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。

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，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。

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。万博1manbetx

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。

• 控制瘫痪的手和恢复。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。”
• 实时处理性能实现。“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。
• 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。”