在很多神经假体和神经迁移应用中，外周神经信号有可能为适当适度提供必要的畅通、嗅觉或自主神经信息。但是，征战规复这些信号中编码信息的要道是一项重要挑战。咱们冷落了使用从多战争神经袖带电极记载中索求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 通谈的神经袖带。利用机械嗅觉刺激聘请性地诱发坐骨神经不同分支（胫骨、腓骨、硬脊膜）的传入行为。记载的 CAPs 的时空特征用于教训三种不同的分类器。证据分类准确率、F1 分数和重建神经通路原始放射率的才调来预计性能。在三类问题中，领略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猜度点火率之间的平均皮尔逊探讨所有为 0.728 ± 0.276。所冷落的要道解释，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，从而在神经假体应用中赢得更精准的适度信号。

一、商量简介

征战用于记载周围神经行为的神经接口，包括分析这种行为的信号处理算法，是一个发展飞速的商量范畴。在很多神经假体和神经调控应用中，外周神经信号有可能为适当适度提供必要的畅通、嗅觉或自主神经信息。这里值得关怀的是聘请性记载任务，即神经接口分别不同神经通路行为的才调。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（如肌肉的辅导信号、感敬爱敬爱区域的嗅觉输入等）。

伸开剩余93%

迄今为止，外周神经接口在奉行合适在东谈主体中长久使用的聘请性记载计策方面收效有限。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，鄙俗聘请性地记载神经行为，并越来越多地应用于东谈主体商量，但仍难以解释长久雄厚记载的可行性。神经外电极，如神经袖带或扁平界面神经电极（FINE），已被解释可雄厚地长久植入东谈主体进行记载和刺激应用。因此，神经袖带电极是一种很有诱骗力的神经接口聘请，但使用这些确立杀青填塞的记载聘请性是一项挑战。

当今已征战出几种不同的算法，试图利用多触点配置栽培神经外电极的记载聘请性。这些期间主要围绕两种要道：识据说导速率（时分信息）或识别神经内信号源的位置（空间信息）。在第一类要道中，速率聘请性记载（VSR）要道通过蔓延和加法运算器利用动作电位的传播，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，这种要道无法分别具有相似传导速率的信号。在第二类中，信号源定位要道 已取得了一定的获胜，一些采用波束成形要道的算法也炫耀出了充分分别信号源的才调。但是，这些要道的性能会跟着信噪比（SNR）的镌汰而飞速着落，时时需要使用整流-分区积分（RBI）或其他窗口期间来镌汰时分分辨率。基于这些思法，咱们之前的商量标明，通过将空间和时分信息整合到时空模板中，不错栽培记载聘请性，从而更全面地描画每条感敬爱敬爱的神经通路。

在波及当然诱发传入行为的商量中 ，分类适用于窗口信号（如整流-分频积分），而非单个 CAP。只好尝试通过速率对当然诱发的 CAPs 进行聚类。但是，这种期间无法处理具有相似传导速率的神经行为商量东谈主员解释了当然 CAP 的聚类以及与不同生理事件探讨的聚类放射率。迄今为止，还莫得商量获胜地对单个当然诱发的 CAPs 进行分类，以分别探讨神经通路的行为。

这里商量的是基于体内 CAP 的分类。咱们之前的商量的模拟效果在体内得到了考据，并对其他分类有策动进行了比较，以最大限制地栽培基于 CAP 的分类性能，这种分类性能不错利用从多触点神经袖带记载中索求的时空特征来杀青。这项使命的主要孝顺在于初次展示了若何利用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、商量要道

2.1 实验有策动

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。一朝达到填塞的麻醉水平（对机敏的趾掐失去反应），就将动物俯卧在手术台上。如图 1a 所示，在髋关节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径直战争坐骨神经，同期清算皮肤和深筋膜。坐骨神经尽可能泄漏在近端，以便应用神经袖带电极。图 1b 炫耀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行为。神经袖带由分散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，外环与袖带角落间距为 1 毫米。袖带长度为 23 毫米，直径为 1 毫米。在动物背部舍弃了一个针电极动作参考。使用神经数据聚集板（RHD2000，Intan Technologies）聚集数据，采样频率为 30 kHz，记载在聚集板上经过 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 电生理居品与配套居品

