boone, DA Entwicklung und realer Einsatz eines vibrierenden haptischen Feedbacksystems für Benutzer von Prothesen der oberen Gliedmaßen. J. Prosth. Orthot. 28, 136–144. https://doi.org/10.1097/JPO.0000000000000107 (2016).

Artikel Google Scholar

Abd, MA, Ingicco, J., Hutchinson, DT, Tognoli, E. & Engeberg, ED Mehrkanaliges haptisches Feedback fördert die Fingerfertigkeit von Prothesenhand. Wissenschaft. Rep. 12, 1–17. https://doi.org/10.1038/s41598-022-04953-1 (2022).

Artikel CAS Google Scholar

Raveh, E., Friedman, J. & Portnoy, S. Bewertung der Auswirkungen der Hinzufügung von vibrotaktilem Feedback für Benutzer myoelektrischer Prothesen auf Leistung und visuelle Aufmerksamkeit in einem Dual-Task-Paradigma Artikel. Klin. Rehabilitation. 32, 1308–1316. https://doi.org/10.1177/0269215518774104 (2018).

Artikel Google Scholar

Raveh, E., Portnoy, S. & Friedman, J. Das Hinzufügen von vibrotaktilem Feedback zu einer myoelektrisch gesteuerten Hand verbessert die Leistung, wenn das visuelle Online-Feedback gestört ist. Summen. Mov. Wissenschaft. 58, 32–40. https://doi.org/10.1016/J.HUMOV.2018.01.008 (2018).

Artikel Google Scholar

Stepp, CE, An, Q. & Matsuoka, Y. Wiederholtes Training mit ergänzendem vibrotaktilem Feedback erhöht die Leistung bei der Objektmanipulation. PLoS One 7, e32743. https://doi.org/10.1371/journal.pone.0032743 (2012).

Artikel ADS CAS Google Scholar

Bark, K., Wheeler, JW, Premakumar, S. & Cutkosky, MR Vergleich von Hautdehnung und vibrotaktiler Stimulation zur Rückmeldung propriozeptiver Informationen. Im Symposium über haptische Schnittstellen für virtuelle Umgebungen und Teleoperatorsysteme, 2008. Haptics 2008, 71–78. https://doi.org/10.1109/HAPTICS.2008.4479916 (IEEE, 2008).

Blank, A., Okamura, AM & Kuchenbecker, KJ Identifizierung der Rolle der Propriozeption bei der Kontrolle von Prothesen der oberen Extremitäten. ACM Trans. Appl. Wahrnehmung. 7, 1–23. https://doi.org/10.1145/1773965.1773966 (2010).

Artikel Google Scholar

D'Alonzo, M. & Cipriani, C. Die vibrotaktile sensorische Substitution löst das Gefühl aus, eine fremde Hand zu besitzen. PLoS One 7, e50756. https://doi.org/10.1371/journal.pone.0050756 (2012).

Artikel ADS CAS Google Scholar

Clemente, F., D'Alonzo, M., Controzzi, M., Edin, BB & Cipriani, C. Nicht-invasive, zeitlich diskrete Rückmeldung von Objektkontakt und -freigabe verbessert die Griffkontrolle von myoelektrischen transradialen Prothesen mit geschlossenem Regelkreis. IEEE Trans. Neuronales System. Rehabilitation. Ing. 24, 1314–1322. https://doi.org/10.1109/TNSRE.2015.2500586 (2016).

Artikel Google Scholar

Engeberg, ED & Meek, SG Adaptive Gleitmodussteuerung des Schlupfs des ergriffenen Objekts für Handprothesen. Im Jahr 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems, 4174–4179. https://doi.org/10.1109/IROS.2011.6094500 (IEEE, 2011).

Jimenez, MC & Fishel, JA Bewertung von Kraft, Vibration und thermischem taktilem Feedback in Prothesen. In Proceedings of IEEE Haptics Symposium (HAPTICS), 437–441. https://doi.org/10.1109/HAPTICS.2014.6775495 (2014).

Thomas, N., Ung, G., Ayaz, H. & Brown, JD Neurophysiologische Bewertung des haptischen Feedbacks für myoelektrische Prothesen. IEEE Trans. Menschlicher Mach. Syst. 51, 253–264. https://doi.org/10.1109/THMS.2021.3066856 (2021).

Artikel Google Scholar

Salisbury, LL & Colman, AB Eine mechanische Hand mit automatischer proportionaler Steuerung der Greifkraft. Med. Biol. Ing. 5, 505–511. https://doi.org/10.1007/BF02479145 (1967).

