开云·体育平台(开云kaiyun)(中国)官网入口登录振幅领域为 -20 至 20 μV-波胆·足球

在好多神经假体和神经调换应用中，外周神经信号有可能为郑重限度提供必要的判辨、嗅觉或自主神经信息。但是，斥地复原这些信号中编码信息的门径是一项紧要挑战。咱们提议了使用从多构兵神经袖带电极记载中索取的时空特征对当然诱发的复合动作电位（CAP）进行分类的思法。长腿大鼠的坐骨神经上植入了一个 56 通说念的神经袖带。行使机械嗅觉刺激选拔性地诱发坐骨神经不同分支（胫骨、腓骨、硬脊膜）的传入步履。记载的 CAPs 的时空特征用于考验三种不同的分类器。把柄分类准确率、F1 分数和重建神经通路原始辐射率的智力来揣度性能。在三类问题中，发达最好的分类器的平均分类准确率为 0.686 ± 0.126，相应的平均 F1 分数为 0.605 ± 0.212。最好分类器的原始点火率与臆测点火率之间的平均皮尔逊相联统共为 0.728 ± 0.276。所提议的门径发挥，不错对从神经外电极记载的外周神经信号中的单个当然诱发 CAP 进行分类开云·体育平台(开云kaiyun)(中国)官网入口登录，从而在神经假体应用中赢得更精准的限度信号。

一、研究简介

斥地用于记载周围神经步履的神经接口，包括分析这种步履的信号处理算法，是一个发展飞快的研究规模。在好多神经假体和神经调控应用中，外周神经信号有可能为郑重限度提供必要的判辨、嗅觉或自主神经信息。这里值得柔软的是选拔性记载任务，即神经接口永别不同神经通路步履的智力。咱们使用 “神经通路 ”一词来指一组具有特定功能的相邻神经纤维（如肌肉的请示信号、感好奇羡慕区域的嗅觉输入等）。

张开剩余93%

迄今为止，外周神经接口在执行相宜在东说念主体中弥远使用的选拔性记载计策方面成效有限。穿透神经的神经内电极，如纵向或横向的筋膜内电极或微电极阵列，大约选拔性地记载神经步履，并越来越多地应用于东说念主体研究，但仍难以发挥弥远通晓记载的可行性。神经外电极，如神经袖带或扁平界面神经电极（FINE），已被发挥可通晓地弥远植入东说念主体进行记载和刺激应用。因此，神经袖带电极是一种很有眩惑力的神经接口选拔，但使用这些竖立结束富有的记载选拔性是一项挑战。

现在已斥地出几种不同的算法，试图行使多触点配置提升神经外电极的记载选拔性。这些本当事人要围绕两种门径：识传奇导速率（时刻信息）或识别神经内信号源的位置（空间信息）。在第一类门径中，速率选拔性记载（VSR）门径通过延伸和加法运算器行使动作电位的传播，强调具有特定速率的复合动作电位（CAP），从而推断出纤维类型。但是，这种门径无法永别具有相似传导速率的信号。在第二类中，信号源定位门径 已取得了一定的生效，一些采用波束成形门径的算法也骄气出了充分永别信号源的智力。但是，这些门径的性能会跟着信噪比（SNR）的镌汰而飞快着落，赓续需要使用整流-分区积分（RBI）或其他窗口本事来镌汰时刻分辨率。基于这些思法，咱们之前的研究标明，通过将空间和时刻信息整合到时空模板中，不错提升记载选拔性，从而更全面地描摹每条感好奇羡慕的神经通路。

在触及当然诱发传入步履的研究中 ，分类适用于窗口信号（如整流-分频积分），而非单个 CAP。唯有尝试通过速率对当然诱发的 CAPs 进行聚类。但是，这种本事无法处理具有相似传导速率的神经步履研究东说念主员发挥了当然 CAP 的聚类以及与不同生理事件联系的聚类辐射率。迄今为止，还莫得研究生效地对单个当然诱发的 CAPs 进行分类，以永别联系神经通路的步履。

这里研究的是基于体内 CAP 的分类。咱们之前的研究的模拟后果在体内得到了考据，并对其他分类有商酌进行了比较，以最大限制地提升基于 CAP 的分类性能，这种分类性能不错行使从多触点神经袖带记载中索取的时空特征来结束。这项职责的主要孝敬在于初次展示了若何行使时空特征对耳外周围神经记载中的单个当然诱发 CAP 进行分类。

