Closed-Loop Control of Functional Electrical Stimulation Using a Selectively Recording and Bidirectional Nerve Cuff Interface
Notice bibliographique
Résumé
Discriminating recorded afferent neural information can provide sensory feedback for closed-loop control of functional electrical stimulation, which restores movement to paralyzed limbs. Previous work achieved state-of-the-art off-line classification of electrical activity in different neural pathways recorded by a multi-contact nerve cuff electrode, by applying deep learning to spatiotemporal neural patterns. The objective of this study was to demonstrate the feasibility of this approach in the context of closed-loop stimulation. Acute in vivo experiments were conducted on 11 Long Evans rats to demonstrate closed-loop stimulation. A 64-channel ( 8×8 ) nerve cuff electrode was implanted on each rat's sciatic nerve for recording and stimulation. A convolutional neural network (CNN) was trained with spatiotemporal signal recordings associated with 3 different states of the hindpaw (dorsiflexion, plantarflexion, and pricking of the heel). After training, firing rates were reconstructed from the classifier outputs for each of the three target classes. A rule-based closed-loop controller was implemented to produce ankle movement trajectories using neural stimulation, based on the classified nerve recordings. Closed-loop stimulation was successfully demonstrated in 6 subjects. The number of successful movement sequence trials per subject ranged from 1-17 and number of correct state transitions per trial ranged from 3-53. This work demonstrates that a CNN applied to multi-contact nerve cuff recordings can be used for closed-loop control of functional electrical stimulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».