Analysis of EEG signals for monitoring active participation during gait robot training

75-80% von den 80% aller Schlaganfallpatienten, die nach einem Jahr wieder alleine gehen können, können dies nur in ihrer Wohnumgebung und etwa 70% werden nie wieder eine 'normale" Gehgeschwindigkeit (5km/h) erreichen. Um die Wahrscheinlichkeit einer Gehbehinderung zu verringern ist deshalb ein frühes Training essentiell. Spezielle Gangroboter können diesen Prozess noch intensivieren, da sie mehr Wiederholungen in derselben Zeit erlauben und eine große Entlastung für die Therapeuten sind. Der wichtigste Faktor für einen idealen Rehabilitationsfortschritt ist jedoch eine aktive Teilnahme, welche durch positives Feedback gefördert werden kann. Das Ziel dieser Arbeit ist die Entwicklung eines Auswerteprotokolls für die Unterscheidung zwischen aktiver und passiver Teilnahme während des Gangrobotertrainings (PerPedes von schepp medtech GmbH (Niklasdorf, Austria)) um dem Patienten ein unterstützendes Feedback zu liefern. Drei Probanden nahmen an den ersten Messungen teil, bei denen sowohl EEG (64 Elektroden), als auch EMG (M. rectus femoris, M. semitendinosus, M. tibialis anterior, M. gastrocnemius medialis) und die Bodenreaktionskräfte während der aktiven und passiven Teilnahme aufgenommen wurden. Aufgrund von unterschiedlichen Artefakten im EEG und EMG Signal konnten keine allgemein gültigen Aussagen über die Ergebnisse getroffen werden, jedoch konnte das Messparadigma verbessert und das EMG Messequipment neu designt werden. Vor allem für die EEG Signale, wurden mehrere Artefaktreduktionsversuche, wie das Anwenden verschiedenster Filter oder die Verwendung der 'Independent Component Analysis", gemacht, jedoch ohne Erfolg. Die Analyse des Aktivitätsleistungsspektrums einzelner Elektroden scheinen die bestmögliche Unterscheidung zwischen aktiver und passiver Teilnahme zu ermöglichen und sollten deshalb näher untersucht werden. Außerdem sind die Ergebnisse der Kraftmessungen vielversprechend für ein nützliches Feedback. Um die Verwendbarkeit der anderen Messmethoden zu beweisen müssen jedoch weitere Messungen mit mehr Probanden durchgeführt werden. 75-80% out of the 80% of stroke patients that are able to walk again after one year can only move along independently in their own living area and approximately 70% will never reach a "normal‟ walking speed (about 5km/h) again. To reduce the possibility of an impaired mobility, an early training is essential which could be intensified by using special gait robots since they allow more repetition in the same time and release the therapist enormously. The most important factor for an ideal rehabilitation process, however, is active participation which could be enhanced through positive feedback. The aim of this thesis is to develop an evaluation protocol for enabling the differentiation between active and passive participation during gait robot training (PerPedes by schepp medtech GmbH (Niklasdorf, Austria)) in order to give the patient supportive feedback. Three subjects participated in the first measurements, including EEG (64 electrodes), EMG (m. rectus femoris, m. semitendinosus, m. tibialis anterior, m. gastrocnemius medialis) and ground reaction force measurements during active and passive participation. Due to a high artefact contamination of the EEG and EMG signals no general statements could be concluded from the results but an improvement of the measurement paradigm and a redesign of the EMG equipment was realised. Especially for the EEG signals, several artefact reduction attempts were made, for example applying different filters on the signal or using independent component analysis, with no success. The analyses of the activity power spectrum of single electrodes seem to be the best way to differentiate between active and passive participation and should therefore be further investigated. In addition, the results of the force measurements promise a good usability for feedback. Further measurements with more subjects have to be performed to proof the utility of the other feedback attempts.