二、研究门径

2.1 实验有商酌

在异氟烷麻醉下，对 9 只 Long-Evans 大鼠（退役种鼠）进行了急性实验。背部和腿部剃毛，并用聚维酮碘处理。一朝达到富有的麻醉水平（对厉害的趾掐失去反应），就将动物俯卧在手术台上。如图 1a 所示，在髋关键后部和背侧作念一个斜切口。切口通过臀大肌纤维的当然分裂凯旋构兵坐骨神经，同期算帐皮肤和深筋膜。坐骨神经尽可能泄漏在近端，以便应用神经袖带电极。图 1b 骄气了其中一只大鼠身上植入的神经袖带电极。

图 1(a) 大鼠的斜切口位置、用作参考的针电极位置和神经袖带电极位置。(b) 坐骨神经上植入的神经袖带电极。

使用 56 个多触点螺旋聚酰亚胺神经袖带电极记载神经步履。神经袖带由踱步在袖带电极长度上的 7 环 8 个触点组成。环间电极间距为 3.33 毫米，外环与袖带旯旮间距为 1 毫米。袖带长度为 23 毫米，直径为 1 毫米。在动物背部扬弃了一个针电极手脚参考。使用神经数据汇注板（RHD2000，Intan Technologies）汇注数据，采样频率为 30 kHz，记载在汇注板上经过 256 Hz 和 7.5 kHz 之间的带通滤波。

东莞富临医疗科技有限公司是 Intan 亚洲代理商，为亚洲客户供应 Intan 电生理产物与配套产物

行使机械刺激选拔性地诱发坐骨神经不同分支（胫神经、腓神经、腓肠神经）的传入步履。使用带塑料顶端的夹子夹住脚爪，手动将踝关键背屈和跖屈约 60°，以分别唤起胫骨和腓骨分支的骨子嗅觉步履。踝关键的迁徙与节拍器同步，节拍器设定为每分钟 70 拍。在第一拍时，将踝关键移至最大背屈/跖屈点（约 60°），在第二拍时保捏原位，在第三拍时移回脱手位置，重复此经过直至记载 100 次试验。使用 Von Frey 单丝（300 克）对足跟进行皮肤刺激，以引起鞘状支42 的步履。按照节拍器的节拍，第一拍刺入脚后跟，并保捏到第二拍，然后将冯弗雷单丝从脚后跟移开，这照旧过重复进行，直到达到 100 次试验。此外，还采用了背屈和跖屈轮流的组合刺激，每种刺激均进行 100 次试验。神经步履示例见图 2。

图 2 (a) 大鼠 6 仅在整个触点背屈时的神经记载示例。 网格对应 7 个环，每个环由 8 个触点组成。(b) 中环触点的神经记载图。(c) 整个触点记载的 CAP，5788 次试验的平均值。(d) 整个触点中检测到的单个 CAP。整个触点上记载到的仅用于背伸刺激的信号，整个方框的时刻领域为 0-3.33 ms，振幅领域为 -20 至 20 μV。

刺激的应用被录制下来，通过视频中可见的 LED 与神经记载同步，随后进行手动注目，以笃定每种刺激的应用时刻。在使用特定刺激时检测到的整个 CAP 齐被推断为来自相应的神经通路。

2.2 时空特征

如前所述，使用检测到的 CAPs 构建每种刺激步履（脚背外翻、脚掌外翻和刺戳脚跟）的时空特征。简而言之，当 CAP 穿过电极时，在 T 个连气儿时刻样本上从 M 个触点赢得的记载被组合成一个 MxT 矩阵。该矩阵的每一列齐对应于收尾时刻 T 的单个时刻步长内整个触点的记载。然后将这些列相连起来，创建一个组成该 CAP 时空特征的单列向量。通过将新记载中的每个 CAP 与这些已知特征中的一个议论起来，就不错永别多个神经通路的步履。时空特征被平均化以形成模板（图 3），然后用于创建量身定制的匹配滤波器（MF）。时空特征被进一步用作基于机器学习的分类器的输入。每种刺激类型的时空模板齐用于计较传导速率，以考据纤维类型。

