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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».