Artikel CAS Google Scholar

Chappell, PH, Nightingale, JM, Kyberd, PJ & Barkhordar, M. Kontrolle einer künstlichen Hand mit einem Freiheitsgrad. J. Biomed. Ing. 9, 273–277. https://doi.org/10.1016/0141-5425(87)90013-6 (1987).

Artikel CAS Google Scholar

Nightingale, JM Mikroprozessorsteuerung eines künstlichen Arms. J. Mikrocomputer. Appl. 8, 167–173. https://doi.org/10.1016/0745-7138(85)90015-6 (1985).

Artikel Google Scholar

Matulevich, B., Loeb, GE & Fishel, JA Nutzen von Kontakterkennungsreflexen bei der Steuerung von Handprothesen. Tagungsband der IEEE International Conference on Intelligent Robots and Systems 4741–4746. https://doi.org/10.1109/IROS.2013.6697039 (2013).

Osborn, L., Kaliki, RR, Soares, AB & Thakor, NV Neuromimetische ereignisbasierte Erkennung für die taktile Feedback-Steuerung von Prothesen der oberen Extremitäten mit geschlossenem Regelkreis. IEEE Trans. Haptik 9, 196–206. https://doi.org/10.1109/TOH.2016.2564965 (2016).

Artikel Google Scholar

Ottobock. SensorHandgeschwindigkeit.

Zhuang, KZ et al. Gemeinsame proportionale Mensch-Roboter-Steuerung einer geschickten myoelektrischen Prothese. Nat. Mach. Intel. 1, 400–411. https://doi.org/10.1038/s42256-019-0093-5 (2019).

Artikel Google Scholar

Edwards, AL et al. Anwendung von maschinellem Lernen in Echtzeit auf die Steuerung myoelektrischer Prothesen: Eine Fallserie zum adaptiven Schalten. Prothese. Orthot. Int. 40, 573–581. https://doi.org/10.1177/0309364615605373 (2016).

Artikel Google Scholar

Mouchoux, J. et al. Künstliche Wahrnehmung und semiautonome Steuerung in myoelektrischen Handprothesen steigern die Leistung und verringern den Aufwand. IEEE Trans. Roboter. 37, 1298–1312. https://doi.org/10.1109/TRO.2020.3047013 (2021).

Artikel Google Scholar

Mouchoux, J., Bravo-Cabrera, MA, Dosen, S., Schilling, AF & Markovic, M. Einfluss gemeinsamer Kontrollmodalitäten auf Leistung und Benutzerfreundlichkeit halbautonomer Prothesen. Vorderseite. Neuroroboter. 15, 172. https://doi.org/10.3389/FNBOT.2021.768619/BIBTEX (2021).

Artikel Google Scholar

Benloucif, A., Nguyen, AT, Sentouh, C. & Popieul, JC Kooperative Trajektorienplanung für die haptische gemeinsame Kontrolle zwischen Fahrer und Automatisierung beim Fahren auf der Autobahn. IEEE Trans. Ind. Elektron. 66, 9846–9857. https://doi.org/10.1109/TIE.2019.2893864 (2019).

Artikel Google Scholar

Luo, R. et al. Ein arbeitslastadaptives haptisches gemeinsames Steuerungsschema für halbautonomes Fahren. Unfall Anal. Vorher. 152, 105968. https://doi.org/10.1016/J.AAP.2020.105968 (2021).

Artikel Google Scholar

Lazcano, AM, Niu, T., Carrera Akutain, X., Cole, D. & Shyrokau, B. MPC-basiertes haptisches gemeinsames Lenksystem: Ein Fahrermodellierungsansatz für symbiotisches Fahren. IEEE/ASME Trans. Mech. 26, 1201–1211. https://doi.org/10.1109/TMECH.2021.3063902 (2021).

Artikel Google Scholar

Zhang, D., Tron, R. & Khurshid, RP Haptisches Feedback verbessert die Mensch-Roboter-Übereinstimmung und die Benutzerzufriedenheit bei der Teleoperation mit geteilter Autonomie. Tagungsband – IEEE International Conference on Robotics and Automation 2021 – Mai, 3306–3312. https://doi.org/10.1109/ICRA48506.2021.9560991 (2021).

Selvaggio, M., Cacace, J., Pacchierotti, C., Ruggiero, F. & Giordano, PR Eine Teleoperationsarchitektur mit gemeinsamer Steuerung für den nichtgreifbaren Objekttransport. IEEE Trans. Roboter. 38, 569–583. https://doi.org/10.1109/TRO.2021.3086773 (2022).

Artikel Google Scholar

Thomas, N., Fazlollahi, F., Kuchenbecker, KJ & Brown, JD Der Nutzen synthetischer Reflexe und haptischer Rückmeldung für Prothesen der oberen Gliedmaßen bei einer geschickten Aufgabe ohne direkte Sicht. IEEE Trans. Neuronales System. Rehabilitation. Eng.https://doi.org/10.1109/TNSRE.2022.3217452 (2022).

Artikel Google Scholar

Curtin, A. & Ayaz, H. Neuronale Effizienzmetriken in der Neuroergonomik: Theorie und Anwendungen. In Neuroergonomics Vol. 22 (Hrsg. Ayaz, H. & Dehais, F.) 133–140 (Academic Press, ***, 2019). https://doi.org/10.1016/B978-0-12-811926-6.00022-1.

Kapitel Google Scholar

Ayaz, H. et al. Optische Gehirnüberwachung zur Bedienerschulung und zur Beurteilung der mentalen Arbeitsbelastung. Neuroimage 59, 36–47. https://doi.org/10.1016/J.NEUROIMAGE.2011.06.023 (2012).

Artikel Google Scholar

Meek, SG, Jacobsen, SC & Goulding, PP Erweiterte physiologische Taktik: Entwurf und Bewertung eines proportionalen Kraftrückkopplungssystems. J. Rehabil. Res. Entwickler 26, 53–62 (1989).

CAS Google Scholar

Brown, JD et al. Eine Untersuchung der Griffkraftregulierung mit einer myoelektrischen Prothese mit niedriger Impedanz und referenzierter haptischer Rückmeldung. J. Neuroeng. Rehabilitation. 12, 104. https://doi.org/10.1186/s12984-015-0098-1 (2015).

Artikel Google Scholar

Ogawa, S., Lee, TM, Kay, AR & Tank, DW Magnetresonanztomographie des Gehirns mit Kontrast abhängig von der Sauerstoffversorgung des Blutes. Proz. Natl. Acad. Wissenschaft. 87, 9868–9872. https://doi.org/10.1073/PNAS.87.24.9868 (1990).

Artikel ADS CAS Google Scholar

Villringer, A., Planck, J., Hock, C., Schleinkofer, L. & Dirnagl, U. Nahinfrarotspektroskopie (NIRS): Ein neues Instrument zur Untersuchung hämodynamischer Veränderungen während der Aktivierung der Gehirnfunktion bei menschlichen Erwachsenen. Neurosci. Lette. 154, 101–104. https://doi.org/10.1016/0304-3940(93)90181-J (1993).

Artikel CAS Google Scholar

Villringer, A. & Chance, B. Nicht-invasive optische Spektroskopie und Bildgebung der menschlichen Gehirnfunktion. Trends Neurosci. 20, 435–442. https://doi.org/10.1016/S0166-2236(97)01132-6 (1997).

Artikel CAS Google Scholar

Obrig, H. et al. Nahinfrarotspektroskopie: Funktioniert sie bei funktionellen Aktivierungsstudien des erwachsenen Gehirns? Int. J. Psychophysiol. 35, 125–142. https://doi.org/10.1016/S0167-8760(99)00048-3 (2000).

Artikel CAS Google Scholar

Heeger, DJ & Ress, D. Was sagt uns fMRT über neuronale Aktivität? Nat. Rev. Neurosci. 3, 142–151. https://doi.org/10.1038/NRN730 (2002).

Artikel CAS Google Scholar

Fishburn, FA, Norr, ME, Medvedev, AV & Vaidya, CJ Empfindlichkeit von fNIRS gegenüber kognitivem Zustand und Belastung. Vorderseite. Menschliche Neurowissenschaften.https://doi.org/10.3389/fnhum.2014.00076 (2014).

Artikel Google Scholar

Liu, Y. et al. Messung der neuronalen Kopplung zwischen Sprecher und Hörer mit funktioneller Nahinfrarotspektroskopie. Wissenschaft. Rep. 7, 43293. https://doi.org/10.1038/srep43293 (2017).

Artikel ADS Google Scholar

Ayaz, H. et al. Kontinuierliche Überwachung der Gehirndynamik mit funktioneller Nahinfrarotspektroskopie als Werkzeug für die neuroergonomische Forschung: Empirische Beispiele und eine technologische Entwicklung. Vorderseite. Summen. Neurosci. 7, 871. https://doi.org/10.3389/fnhum.2013.00871 (2013).