图 3 (a) 将外周神经特定通路的空间和时刻信息联接起来，创建特定刺激的时空特征。右侧的特征是行使一只大鼠外展时记载的 CAPs 平均值创建的。左侧的图表证明了信号特征若何包括单个触点随时刻变化的信号信息（左上），以及兼并时刻多个触点的信号变化（左下）。左下图中的触点组织姿色与图 2a 雷同。(b) 大鼠 6 每种刺激类型的平均时空模板示例。 这些模板是通过对特定步履中整个检测到的 CAPs 时空特征进行平均而创建的。

2.3 数据扩增

进行数据扩增是为了加强机器学习分类器的考验，因为在几只大鼠中检测到的 CAP 数目形成了类别不服衡。为了惩办这个问题，咱们通过生成平均 CAP 的噪声版原本创建新样本。当先，通过对刺激每只大鼠神经通路时检测到的整个 CAP 取平均值，得到该神经通路的平均 CAP。然后，从单个 CAP 中减去平均 CAP，并对得到的纯噪声数据拟合高斯踱步，从而笃定每个构兵点的噪声特征。然后使用这些高斯踱步创建新的噪声样本，门径是从平均 CAP 模板的踱步中添加噪声采样。

2.4 考验和评估

使用中位完全值门径从每种步履（仅背屈、仅跖屈和仅刺穿的各 100 次试验）中检测出的 CAP，采用 3 倍交叉考据法将每只大鼠分红考验集和测试集。除非明确证明，不然下文所述机器学习分类器的整个考验集齐包含数据增强。这包括为每个神经通路添加相应的增强 CAP，直到每个类别的考验示例（检测到的 CAP 和增强 CAP 的组合）达到 10000 个。整个后果的测试集只包括每个神经通路的检测 CAP（无增强 CAP）。关于 MF 门径，这些考验集用于赢得平均时空模板，然后用于创建用于分类的 MF。关于机器学习门径，考验齐集每个 CAP 的时空特征用于考验两个分类器。在 RF-RBI 门径中，由于应用 RBI 本事后考验实例的数目减少，因此使用了 4 倍交叉考据门径。MF 门径和机器学习分类器的时空特征均由 56 个信说念 × 100 个时刻样本（3.33 毫秒长）创建。

2.5 重建辐射率

咱们研究的第三个方针是重建各神经通路辐射率的智力。在这种情况下，考验集包括仅背屈试验和仅跖屈试验中的整个 CAPs（RF-RBI 的整个峰值点）以及每种步履的增强 CAPs。然后，在轮流背伸和跖屈的测试数据集上对分类器进行评估。对测试齐集检测到的 CAP 进行分类，并通过用法子偏差为 150 毫秒45 的高斯查对臆测的 CAP 列车进行卷积，计较出每个通路（背屈或跖屈）的辐射率。实在燃烧率的计较门径是，将已知激活特定通路时检测到的整个 CAP（基于同步视频记载）放入 CAP 列车，并用雷同的高斯核进行卷积。皮尔逊相联统共用于描摹实在辐射率和臆测辐射率之间的关系。由于在通盘实验经过中，大鼠的跖屈信号束缚放松，因此该分析删除了大鼠的数据。

此外，为了最大限制地减少由噪声引起的装假 CAP 的数目，咱们使用了机器学习分类器输出概率的阈值来将检测到的 CAP 归类为装假 CAP（也即是说，淌若 CAP 与任何类别齐莫得密切议论，则将其视为噪声）。每个机器学习分类器齐把柄训诲选拔了最好阈值。这部分分析的整个方针仅把柄去除装假 CAP 后剩余的 CAP 进行论说。

2.6 统计分析

对整个算法的 F1 分数进行了重复单成分方差分析，并使用 t 磨真金不怕火进行了过后配对比较，包括对多重比较进行 Bonferroni 矫正。同样，对用于研究平均 F1 分数与信噪比趋势的数据点也进行了雷同的分析比较。

