近日，来自明尼苏达大学的研究团队及其合作者，共同开发出了一种基于深度学习的便携式独立神经假肢。

研究人员是基于递归神经网络(RNN)架构设计了该神经假肢系统的神经解码器，并在边缘计算平台NVIDIA Jetson Nano上进行了验证。他们的实验结果表明，无论是在各种实验室还是在真实情况下，该系统均能够提供强大的、高精度（95-99%）和低延迟（50-120ms）的手指运动控制能力。

图1：截肢者通过神经记录实时控制单个手指的运动(来源：学术头条)

基于AI的便携式神经假肢系统

该便携式神经假肢系统如图2所示，图2(A)显示了所提出的神经假体手部神经解码器，它包括Scorpius神经接口、带有定制载体板的Jetson Nano、定制手控器和基于深度学习的神经解码器。图2(B)给出了将原型系统作为一个独立的便携式单元连接到截肢者现有的假肢插槽。在实践中，整个系统可以集成到假肢的内部，取代现有的EMG传感器和电子设备，从而对手的重量和美学产生最小的影响。

 

图2：基于AI的便携式神经假肢系统

图3详细地展示了各个组件的硬件实现。神经数据由Scorpius神经接口获取，然后直接传输到Jetson Nano进行进一步处理。研究者设计了深度学习模型，并对该模型进行完整训练后，该模型被用来将神经信号实时转换成受试者个人手指运动的真实意图。最终的预测被发送到手控制器来驱动假肢。假肢拥有五个独立驱动的手指，搭配研究团队定制的控制器(图3,B)，实现对手指的控制。在Jetson Nano上的数据处理流程如图4所示，其中数据处理程序由Python实现。

图3：各个组件的硬件实现

图4：部署在JetsonNano上的数据处理流程概述

临床应用

研究团队选择了一个截肢14年的患者进行了临床实验。整个实验过程中数据的采集和处理均通过手臂内置的Jetson Nano实时完成的，期间没有与任何远程计算机进行通信。

截肢患者与获取训练数据的实验设置如图5（A）所示，病人受伤的手的放大图如图5(B)所示。研究人员将植入物的大致位置标记在残端附近，策略性地将其定位在远离前臂残留肌肉的位置，以减少体积传导肌电图。电极导线通过手臂上的经皮孔取出，并固定在两个连接器块上。Scorpius设备连接到模块。

图5：部署在JetsonNano上的数据处理流程概述

图6展示了截肢者在用他的完好的左手来向外界观察者展示他此刻移动手指的意图，便于和假肢的展现出的动作形成对比。从图6我们可以看出，机械手臂能准确的对操作者的意图做出响应。此外，该项测试中的截肢者也表示，在使用假肢的过程中，假肢能像正常手臂一样，想要做什么，就会去做什么，期间不会有任何多余的操作，假肢就如同自己的完好的手臂一样。

 

图6：截肢者使用神经假肢进行室内测试

研究人员表示，该项工作未来将成为开发基于AI的便携式生物医学设备方面的的基石，它的应用将会为更多的截肢者带来福音。

撰稿人：黄珂

完整文章链接：https://mp.weixin.qq.com/s/rpEtHJ2XVI8R2ouiQ5Tvqg