利用机械刺激聘请性地诱发坐骨神经不同分支（胫神经、腓神经、腓肠神经）的传入行为。使用带塑料顶端的夹子夹住脚爪，手动将踝关节背屈和跖屈约 60°，以分别唤起胫骨和腓骨分支的践诺嗅觉行为。踝关节的出动与节拍器同步，节拍器设定为每分钟 70 拍。在第一拍时，将踝关节移至最大背屈/跖屈点（约 60°），在第二拍时保握原位，在第三拍时移回运转位置，重复此历程直至记载 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 的行为。按照节拍器的节拍，第一拍刺入脚后跟，并保握到第二拍，然后将冯弗雷单丝从脚后跟移开，这一历程重复进行，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。神经行为示例见图 2。

图 2 (a) 大鼠 6 仅在通盘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) 通盘触点记载的 CAP，5788 次试验的平均值。(d) 通盘触点中检测到的单个 CAP。通盘触点上记载到的仅用于背伸刺激的信号，通盘方框的时分范畴为 0-3.33 ms，振幅范畴为 -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，随后进行手动老成，以细则每种刺激的应用时分。在使用特定刺激时检测到的通盘 CAP 都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 构建每种刺激行为（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 个一语气时分样本上从 M 个触点赢得的记载被组合成一个 MxT 矩阵。该矩阵的每一列都对应于铁心时分 T 的单个时分步长内通盘触点的记载。然后将这些列团结起来，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探讨起来，就不错分别多个神经通路的行为。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都用于规划传导速率，以考据纤维类型。

图 3 (a) 将外周神经特定通路的空间和时分信息结合起来，创建特定刺激的时空特征。右侧的特征是利用一只大鼠外展时记载的 CAPs 平均值创建的。左侧的图表阐明了信号特征若何包括单个触点随时分变化的信号信息（左上），以及归拢时刻多个触点的信号变化（左下）。左下图中的触点组织神志与图 2a 疏浚。(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行为中通盘检测到的 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教训，因为在几只大鼠中检测到的 CAP 数目形成了类别抵御衡。为了措置这个问题，咱们通过生成平均 CAP 的噪声版正本创建新样本。领先，通过对刺激每只大鼠神经通路时检测到的通盘 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分散，从而细则每个战争点的噪声特征。然后使用这些高斯分散创建新的噪声样本，要道是从平均 CAP 模板的分散中添加噪声采样。

2.4 教训和评估

使用中位皆备值要道从每种行为（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教训集和测试集。除非明确阐明，不然下文所述机器学习分类器的通盘教训集都包含数据增强。这包括为每个神经通路添加相应的增强 CAP，直到每个类别的教训示例（检测到的 CAP 和增强 CAP 的组合）达到 10000 个。通盘用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 要道，这些教训集用于赢得平均时空模板，然后用于创建用于分类的 MF。关于机器学习要道，教训集中每个 CAP 的时空特征用于教训两个分类器。在 RF-RBI 要道中，由于应用 RBI 期间后教训实例的数目减少，因此使用了 4 倍交叉考据要道。MF 要道和机器学习分类器的时空特征均由 56 个信谈 × 100 个时分样本（3.33 毫秒长）创建。

2.5 重建放射率

咱们商量的第三个策动是重建各神经通路放射率的才调。在这种情况下，教训集包括仅背屈试验和仅跖屈试验中的通盘 CAPs（RF-RBI 的通盘峰值点）以及每种行为的增强 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。对测试集中检测到的 CAP 进行分类，并通过用范例偏差为 150 毫秒45 的高斯查对猜度的 CAP 列车进行卷积，规划出每个通路（背屈或跖屈）的放射率。真实点火率的规划要道是，将已知激活特定通路时检测到的通盘 CAP（基于同步视频记载）放入 CAP 列车，并用疏浚的高斯核进行卷积。皮尔逊探讨所有用于描画简直放射率和猜度放射率之间的干系。由于在通盘实验历程中，大鼠的跖屈信号不休松开，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虚伪 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 归类为虚伪 CAP（也便是说，若是 CAP 与任何类别都莫得密切探讨，则将其视为噪声）。每个机器学习分类器都证据劝诫聘请了最好阈值。这部分分析的所贪图仅证据去除虚伪 CAP 后剩余的 CAP 进行讲解。

