Pattern Recognition Protetic Control (Adaptation)
keskiviikko 19. lokakuuta 2022 päivittänyt: Coapt, LLC
Ohjausjärjestelmän mukauttamisen tehokkuus yläraajojen proteesin kulumisajan parantamisessa todellisessa ympäristössä, satunnaistettu crossover-koe
Monet eri tekijät voivat heikentää yläraajaproteesin suorituskykyä, jota käyttäjä ohjaa elektromyografiaan (EMG) perustuvalla hahmontunnistusohjauksella.
Perinteiset ohjausjärjestelmät vaativat toistuvaa uudelleenkalibrointia tasaisen suorituskyvyn saavuttamiseksi, mikä voi johtaa siihen, että proteesin käyttäjät päättävät käyttää laitettaan vähemmän.
Tämä tutkimus tutkii uutta mukautuvaa hahmontunnistuksen ohjausalgoritmia, joka kouluttaa uudelleen sen sijaan, että korvaa sen olemassa olevan ohjausjärjestelmän, jonka jokaisen esiintymän käyttäjät kalibroivat uudelleen.
Tutkimuksen hypoteesi on, että tällainen mukautuva ohjausjärjestelmä johtaa tyydyttävämpään proteesin hallintaan, mikä vähentää uudelleenkalibroinnin tarvetta ja lisää sitä, kuinka usein käyttäjät käyttävät laitettaan.
Osallistujat käyttävät proteesejaan kuten normaalisti kotona käyttäen kutakin ohjausjärjestelmää (adaptiivinen ja ei-adaptiivinen) 8 viikon ajan ja jaksoittaisen 1 viikon pesujakson (yhteensä 17 viikkoa).
Proteesin käyttöä seurataan jokaisena ajanjaksona, jotta voidaan verrata käyttäjän kulumisaikaa ja uudelleenkalibrointitiheyttä käytettäessä adaptiivista tai ei-adaptiivista ohjausta.
Osallistujat pelaavat myös virtuaalisia pelejä tietokoneella kunkin jakson alussa (0 kuukautta), puolivälissä (1 kk) ja lopussa (2 kuukautta) ja testaavat heidän kykyään hallita proteesin liikettä jokaisella jaksolla. ohjausjärjestelmä.
Käyttäjän suorituskyvyn muutokset arvioidaan kunkin jakson aikana ja niitä verrataan kahden ohjausjärjestelmän välillä.
Tämä tutkimus ei ainoastaan arvioi adaptiivisen muodontunnistuksen hallinnan tehokkuutta, vaan se tehdään kotona tyypillisissä ja realistisissa proteesin käyttöolosuhteissa.
Tutkimuksen yleiskatsaus
Tila
Valmis
Interventio / Hoito
Opintotyyppi
Interventio
Ilmoittautuminen (Todellinen)
9
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Illinois
-
Chicago, Illinois, Yhdysvallat, 60654
- Coapt, LLC
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
18 vuotta - 70 vuotta (Aikuinen, Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Sukupuolet, jotka voivat opiskella
Kaikki
Kuvaus
Sisällyttämiskriteerit:
- Koehenkilöillä on yläraajojen ero (synnynnäinen tai hankittu) transradiaalisella (ranteen ja kyynärpään välillä), kyynärpään disartikulaatiolla (kyynärpäässä), transhumeraalisella (kyynärpään ja olkapään välillä) tai olkapään disartikulaatiolla (olkapäässä).
- Kohteet sopivat Coapt-kuviontunnistuskäyttäjiksi tai ovat jo niitä (Coapt Complete Control Gen 2).
- Koehenkilöt ovat 18-70-vuotiaita.
Poissulkemiskriteerit:
- Koehenkilöt, joilla on merkittäviä kognitiivisia puutteita tai näkövamma, joka estäisi heitä antamasta tietoon perustuvaa suostumusta tai noudattamasta ohjeita kokeiden aikana tai kyky saada asiaankuuluvaa käyttäjäpalautetta keskustelua.
