来自俄亥俄州立大学韦克斯纳医学中心的神经外科医生将一个微电极阵列植入志愿者的左初级运动皮层。该阵列使用96个单独的电极来记录神经活动。以每秒3万个样本的速度，电极每100毫秒产生近30万个样本。

将这一数据为具体的手部动作，巴特尔工程师能够提取有意义的功能，适用于分类算法，以确定这些特征的图案，而图案映射到参与者的预期的手部动作需要。然后，工程师需要控制在参与者的右臂神经肌肉电刺激（NMES）套筒130米的通道。即使是思想和运动之间的秒长的延迟将做运动太不自然，使整个系统是不切实际的。其结果是，所有的数据处理，分类信息，并解码了实时完成。为了实现性能接近自然的动作，则系统不得不更新每秒10次，这意味着完成了小于100毫秒的所有处理步骤。

巴特尔用MATLAB开发信号处理和机器学习算法和实时运行的算法。

参与者表现出一个计算机生成的虚拟手进行的运动，如腕关节屈伸，拇指伸屈，和手开合，并责成考虑用自己的手做同样的动作。

在MATLAB中，团队开发了算法来分析植入电极阵列中的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。

它们在MATLAB分解来计算平均小波功率（MWP），减小每个100毫秒窗口一个单信道到单个值期间捕获的3000个特征的结果进行变换。

将得到的96个MWP值用作对机器学习算法，该特征翻译成单个运动特征向量。

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)，最终确定了一种优化性能的自定义SVM。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。他们使用经过训练的支持向量机的输出来动画电脑生成的虚拟手，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进行简单的动作时，所有的信号处理、解码和机器学习算法都在桌面计算机上用MATLAB实时运行。

Battelle的工程师目前正在利用MATLAB开发第二代神经生命系统的算法，该系统将结合加速计和其他传感器，使控制算法能够监测手臂的位置并检测疲劳。

• 控制麻痹手和手臂恢复。“我们利用MATLAB开发的算法，从植入的微电极阵列解码信号，并启动NMES套筒，让参与者恢复对手臂和手的基本控制，”Battelle首席研究统计师戴维•弗里登伯格(David Friedenberg)表示。“在研究结束时，他可以拿起一个瓶子，倒出里面的东西，然后把它放下，同时拿起一根搅拌棒，做一个搅拌动作。”
• 实时处理性能来实现的。“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的研究科学家尼克•安内塔(Nick Annetta)表示。
• 跨学科的协作功能。“我是一个统计学家，尼克是一名电气工程师，和许多其他工程师和实习生对项目的工作，” Friedenberg说。“整个团队的舒适与MATLAB的是，我们都有共同的语言。”