2.6 统计分析

对通盘算法的 F1 分数进行了重复只身分方差分析，并使用 t 磨砺进行了过后配对比较，包括对多重比较进行 Bonferroni 改动。相似，对用于商量平均 F1 分数与信噪比趋势的数据点也进行了疏浚的分析比较。

三、商量效果

3.1 检测到的敬爱敬爱点数目和速率

通盘大鼠背屈、跖屈和刺穿每项行为检测到的 CAPs 平均值和范例偏差分别为 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-峰振幅范畴为 10-20 µV。采用射频-RBI 要道检测到的每种行为的峰值点数目的平均值和范例偏差分别为 101 ± 2、100 ± 1 和 99 ± 2，分别用于背屈、跖屈和刺穿行为。证据时空模板细则的通盘大鼠背伸、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 炫耀了 MF 要道、立地丛林、神经网罗和 RF-RBI 要道在通盘大鼠的 3 类分辨问题（背屈、跖屈和刺穿）中通盘窗口大小的平均 F1 分数。相似，图 4b 炫耀了 2 类问题（背屈和跖屈）中的平均 F1 分数。图 5a 炫耀了 3 类问题的相应羞辱矩阵，图 5b 炫耀了 2 类问题的羞辱矩阵。

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) 使用来自通盘大鼠的概括测试集构建的 3 类问题不同算法的羞辱矩阵。(b) 针对 2 类问题的不同算法的羞辱矩阵。请防卫，(a,b)中炫耀的分类准确率与第 3.2 节中讲解的平均分类准确率略有不同，因为它们是使用概括测试集规划的，而不是通过平均每只大鼠的分类准确率得出的。每个羞辱矩阵的临了一溜和临了一列分别炫耀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 毫秒窗口要道的 MF、立地丛林、神经网罗和 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。四种要道的分类准确率范畴分别为 41.8 - 75.2%、49.5 - 82.5%、49.8 - 86.0% 和 59.1 - 98.9%，平均 F1 分数范畴分别为 0.372 - 0.524、0.416 - 0.675、0.437 - 0.830 和 0.577 - 0.990。算法聘请对平均 F1 分数有显然的主效应（p < 0.001），机器学习算法与 MF 要道在平均 F1 分数上有显然各异（p 均 < 0.05）。

此外，关于轮流背伸和跖屈数据，立地丛林、神经网罗和 RF-RBI 期间的平均 F1 分数分别为 33 毫秒窗口。图 6 炫耀了信噪比对平均 F1 分数的影响，以及分类器与体内信噪比比较的相对改善进程。与基本信噪比水平比较，F1 分数栽培了约 11%。这一分析的总体趋势标明，跟着信噪比的栽培，咱们从多战争神经袖带记载等分辨不同神经通路行为的才调也大幅栽培。

图 6 平均 F1 分数 vs SNR 相干于体内不雅察到的 SNR 的创新。注：*指 p <0.05，***指 p <0.001。

3.3 重建放射率

关于轮流背伸和跖屈数据，立地丛林、神经网罗和 RF-RBI 期间的平均皮尔逊探讨所有分别为 33 毫秒窗口。当使用最好阈值来识别和去除虚伪的 CAP 时，立地丛林和神经网罗的平均皮尔逊探讨所有分别增多。图 7 中以大鼠为例，炫耀了在去除虚伪 CAP 后和未去除虚伪 CAP 时追踪点火率的各异。

图 7 (a) 使用神经网罗分类器对自动阈值法检测到的 CAP 猜度放射率。平均 F1 分数 = 0.686。(b) 使用神经网罗分类器对自动阈值法检测到的 CAP 猜度放射率，然后使用最好阈值去除虚伪 CAP。平均 F1 分数 = 0.7829。两幅图均为大鼠的重建放射率。

