巴特尔神经旁路技术还原运动的瘫痪病人的手臂和手

来自俄亥俄州立大学的Wexner医学中心神经外科植入微电极阵列到志愿参与者的左初级运动皮层。该阵列使用96层单独的电极以记录神经活动。在每秒30,000个样本时，电极产生几乎300000样品每100毫秒。

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工作，团队开发的算法来分析从植入的电极阵列中的96个信道的数据。小波工具箱™，他们进行了小波分解，分离支配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来测试几种机器学习技术，包括判别分析和支持向量机（SVM），解决对性能优化的定制SVM。万博1manbetx

在试验期间，该团队由具有参与者试图在视频中的运动训练SVM。他们用训练的SVM的输出动画计算机生成的虚拟手的参与者可以在屏幕上操纵。相同的SVM输出被缩放并用来控制NMES套筒的130个频道。

虽然参与者移动他的胳膊和手进行简单的动作，所有的信号处理，解码，和机器学习算法进行了MATLAB中的实时桌面计算机上运行。

目前巴特尔工程师利用MATLAB开发用于第二代系统NeuroLife，这将包括加速计和其它传感器，以使控制算法来监视臂的位置，并检测疲劳算法。

• 控制麻痹手和手臂恢复。“我们开发了用MATLAB解码信号从植入微电极阵列和算法驱动的NMES套给了参与者回他的手臂和手的基本控制，”大卫Friedenberg，在巴特尔的主要研究统计学家说。“到研究结束时，他握了一瓶，倒出来的内容，并设置了下去，以及拿起搅拌棒和执行搅拌动作。”
• 实时处理性能来实现的。“我们所有的算法进行必要的小波分解，解码，并在MATLAB中运行60-70毫秒其他处理，”尼克安妮塔，在巴特尔研究员说。
• 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。”