结合生物物理模型和机器学习,优化植入物几何和刺激协议,用于内神经电极
Simone Romeni1, Elena Losanno2, Elisabeth Koert1,3
1Bertarelli Foundation Chair in Translational Neural Engineering, Center for Neuroprosthetics and Institute of Bioengineering, Ecole Polytechnique Federale de Lausanne, Lausanne, Switzerland.
Journal of neural engineering
|June 27, 2023
概括
这项研究介绍了对外围神经接口的in-silico优化工作流程,改进了用于恢复运动功能的神经假肢设计. 该方法通过优化植入物几何和使用特定主体解剖学的刺激协议来提高选择性.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
背景情况:
- 外围神经接口为恢复失去的功能提供了潜力.
- 内神经接口提供高选择性,但依赖于精确的植入和解剖学.
- 有限的数据存在于对象特定的解剖学,以实现最佳的界面设计.
研究的目的:
- 开发一个优化工作流程,用于手术前的规划和刺激协议,用于内神经电极.
- 提高神经假肢器械的选择性和性能.
- 为了降低设计个性化神经接口的计算成本.
主要方法:
- 利用神经调节和基于机器学习的替代模型的混合模型 (HMs).
- 采用粒子小群优化,用于在体内优化植入物几何,插入和刺激.
- 包含了人类中枢神经的形态数据.
主要成果:
- 为多电极植入物优化了电极的几何和数量.
- 确定了最佳的电极插入和多极刺激协议.
- 实现了所有肌肉的选择性激活,这些肌肉都由人体中枢神经内化.
结论:
- 混合模型是有效的优化个性化神经假体的运动功能.
- 多极刺激显著提高了外围神经接口的选择性.
- 特定对象的结构和功能解剖学对于在神经假肢中实现高选择性至关重要.
