巴特尔神经旁路技术恢复瘫痪男子手臂和手的运动

俄亥俄州立大学韦克斯纳医学中心的神经外科医生将微电极阵列植入志愿者的左初级运动皮层。该阵列使用96个单独的电极记录神经活动。以每秒30000个样本的速度，电极每100毫秒产生近300000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环境下，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。利用小波工具箱™, 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），确定了一种针对性能优化的定制SVM。金宝app

在测试过程中，团队通过让参与者尝试视频中显示的动作来训练SVM。他们使用经过训练的SVM输出来制作计算机生成的虚拟手的动画，参与者可以在屏幕上操作该虚拟手。对相同的SVM输出进行缩放，并用于控制NMES套管的130个通道。

当参与者移动手臂和手进行简单的运动时，所有信号处理、解码和机器学习算法都在MATLAB中在台式计算机上实时运行。

Battelle的工程师们目前正在使用MATLAB为第二代NeuroLife系统开发算法，该系统将包括加速计和其他传感器，以使控制算法能够监控手臂的位置并检测疲劳。

• 恢复了对瘫痪的手和手臂的控制。Battelle首席研究统计学家大卫·弗里登伯格（David Friedenberg）说：“我们利用MATLAB开发的算法对植入微电极阵列的信号进行解码，并驱动NMES套管，使参与者恢复了对手臂和手的基本控制。”。“在研究结束时，他可以抓起一个瓶子，倒出里面的东西，然后把它放下，还可以拿起搅拌棒进行搅拌。”
• 实现了实时处理性能。Battelle的研究科学家Nick Annetta说：“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。”。
• 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。”