- Aiheet, jotka eivät puhu englantia.
- Koehenkilöt, jotka ovat raskaana.
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Hoito
- Jako: Satunnaistettu
- Inventiomalli: Crossover-tehtävä
- Naamiointi: Yksittäinen
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: Mukautuva ohjaus
Mukautuva ohjausjärjestelmä päivittää hahmontunnistuksen ohjausalgoritmia sisällyttämällä siihen uusia EMG-tietoja joka kerta, kun proteesin käyttäjä kalibroi laitteensa uudelleen.
|
Elektromyografiaan (EMG) perustuvan hahmontunnistusohjaimen käyttäminen yläraajan proteesin siirtämiseen kotikokeessa.
Muut nimet:
|
|
Active Comparator: Ei-adaptiivinen ohjaus
Perinteiset, ei-adaptiiviset ohjausjärjestelmät nollaavat kuviontunnistuksen ohjausalgoritmin poistamalla vanhat EMG-tiedot joka kerta, kun proteesin käyttäjä kalibroi laitteensa uudelleen.
|
Elektromyografiaan (EMG) perustuvan hahmontunnistusohjaimen käyttäminen yläraajan proteesin siirtämiseen kotikokeessa.
Muut nimet:
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Erot proteesin kulumisajoissa
Aikaikkuna: Kirjaamme proteesin kokonaiskäyttöajan jokaisen 8 viikon kotijakson aikana.
|
Tallennamme jokaisen tapauksen, jossa osallistujat kytkevät päälle tai pois päältä hahmontunnistuslaitteensa koko kotikokeen ajan.
Proteesin käyttöaika määritellään kumulatiivisena ajanjaksona, jonka osallistujat pitävät kuviontunnistuslaitteensa päällä jokaisen 8 viikon kotijakson aikana.
Suoritamme tilastollisen analyysin kulumisajan vertaamiseksi käytettäessä erityyppisiä kuviontunnistuksen ohjausjärjestelmiä (adaptiivinen ja ei-adaptiivinen).
Suoritamme toistuvien mittausten varianssianalyysin, jossa kohde on satunnaistekijä, ohjausjärjestelmän järjestys kiinteänä muuttujana ja kulumisaika kiinteänä muuttujana.
|
Kirjaamme proteesin kokonaiskäyttöajan jokaisen 8 viikon kotijakson aikana.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Erot kalibrointitaajuudessa
Aikaikkuna: Tallennamme kalibrointitiheyden jokaisen kodin 8 viikon jakson aikana.
|
Tallennamme jokaisen tapauksen, jonka osallistujat kalibroivat hahmontunnistuslaitteensa uudelleen koko kotikokeen ajan.
Suoritamme tilastollisen analyysin vertaillaksemme kalibrointien tiheyttä kutakin ohjausjärjestelmää käytettäessä (adaptiivinen ja ei-adaptiivinen).
Suoritamme toistuvan mittauksen varianssianalyysin, jossa kohde on satunnaistekijä, ohjausjärjestelmän järjestys kiinteänä muuttujana ja kulumisaika kiinteänä muuttujana.
|
Tallennamme kalibrointitiheyden jokaisen kodin 8 viikon jakson aikana.
|
|
Muutoksia virtuaalipelien suorituskyvyssä
Aikaikkuna: Osallistujat suorittavat virtuaalipelit jokaisen 8 viikon kotijakson alussa (0 kuukautta), puolivälissä (1 kk) ja lopussa (2 kuukautta).
|
Osallistujat suorittavat kaksi virtuaalista peliä nimeltä Simon Says ja In-the-Zone Coapt Complete ControlRoom -työpöytäsovelluksella.
Molemmissa peleissä testataan, kuinka hyvin osallistujat hallitsevat virtuaaliobjektien liikettä hahmontunnistuslaitteellaan.