Artikel Google Scholar

Perrey, S. Möglichkeiten zur Untersuchung der neuronalen Gangkontrolle beim Menschen mit fNIRS. Vorderseite. Physiol.https://doi.org/10.3389/fphys.2014.00204 (2014).

Artikel Google Scholar

Mirelman, A. et al. Erhöhte Aktivierung des Frontalhirns beim Gehen während Dual-Tasking: Eine fNIRS-Studie an gesunden jungen Erwachsenen. J. NeuroEng. Rehabil.https://doi.org/10.1186/1743-0003-11-85 (2014).

Artikel Google Scholar

Gateau, T., Ayaz, H. & Dehais, F. In silico vs. über den Wolken: On-the-fly-Einschätzung des mentalen Zustands von Flugzeugpiloten unter Verwendung eines auf funktioneller Nahinfrarotspektroskopie basierenden passiven BCI. Vorderseite. Menschliche Neurowissenschaften. 12, 187. https://doi.org/10.3389/fnhum.2018.00187 (2018).

Artikel Google Scholar

Ayaz, H. et al. Optische Bildgebung und Spektroskopie zur Untersuchung des menschlichen Gehirns: Statusbericht. Neurophotonikhttps://doi.org/10.1117/1.NPH.9.S2.S24001 (2022).

Artikel Google Scholar

Biessmann, F., Plis, S., Meinecke, FC, Eichele, T. & Müller, K.-R. Analyse multimodaler Neuroimaging-Daten. IEEE Rev. Biomed. Ing. 4, 26–58. https://doi.org/10.1109/RBME.2011.2170675 (2011).

Artikel Google Scholar

Ayaz, H. et al. Verwendung von MazeSuite und funktionaler Nahinfrarotspektroskopie zur Untersuchung des Lernens in der räumlichen Navigation. J. Vis. Exp.https://doi.org/10.3791/3443 (2011).

Artikel Google Scholar

Kuschinsky, W. Kopplung von Funktion, Stoffwechsel und Durchblutung im Gehirn. Neurochirurg. Rev. 14, 163–168. https://doi.org/10.1007/BF00310651 (1991).

Artikel CAS Google Scholar

Pezent, E., Cambio, B. & Ormalley, MK Syntacts: Open-Source-Software und -Hardware für audiogesteuerte Haptik. IEEE Trans. Haptik 14, 225–233. https://doi.org/10.1109/TOH.2020.3002696 (2021).

Artikel Google Scholar

Prahm, C., Kayali, F., Sturma, A. & Aszmann, O. PlayBionic: Spielbasierte Interventionen zur Förderung des Patientenengagements und der Leistung bei der prothetischen motorischen Rehabilitation. PM &R 10, 1252–1260. https://doi.org/10.1016/J.PMRJ.2018.09.027 (2018).

Artikel Google Scholar

Hart, SG & Staveland, LE Entwicklung von NASA-TLX (Task Load Index): Ergebnisse empirischer und theoretischer Forschung. Adv. Psychol. 52, 139–183. https://doi.org/10.1016/S0166-4115(08)62386-9 (1988).

Artikel Google Scholar

Losey, DP, McDonald, CG, Battaglia, E. & O'Malley, MK Ein Überblick über Absichtserkennung, Schlichtung und Kommunikationsaspekte der gemeinsamen Kontrolle für die physische Mensch-Roboter-Interaktion. Appl. Mech. Rev. 70, 010804. https://doi.org/10.1115/1.4039145 (2018).

Artikel ADS Google Scholar

Zhou, M., Jones, DB, Schwaitzberg, SD & Cao, CGL Rolle von haptischem Feedback und kognitiver Belastung beim Erwerb chirurgischer Fähigkeiten. In Proceedings of the Human Factors and Ergonomie Society, 631–635 (2007).

Cao, CG, Zhou, M., Jones, DB & Schwaitzberg, SD Können Chirurgen gleichzeitig mit Haptik denken und operieren? J. Gastrointest. Surg. 11, 1564–1569. https://doi.org/10.1007/S11605-007-0279-8/FIGURES/5 (2007).

Artikel Google Scholar

Schwartz, AB Bewegung: Wie das Gehirn mit der Welt kommuniziert. Zelle 164, 1122–1135. https://doi.org/10.1016/j.cell.2016.02.038 (2016).

Artikel CAS Google Scholar

Bao, T. et al. Vibrotaktiles Displaydesign: Quantifizierung der Bedeutung des Alters und verschiedener Faktoren für die Reaktionszeit. PLoS One 14, e0219737. https://doi.org/10.1371/JOURNAL.PONE.0219737 (2019).

