巴特尔神经旁路技术恢复瘫痪人的手臂和手的运动

俄亥俄州立大学韦克斯纳医学中心的神经外科医生在志愿者的左侧初级运动皮层植入了微电极阵列。该阵列使用96个单独的电极来记录神经活动。在每秒30,000个样本的情况下，电极每100毫秒产生近300,000个样本。

为了将这些数据转化为特定的手部运动，巴特尔的工程师需要提取有意义的特征，应用分类算法来识别这些特征中的模式，并将这些模式映射到参与者预期的手部运动。然后，工程师需要控制受试者右臂上130个神经肌肉电刺激器(NMES)的通道。即使在思想和运动之间只有几秒钟的延迟，也会使运动变得太不自然，使整个系统变得不切实际。因此，所有的数据处理、分类和解码都必须实时完成。为了达到接近自然运动的性能，系统必须每秒更新10次，这意味着在不到100毫秒的时间内完成所有处理步骤。

巴特尔使用MATLAB开发信号处理和机器学习算法，并实时运行算法。

研究人员向参与者展示了一个电脑生成的虚拟手的动作，比如手腕的弯曲和伸展，拇指的弯曲和伸展，以及手的张开和闭合，并让参与者思考用自己的手做同样的动作。

在MATLAB中，该团队开发了算法来分析植入电极阵列中96个通道的数据。使用小波工具箱™，他们进行小波分解，以分离控制运动的大脑信号的频率范围。

他们在MATLAB中对分解结果进行变换，计算平均小波功率(MWP)，将单个通道每100毫秒窗口捕获的3000个特征减少到单个值。

得到的96个MWP值被用作机器学习算法的特征向量，该算法将特征转换为个体动作。

该团队使用MATLAB测试了几种机器学习技术，包括判别分析和支持向量机(SVM)，最终确定了性能优化的自定义支持向量机。金宝app

在测试过程中，该团队通过让参与者尝试视频中显示的动作来训练支持向量机。他们使用训练过的支持向量机输出来制作电脑生成的虚拟手的动画，参与者可以在屏幕上操作。同样的SVM输出被缩放并用于控制NMES套筒的130个通道。

当参与者移动手臂和手来执行简单的动作时，所有的信号处理、解码和机器学习算法都在MATLAB中在台式计算机上实时运行。

巴特尔的工程师目前正在使用MATLAB为第二代NeuroLife系统开发算法，该系统将包含加速度计和其他传感器，使控制算法能够监测手臂的位置和检测疲劳。

• 恢复了对瘫痪的手和手臂的控制。巴特尔首席研究统计学家大卫·弗里登伯格说:“我们利用MATLAB开发的算法解码来自植入微电极阵列的信号，并启动一个NMES套筒，让参与者重新对自己的手臂和手进行基本控制。”“在研究结束时，他可以握住一个瓶子，倒出里面的东西，然后放下，还可以拿起一根搅拌棒，进行搅拌动作。”
• 实现了实时处理性能。“我们的算法在MATLAB中运行60-70毫秒内完成了所有必要的小波分解、解码和其他处理，”Battelle的研究科学家Nick Annetta说。
• 跨学科合作启用。弗里登伯格说:“我是一名统计学家，尼克是一名电气工程师，还有许多其他工程师和实习生也参与了这个项目。”“整个团队对matlab都很满意——这是我们所有人都共有的语言。”