Battelle神经旁路技术将运动恢复到瘫痪的男人的手臂和手

来自俄亥俄州州立大学的神经外科医生韦斯纳医疗中心将微电极阵列植入志愿参与者的左初级电机皮质。阵列使用96个单独的电极来记录神经活动。每秒30,000个样品，电极每100毫秒产生近30,000个样品。

要将此数据转换为特定的手动移动，Battelle工程师需要提取有意义的功能，应用分类算法来识别这些功能中的模式，并将模式映射到参与者的预期手动运动。然后，工程师需要控制参与者的右臂上的神经肌肉电气刺激器（NMES）套管的130个通道。甚至在思想和运动之间延迟延迟也会使运动过于不自然，使整个系统变得不切实际。结果，所有数据处理，分类和解码必须实时完成。为了实现自然运动的性能，系统必须每秒更新10次，这意味着完成少于100毫秒的所有处理步骤。

Battelle使用MATLAB开发信号处理和机器学习算法并实时运行算法。

参与者被示出了一种计算机生成的虚拟手，执行诸如手腕屈曲和延伸，拇指屈曲和扩展，手动打开和关闭，并指示用自己的手进行相同的运动。

在MATLAB中工作，该团队开发了算法，分析来自植入电极阵列中的96个通道的数据。使用小波工具箱™，它们执行了小波分解，以隔离控制运动的大脑信号的频率范围。

它们对MATLAB中分解的结果进行了转换，以计算平均小波功率（MWP），减少在每个100毫秒窗口期间捕获的3000个特征，以使单个通道到单个值。

由此产生的96MWP值用作机器学习算法的特征向量，该算法将特征转化为单独的运动。

该团队使用MATLAB测试了多种机器学习技术，包括判别分析和支持向量机（SVM），在定制SVM上进行优化以进行性能。金宝app

在测试会话期间，团队通过参与者尝试视频中显示的动作培训了SVM。他们使用训练有素的SVM输出来为参与者可以在屏幕上操纵的计算机生成的虚拟手动。相同的SVM输出被缩放并用于控制NMES套筒的130个通道。

虽然参与者移动了他的胳膊和手来执行简单的运动，但所有信号处理，解码和机器学习算法都在桌面计算机上实时在Matlab中运行。

Battelle工程师目前正在使用MATLAB为第二代神经电化系统开发算法，该系统将包含加速度计和其他传感器，以使控制算法能够监测臂的位置并检测疲劳。

• 控制瘫痪的手和恢复。“我们使用MATLAB开发的算法从植入的微电极阵列解码信号并致动NMES套筒，使参与者返回他的手臂和手的基本控制，”战士的主要研究统计学家David Friedenberg说。“在研究结束时，他可以抓住一个瓶子，倒出它的内容物，并将其设置下来，然后拿起搅拌棒并执行搅拌运动。”
• 实时处理性能实现。“我们的算法在Matlab运行的60-70毫秒内执行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。
• 启用跨学科协作。“我是统计日，尼克是一名电气工程师，很多其他工程师和实习生在该项目上工作，”弗里登伯格说。“整个团队对Matlab感到舒适 - 这是我们都有共同之处的语言。”