三、研究后果

3.1 检测到的好奇羡慕点数目和速率

整个大鼠背屈、跖屈和刺穿每项步履检测到的 CAPs 平均值和法子偏差分别为 3.898 ± 2.175、3.454 ± 2.433 和 3.991 ± 2.145，检测到的 CAPs 最少和最多分别为 274 和 7673 个。CAP 的峰-峰振幅领域为 10-20 µV。采用射频-RBI 门径检测到的每种步履的峰值点数目的平均值和法子偏差分别为 101 ± 2、100 ± 1 和 99 ± 2，分别用于背屈、跖屈和刺穿步履。把柄时空模板笃定的整个大鼠背伸、足底屈伸和刺戳时的平均传导速率分别为 70.06 ± 12.26、71.93 ± 16.96 和 56.79 ± 10.34 m/s，这与预期的大髓鞘纤维传导速率一致。

3.2 分类准确性

图 4a 骄气了 MF 门径、立时丛林、神经汇集和 RF-RBI 门径在整个大鼠的 3 类分辨问题（背屈、跖屈和刺穿）中整个窗口大小的平均 F1 分数。同样，图 4b 骄气了 2 类问题（背屈和跖屈）中的平均 F1 分数。图 5a 骄气了 3 类问题的相应浑浊矩阵，图 5b 骄气了 2 类问题的浑浊矩阵。

图 4 (a) 3 类问题（背屈、跖屈和刺戳）中每种算法的平均 F1 分数。。(b) 两类问题（背屈和跖屈）中各算法的平均 F1 分数。

图 5 (a) 使用来自整个大鼠的抽象测试集构建的 3 类问题不同算法的浑浊矩阵。(b) 针对 2 类问题的不同算法的浑浊矩阵。请细心，(a,b)中骄气的分类准确率与第 3.2 节中论说的平均分类准确率略有不同，因为它们是使用抽象测试集计较的，而不是通过平均每只大鼠的分类准确率得出的。每个浑浊矩阵的临了一瞥和临了一列分别骄气了每个类别的调回率和精准率。第 1 类--背屈，第 2 类--跖屈，第 3 类--刺足跟。

在 3 类问题中，采用 33 毫秒窗口门径的 MF、立时丛林、神经汇集和 RF-RBI 的平均分类准确率分别为 0.510 ± 0.108、0.658 ± 0.115、0.686 ± 0.126 和 0.851 ± 0.139，相应的平均 F1 分数分别为 0.446 ± 0.157、0.578 ± 0.210、0.605 ± 0.212 和 0.848 ± 0.144。四种门径的分类准确雷同域分别为 41.8 - 75.2%、49.5 - 82.5%、49.8 - 86.0% 和 59.1 - 98.9%，平均 F1 分数领域分别为 0.372 - 0.524、0.416 - 0.675、0.437 - 0.830 和 0.577 - 0.990。算法选拔对平均 F1 分数有显然的主效应（p < 0.001），机器学习算法与 MF 门径在平均 F1 分数上有显然互异（p 均 < 0.05）。

此外，关于轮流背伸和跖屈数据，立时丛林、神经汇集和 RF-RBI 本事的平均 F1 分数分别为 33 毫秒窗口。图 6 骄气了信噪比对平均 F1 分数的影响，以及分类器与体内信噪比比拟的相对改善进程。与基本信噪比水平比拟，F1 分数提升了约 11%。这一分析的总体趋势标明，跟着信噪比的提升，咱们从多构兵神经袖带记载均分辨不同神经通路步履的智力也大幅提升。

图 6 平均 F1 分数 vs SNR 相关于体内不雅察到的 SNR 的翻新。注：*指 p <0.05，***指 p <0.001。

3.3 重建辐射率

关于轮流背伸和跖屈数据，立时丛林、神经汇集和 RF-RBI 本事的平均皮尔逊相联统共分别为 33 毫秒窗口。当使用最好阈值来识别和去除装假的 CAP 时，立时丛林和神经汇集的平均皮尔逊相联统共分别加多。图 7 中以大鼠为例，骄气了在去除装假 CAP 后和未去除装假 CAP 时追踪点火率的互异。

图 7 (a) 使用神经汇集分类器对自动阈值法检测到的 CAP 臆测辐射率。平均 F1 分数 = 0.686。(b) 使用神经汇集分类器对自动阈值法检测到的 CAP 臆测辐射率，然后使用最好阈值去除装假 CAP。平均 F1 分数 = 0.7829。两幅图均为大鼠的重建辐射率。