图 8 炫耀了踝关节角度、三极神经袖带记载和大鼠的重建放射率之间的干系。

图 8 踝关节角度与中心环的平均三极信号和猜度放射率之间的干系，使用神经网罗分类器，然后使用最好阈值去除虚伪的 CAP。该图是证据大鼠 的记载绘图的。

四、商量盘考

本商量中杀青的分类准确率和放射率重建辅助了基于多战争神经袖带电极的 CAP 分类的可行性。不外，在杀青适当可靠的基于 CAP 的分类之前，还需要进一步栽培聘请性。下文将盘考决定该要道性能局限性的瑕疵身分。

咱们商量效果的多个方面都标明信噪比是影响分类性能的主要身分。图 4 和图 5 中的分类效果比较了基于 CAP 的不同分类器与 RF-RBI 要道的分辨后劲。这些分类器都炫耀出填塞的分辨才调，而 RF-RBI 要道则能跟着分仓大小的增多提供较高的平均 F1 分数。这些发现与在对不同行为/刺激进行分类或分析之前使用 RBI 进行预处理的商量效果一致。正如预期的那样，通过 RBI 处理赢得的信噪比改善显然有意于分辨。这些创新的代价是时分分辨率的镌汰，以及在分辨时分上重迭的行为通路时可能濒临更大的挑战。

图 6 更径直地炫耀了信噪比的影响。跟着信噪比的增多，平均 F1 分数也在增多，这在神经网罗分类器中最为显然。回思一下，图 4 中讲解的体内 SNR 的 F1 分数是在没非凡据增强的情况下，使用哄骗悠闲的分类器规划得出的，宗旨仅仅为了量化 SNR 对 F1 分数的影响。因此，图 6 中针对该信噪比炫耀的性能略低于图 4 中使用数据增强的性能。图 6 中炫耀的效果标明，若是能赢得低噪声记载，举例使用硬件平均法，那么基于 CAP 的多战争神经电极分类将是可行的。

在这项商量中，某些身分莫得得到优化，可能导致信噪比较低。通过诊治电极与神经的名义战争（通盘大鼠使用疏浚的电极尺寸）、使用不同的手术期间（举例缝合切口）、尽量减少电缆和仪器的杂音以及数据聚集确立的屏蔽，信噪比本不错得到改善。通盘这些不同的身分都可能有助于创新分类，从而栽培神经通路的可分辨性。最终，单个 CAP 的准确分类是有风趣的，因为它不错用来猜度标的通路的放射格式。因此，若是偶尔出现的基于 CAP 的虚伪分类不会对放射率估算产生很大影响，那么就不会令东谈主担忧。在使用阈值时发现的皮尔逊探讨所有炫耀，对两种行为（背屈或跖屈）中的一种行为进行了适当的追踪。这标明，分类前对 CAP 的可靠检测也对追踪放射率的才调起着贫穷作用。

因此，放射率重建似乎由两个身分决定。领先是分类准确性，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，它反应了从噪声中索求 CAP 的才调。若是弗成可靠地检测到特定通路的 CAP，那么该通路的重建点火率就会出现偏差。基于这些不雅察效果，使用可靠的 CAP 检测算法对基于 CAP 的分类要道的可行性至关贫穷。值得防卫的是，蔓延加法或探讨操作的使用在这方面会有很大匡助，这么就不需要径直在有噪声的原始神经袖带记载中检测 CAP。

在实践中，需要校准的弱点是需要获取探讨通路的 CAP 时空特征并对分类器进行教训。若是基于 CAP 的分类取得获胜，这种折衷并不是不对理的，因为这将栽培以更细巧的时分分辨率重建放射率的才调，并改善在给定时老实多条神经通路处于行为景象时的聘请性记载性能。这项商量标明，使用多战争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，结合信噪比和 CAP 检测的创新，很可能会产生浩荡的分辨性能，并改善对神经元放射率的追踪。这种创新不错为鄙俗产生更当然动作的辅助确立和更高效的神经调控系统提供精准的适度信号。

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“期间处事”与供应“电生理居品”

公司地址：广东省东莞市樟木头镇塑金海外1号楼810

发布于：广东省