Artikel CAS Google Scholar

Diederich, A. & Colonius, H. Bimodale und trimodale multisensorische Verbesserung: Auswirkungen des Reizbeginns und der Reizintensität auf die Reaktionszeit. Wahrnehmung. Psychophyse. 66, 1388–1404. https://doi.org/10.3758/BF03195006 (2004).

Artikel Google Scholar

Sensinger, JW & Dosen, S. Eine Überprüfung der sensorischen Rückmeldung bei Prothesen der oberen Gliedmaßen aus der Perspektive der menschlichen Motorsteuerung. Vorderseite. Neurosci. 14, 345. https://doi.org/10.3389/fnins.2020.00345 (2020).

Artikel Google Scholar

Botvinick, M. & Cohen, J. Gummihände „fühlen“ Berührungen, die Augen sehen. Natur 391, 756–756. https://doi.org/10.1038/35784 (1998).

Artikel ADS CAS Google Scholar

Zbinden, J., Lendaro, E. & Ortiz-Catalan, M. Prothetische Verkörperung: Systematische Übersicht über Definitionen, Maße und experimentelle Paradigmen. J. NeuroEng. Rehabilitation. 19, 1–16. https://doi.org/10.1186/S12984-022-01006-6 (2022).

Artikel Google Scholar

Bekrater-Bodmann, R. Wahrnehmungskorrelate einer erfolgreichen Körper-Prothese-Interaktion bei Amputierten der unteren Extremitäten: Psychometrische Charakterisierung und Entwicklung der Prothesen-Verkörperungsskala. Wissenschaft. Rep.https://doi.org/10.1038/S41598-020-70828-Y (2020).

Artikel Google Scholar

Referenzen herunterladen

Wir möchten Garrett Ung für den Entwurf und die Konstruktion des instrumentierten Objekts danken. Vielen Dank auch an Leah Jager für die Bereitstellung ihrer statistischen Beratungsdienste. Wir danken auch der National Science Foundation für die Finanzierung des Erstautors durch ein Graduate Research Fellowship.

Abteilung für Biomedizintechnik, Johns Hopkins University, Baltimore, 21218, USA

Neha Thomas

Fakultät für Maschinenbau, Johns Hopkins University, Baltimore, 21218, USA

Alexandra J. Miller und Jeremy D. Brown

School of Biomedical Engineering, Science and Health Systems, Drexel University, Philadelphia, PA, 19104, USA

Hasan Ayaz

Abteilung für Psychologie und Gehirnwissenschaften, Drexel University, Philadelphia, PA, 19104, USA

Hasan Ayaz

Drexel Solutions Institute, Drexel University, Philadelphia, PA, 19104, USA

Hasan Ayaz

Abteilung für Familien- und Gemeindegesundheit, University of Pennsylvania, Philadelphia, PA, 19104, USA

Hasan Ayaz

Zentrum für Verletzungsforschung und Prävention, Kinderkrankenhaus von Philadelphia, Philadelphia, PA, 19104, USA

Hasan Ayaz

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

NT konzipierte den Versuchsaufbau und integrierte die Hardware und Software zur Durchführung des Experiments. NT und AM führten die Benutzerstudie durch. NT analysierte die Daten. HA beriet zum experimentellen Design, zur Verwendung von fNIRS und zu statistischen Analysen, und JDB beriet zum allgemeinen Experiment und zu statistischen Analysen. NT hat den Manuskriptentwurf geschrieben. Alle Autoren haben das Manuskript bearbeitet und seine Einreichung genehmigt.

Korrespondenz mit Neha Thomas.

fNIR Devices, LLC stellt das optische Gerät zur Bildgebung des Gehirns her und lizenziert geistiges Eigentum und Know-how von der Drexel University. Dr. Ayaz war an der Technologieentwicklung beteiligt und bot daher einen kleinen Anteil am Startup-Unternehmen fNIR Devices an. Die Autoren erklären, dass die Forschung in Abwesenheit jeglicher kommerzieller oder finanzieller Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten. Alle anderen Autoren haben keine konkurrierenden Interessen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Thomas, N., Miller, AJ, Ayaz, H. et al. Die gemeinsame haptische Steuerung verbessert die neuronale Effizienz bei der Verwendung myoelektrischer Prothesen. Sci Rep 13, 484 (2023). https://doi.org/10.1038/s41598-022-26673-2

Zitat herunterladen

Eingegangen: 27. Mai 2022

Angenommen: 19. Dezember 2022

Veröffentlicht: 10. Januar 2023

DOI: https://doi.org/10.1038/s41598-022-26673-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.