Mittaamme niiden yleistä ohjaustehoa laskemalla valmistumisasteen, liikeajan ja polun tehokkuuden.
Suoritamme tilastollisen analyysin vertaillaksemme virtuaalipelien suorituskykyä kutakin ohjausjärjestelmää käytettäessä.
Suoritamme toistuvan mittauksen varianssianalyysin, jossa kohde on satunnaistekijä, kiinteänä muuttujana käytetty muodontunnistuksen ohjausjärjestelmän järjestys ja jokainen suorituskykymittari kiinteänä muuttujana.
|
Osallistujat suorittavat virtuaalipelit jokaisen 8 viikon kotijakson alussa (0 kuukautta), puolivälissä (1 kk) ja lopussa (2 kuukautta).
|
|
RIC:n Orthotics Prosthetics User Survey
Aikaikkuna: Osallistujat suorittavat OPUS:n jokaisen 8 viikon jakson alussa (0 kuukautta) ja lopussa (2 kuukautta). jokaisesta kotona 8 viikon jaksosta.
|
Osallistujat suorittavat RIC:n Orthotics Prosthetics User Surveyn (OPUS) -tutkimuksen yläraajojen toiminnallisen tilan moduulin.
OPUS pyytää proteesien käyttäjiä arvioimaan vaikeustasoa (erittäin helposta erittäin vaikeaan) olkavarren/käden toimintojen suorittamisessa hahmontunnistuslaitteellaan.
Tutkimustiedot arvioidaan luokitusasteikkoanalyysillä (Rasch-malli).
|
Osallistujat suorittavat OPUS:n jokaisen 8 viikon jakson alussa (0 kuukautta) ja lopussa (2 kuukautta). jokaisesta kotona 8 viikon jaksosta.
|
|
Proteesin käyttäjäkysely
Aikaikkuna: Osallistujat täyttävät kyselyn tutkimukseen osallistumisensa päätyttyä (17 viikkoa).
|
Osallistujat täyttävät kyselyn tai puhelinhaastattelun antaakseen palautetta siitä, minkä ohjausjärjestelmän he pitävät adaptiivisen vai ei-adaptiivisen välillä.
Osallistujat ilmoittavat, pitävätkö he parempana ensimmäisen vai toisen 8 viikon aikana käyttämänsä valvontajärjestelmää.
|
Osallistujat täyttävät kyselyn tutkimukseen osallistumisensa päätyttyä (17 viikkoa).
|
|
Erot luokittelutarkkuudessa
Aikaikkuna: Kirjaamme luokittelutarkkuuden jokaisen kodin 8 viikon jakson alussa (0 kk), puolivälissä (1 kk) ja lopussa (2 kk).
|
Osallistujia opastetaan käyttämään hahmontunnistuslaitettaan tekemään sarja itsenäisiä proteesiliikkeitä ja pitämään jokaista liikettä 3 sekunnin ajan.
Jokaiselle liikkeelle tallennetaan niiden muodontunnistusluokittimen määrittämä liikeluokka 50 ms:n välein.
Mittaamme heidän luokituksensa suoritusta käytettäessä kutakin ohjausjärjestelmää (adaptiivinen ja ei-adaptiivinen) laskemalla luokittelutarkkuuden, joka määritellään oikeiden luokittelujen lukumääränä kunkin liikkeen luokittelujen kokonaismäärästä.
Suoritamme tilastollisen analyysin vertaillaksemme luokittelutarkkuutta kutakin ohjausjärjestelmää käytettäessä.
Suoritamme toistuvamittaisen varianssianalyysin, jossa kohde on satunnaistekijä, kiinteänä muuttujana käytettävä hahmontunnistuksen ohjausjärjestelmä ja luokitustarkkuus kiinteänä muuttujana.
|
Kirjaamme luokittelutarkkuuden jokaisen kodin 8 viikon jakson alussa (0 kk), puolivälissä (1 kk) ja lopussa (2 kk).
