巴特尔神经旁路技术恢复瘫痪男子的手臂和手的运动

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。

为了将这些数据转化为具体的手部动作，巴特尔工程师需要提取有意义的特征，应用分类算法识别这些特征中的模式，并将这些模式映射到参与者的预期手部动作。然后，工程师们需要控制参与者右臂上神经肌肉电刺激器(NMES)套筒的130个通道。即使在思想和动作之间有几秒钟的延迟，也会使动作过于不自然，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。

Battelle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台计算机生成的虚拟手，该虚拟手可以进行手腕的屈伸、拇指的屈伸、手的张开和闭合等动作，并指示他们思考用自己的手做同样的动作。

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™，他们进行了小波分解，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，以计算平均小波功率(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，将特征转化为单个动作。

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)，并针对性能进行了优化。

在测试期间，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制作计算机生成的虚拟手的动画，参与者可以在屏幕上操纵虚拟手。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台式计算机上的MATLAB中实时运行。

Battelle的工程师们目前正在使用MATLAB开发第二代NeuroLife系统的算法，该系统将结合加速度计和其他传感器，使控制算法能够监测手臂的位置并检测疲劳。

• 麻痹的手和手臂恢复控制。“我们使用MATLAB开发的算法解码来自植入微电极阵列的信号，并驱动NMES套套，使参与者恢复对手臂和手的基本控制，”Battelle首席研究统计学家David Friedenberg说。“在学习结束时，他可以握住一个瓶子，倒出里面的东西，然后放下它，还可以拿起一根搅拌棒，做出搅拌的动作。”
• 实现实时处理性能。“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)说。
• 支持跨学科协作。“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参与了这个项目，”弗里登伯格说。“整个团队都很熟悉matlab——这是我们所有人的共同语言。”