图 8 骄气了踝关键角度、三极神经袖带记载和大鼠的重建辐射率之间的关系。

图 8 踝关键角度与中心环的平均三极信号和臆测辐射率之间的关系，使用神经汇集分类器，然后使用最好阈值去除装假的 CAP。该图是把柄大鼠 的记载画图的。

四、研究研究

本研究中结束的分类准确率和辐射率重建守旧了基于多构兵神经袖带电极的 CAP 分类的可行性。不外，在结束郑重可靠的基于 CAP 的分类之前，还需要进一步提升选拔性。下文将研究决定该门径性能局限性的关键成分。

咱们研究后果的多个方面齐标明信噪比是影响分类性能的主要成分。图 4 和图 5 中的分类后果比较了基于 CAP 的不同分类器与 RF-RBI 门径的分辨后劲。这些分类器齐骄气出富有的分辨智力，而 RF-RBI 门径则能跟着分仓大小的加多提供较高的平均 F1 分数。这些发现与在对不同步履/刺激进行分类或分析之前使用 RBI 进行预处理的研究后果一致。正如预期的那样，通过 RBI 处理赢得的信噪比改善澄澈有意于分辨。这些翻新的代价是时刻分辨率的镌汰，以及在分辨时刻上叠加的步履通路时可能面对更大的挑战。

图 6 更凯旋地骄气了信噪比的影响。跟着信噪比的加多，平均 F1 分数也在加多，这在神经汇集分类器中最为显然。回思一下，图 4 中论说的体内 SNR 的 F1 分数是在没稀有据增强的情况下，使用无拘无束的分类器计较得出的，观点仅仅为了量化 SNR 对 F1 分数的影响。因此，图 6 中针对该信噪比骄气的性能略低于图 4 中使用数据增强的性能。图 6 中骄气的后果标明，淌若能赢得低噪声记载，举例使用硬件平均法，那么基于 CAP 的多构兵神经电极分类将是可行的。

在这项研究中，某些成分莫得得到优化，可能导致信噪比较低。通过挽回电极与神经的名义构兵（整个大鼠使用雷同的电极尺寸）、使用不同的手术本事（举例缝合切口）、尽量减少电缆和仪器的杂音以及数据汇注竖立的屏蔽，信噪比本不错得到改善。整个这些不同的成分齐可能有助于翻新分类，从而提升神经通路的可分辨性。最终，单个 CAP 的准确分类是有风趣的，因为它不错用来臆测标的通路的辐射花样。因此，淌若偶尔出现的基于 CAP 的造作分类不会对辐射率估算产生很大影响，那么就不会令东说念主担忧。在使用阈值时发现的皮尔逊相联统共骄气，对两种步履（背屈或跖屈）中的一种步履进行了郑重的追踪。这标明，分类前对 CAP 的可靠检测也对追踪辐射率的智力起着病笃作用。

因此，辐射率重建似乎由两个成分决定。当先是分类准确性，它决定了每个 CAP 被分拨到正确神经通路的进程。其次是 CAP 检测，它响应了从噪声中索取 CAP 的智力。淌若不成可靠地检测到特定通路的 CAP，那么该通路的重建燃烧率就会出现偏差。基于这些不雅察后果，使用可靠的 CAP 检测算法对基于 CAP 的分类门径的可行性至关病笃。值得细心的是，延伸加法或联系操作的使用在这方面会有很大匡助，这么就不需要凯旋在有噪声的原始神经袖带记载中检测 CAP。

在推行中，需要校准的纰谬是需要获取联系通路的 CAP 时空特征并对分类器进行考验。淌若基于 CAP 的分类取得生效，这种折衷并不是不对理的，因为这将提升以更精良的时刻分辨率重建辐射率的智力，并改善在给定时刻内多条神经通路处于步履景况时的选拔性记载性能。这项研究标明，使用多构兵神经袖带对单个当然诱发的 CAPS 进行分类是可行的。进一步完善分类算法，联接信噪比和 CAP 检测的翻新，很可能会产生强大的分辨性能，并改善对神经元辐射率的追踪。这种翻新不错为大约产生更当然动作的缓助竖立和更高效的神经调控系统提供精准的限度信号。

东莞富临医疗科技有限公司是 Intan Technologies 在亚洲的代理商， 为亚洲客户提供“本事做事”与供应“电生理产物”

公司地址：广东省东莞市樟木头镇塑金国外1号楼810

发布于：广东省