【论文阅读】A high-performance neural prosthesis enabled by control algorithm design

ABSTRACT

神经假肢将来自大脑的神经活动转化为控制信号，以指导假肢设备，如计算机光标和机器人肢体，从而为残疾人提供与世界之间更大的互动。然而，相对较低的性能仍然是临床转化成功的关键障碍；目前的神经假体比原生臂慢得多，精确控制也较差。在这里，我们提出了一种新的控制算法，重新校准反馈意图训练卡尔曼滤波器（recalibrated feedback intention–trained Kalman filter，ReFIT-KF），它包含了关于闭环神经假体控制性质的假设。当在植入运动皮层电极阵列的恒河猴中进行测试时，ReFIT-KF算法在所有测量领域上都优于现有的神经假肢算法，并将目标采集时间减半。这种控制算法允许持续、不间断地使用数小时，并推广到更具有挑战性的任务，而无需再训练。使用该算法，我们在两只猴子体内植入后证明了数年可重复的高性能，从而提高了神经假体的临床可行性。

---

神经假体最近在概念证明动物实验和人类临床试验中显示出了相当大的前景，可以部分恢复瘫痪个体的运动输出。该领域的研究主要侧重于将皮层运动控制基础神经科学的见解和方法应用于该工程背景。一个关键的例子是使用运动皮层调整模型，该模型描述了单个单位发射率（unit firing rates）和手臂运动运动学（arm-movement kinematics）之间的关系，以定义一个闭环中计算机光标的神经控制映射。当这种神经假肢被引入猴子时，通过学习，其表现可以不断提高。除了控制计算机光标外，这些系统还成功地驱动了机器人的末端执行器。神经假肢研究纳入了运动神经科学的其他概念，证明了通过建模与运动准备（movement preparation）和本体感觉反馈（proprioceptive feedback）相关的神经活动来增强系统性能的潜力。最近的研究还表明，当记录的神经元群和控制算法保持不变时，随着时间的推移，神经假肢的性能会随着稳定的神经输出映射的形成而提高，并且一旦学习到多个映射，就可以在不同的控制上下文中被保留和检索。尽管有这些新的见解和额外的算法的进步，相对于原生手臂控制的性能，在简单的曲线控制任务上的系统性能仍然很低，这是临床转化的一个关键障碍。

为了提高神经假体的性能，我们专注于一种系统工程的方法。在该领域现有方法的基础上，我们开发了两项关键创新，改变了这些算法的建模假设以及这些算法的训练方法。此外，我们还选择了信号调节方法，将记录的神经信号转换为控制算法的输入，以提高系统的稳定性和性能。正如在闭环神经控制实验中所证明的那样，这些方法在多个光标控制任务中产生了高性能。

RESULTS

Performance overview

图1：(a) 猴子J在“中心向出和向后”期间光标路径的代表性轨迹。虚线（猴子看不见）是八个外围目标和中心目标的需求框，用半透明的绿色圆圈表示。目标在中心和外围之间按所示数字指示的顺序交替。在所有16次“中心向出和向后”运动的持续时间内，轨迹是连续的，分别代表原生手臂、ReFIT-KF和Velocity-KF达到的15.27s、16.87s和32.23s。(b) 每次成功试验时从直线路径到目标的最大偏差（mean±s.e.m.）。(c,d) 猴子J和L成功试验的目标时间。插图显示了到达目标的时间（mean±s.e.m.）。(e,f) 到目标的平均距离关于时间的函数。插图为拨入时间的mean±s.e.m.，或者说是首次捕捉目标后，最终选定需求框所需的时间，以成功保持500ms。拨号时间中不包括保持时间。线形图的加厚部分也表示拨入时间，从第一次目标捕获的平均时间开始，到平均试验持续时间减去500ms结束。这些数据来自实验（由猴子标识字母、年份、月和日期指定），J-2010-10-27, J-2010-10-28, J-2010-10-29, J-2010-11-02, L-2010-10-27, L-2010-10-28, L-2010-10-29 and L-2010-11-02。除了光标路径轨迹外，所有的图都是由每只猴子的4天实验中成功的中心外试验构建的，所有三种对照方法都进行了测试。

我们训练猴子用光标来获取目标，光标由自然手臂运动或神经活动控制。我们开发了一种算法，ReFIT-KF，它导致了显著的更高性能的神经假肢控制。图1比较了三种不同模式的光标运动：原生手臂控制、ReFIT-KF和速度卡尔曼滤波器（Velocity-KF），这是目前神经假肢的最新技术。猴子被要求将计算机光标移动到一个视觉目标，并将光标保持在需求框内500ms，才能成功完成试验并获得液体奖励。在这个“中心向出和向后”任务中，目标在一个中心位置和八个外围位置之间交替出现。在在线神经控制过程中，猴子的对侧手臂没有受到限制，并继续活动。然而，身体运动不是刻板的，在某些神经控制过程中，身体运动通常会减弱甚至停止，同时保持表现。在其他的对照实验中，猴子的两臂都受到了限制，我们观察到很少或没有手臂运动具有相似的神经控制性能（表1）。

ReFIT-KF算法在几个方面都优于Velocity-KF。首先，使用ReFIT-KF控制的光标移动更直(图1a,b)，从直线到目标的移动更少。使用ReFIT-KF产生的光标运动与原生手臂运动在定性上相似(图1a)。其次，这些动作也完成得更快。ReFIT-KF光标控制性能，通过成功获得目标的时间(图1c,d)来测量，为原生手臂控制性能的75-85%，至少有两倍的Velocity-KF控制性能。除了较低的平均到达目标时间外，方差显著较小，这一点很重要，因为这意味着更大的运动一致性和更少的可能令人沮丧的长期试验。最后，对于实现这一较短的目标时间至关重要的是，ReFIT-KF控制的光标运动停止得更好。停止的能力是这三种控制模式之间的一个关键区别。与原生臂和ReFIT-KF控制相比，Velocity-KF控制的光标首先获取目标的时间稍长，但往往明显超过目标，需要额外的时间和多次通过来稳定获取和保持目标。该超调校正时间主导了Velocity-KF控制成功目标捕获的总时间，并由度量“拨入时间”捕获，该时间是首次到达目标后进行最终目标捕获所需的平均时间(图1c-f)。与Velocity-KF控制相比，原生臂和ReFIT-KF控制都允许更精确的停止(图1e,f)。

在两只猴子的8次实验中，当给予4秒获得目标时，ReFIT-KF的成功率为>99%，而Velocity-KF的成功率为95%。我们选择了一个任务难度，以在第一个实验日实现所有三种控制模式的高成功率。当我们增加任务难度时，Velocity-KF的成功率相对于ReFIT-KF的成功率会下降，同样，ReFIT-KF的成功率和性能相对于原生手臂控制也会下降（见下文）。

跨越天数和年份的实验表明，ReFIT