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Blair Lock, MScE, Coapt, LLC
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Simon AM, Hargrove LJ, Lock BA, Kuiken TA. Target Achievement Control Test: evaluating real-time myoelectric pattern-recognition control of multifunctional upper-limb prostheses. J Rehabil Res Dev. 2011;48(6):619-27. doi: 10.1682/jrrd.2010.08.0149.
- Chicoine CL, Simon AM, Hargrove LJ. Prosthesis-guided training of pattern recognition-controlled myoelectric prosthesis. Annu Int Conf IEEE Eng Med Biol Soc. 2012;2012:1876-9. doi: 10.1109/EMBC.2012.6346318.
- Scheme E, Englehart K. Electromyogram pattern recognition for control of powered upper-limb prostheses: state of the art and challenges for clinical use. J Rehabil Res Dev. 2011;48(6):643-59. doi: 10.1682/jrrd.2010.09.0177.
- Kyranou I, Vijayakumar S, Erden MS. Causes of Performance Degradation in Non-invasive Electromyographic Pattern Recognition in Upper Limb Prostheses. Front Neurorobot. 2018 Sep 21;12:58. doi: 10.3389/fnbot.2018.00058. eCollection 2018.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Torstai 17. joulukuuta 2020
Ensisijainen valmistuminen (Todellinen)
Perjantai 20. toukokuuta 2022
Opintojen valmistuminen (Todellinen)
Perjantai 20. toukokuuta 2022
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Torstai 13. helmikuuta 2020
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Torstai 13. helmikuuta 2020
Ensimmäinen Lähetetty (Todellinen)
Maanantai 17. helmikuuta 2020
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Torstai 20. lokakuuta 2022
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Keskiviikko 19. lokakuuta 2022
Viimeksi vahvistettu
Lauantai 1. lokakuuta 2022
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 120190044
- W81XWH-17-1-0645 (Muu apuraha/rahoitusnumero: US Army Medical Research Acquisition Activity)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Joo
IPD-suunnitelman kuvaus
Vain tutkimuksen aikana kerättyjen yksittäisten osallistujien henkilötietoja voidaan jakaa.
Tämä sisältää kaikki kokeelliset tiedot, jotka ovat tulosten taustalla julkaisussa, kuten EMG-tiedot, proteesien käyttötiedot, virtuaalipelitiedot sekä kyselyt ja kyselyt.
IPD-jaon aikakehys
Odotamme tutkimustietojen ja tulosten olevan saatavilla tutkimuksen lopussa, kun data-analyysi ja julkaisu on suoritettu.
IPD-jaon käyttöoikeuskriteerit
Se on valtuutetun tutkimushenkilöstön harkinnassa, kenen kanssa tietoja jaetaan tai missä ne saatetaan saataville.
Vain tunnistamattomat tiedot jaetaan vakiomuotoisissa tiedostomuodoissa (.csv tai .txt).
Tietoja voidaan jakaa koko tutkimusyhteisön kanssa tieteen ja terveyden edistämiseksi.
Tiedot ovat julkisesti saatavilla online-tietojen jakamissivuston kautta vain, jos se on tarpeen tieteellisessä lehdessä julkaisemista varten.
Tietojen analysoinnin valmistuttua tutkimustuloksia voidaan pyynnöstä jakaa koehenkilöiden kanssa ja ne jaetaan yleisölle aikakauslehtijulkaisuna.
Tutkimustulokset voidaan julkaista myös Coaptin verkkosivuilla.
IPD-jakamista tukeva tietotyyppi
- Tutkimuspöytäkirja
- Tilastollinen analyysisuunnitelma (SAP)
- Kliinisen tutkimuksen raportti (CSR)
- Analyyttinen koodi
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Joo
Yhdysvalloissa valmistettu ja sieltä viety tuote
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .