Temporal interference stimulation of peripheral nerves induces functionally diverse limb movements revealed by automated pose estimation and unsupervised behavioral analysis
Notice bibliographique
Résumé
Peripheral nerve stimulation can help restore limb movement after paralysis and enable advanced rehabilitation technologies; however, current extraneural interfaces are typically limited by low fascicle selectivity and laborious functional evaluation. This study has developed an extraneural peripheral nerve interface with high fascicle selectivity, and an AI-facilitated video analysis pipeline for assessing limb movement during neuromodulation. This was achieved by deploying temporal interference stimulation (TIS) in a high-density nerve cuff electrode and by using machine learning algorithms for automated pose estimation and unsupervised behavioral analysis to evaluate movement selectivity and diversity. Using this unbiased semi-automated analysis revealed that TIS elicited more selective motor responses than standard biphasic stimulation, as evidenced by the formation of 1.75 times more distinct movement clusters and behavioral syllables. Furthermore, logit link beta regression modeling showed that TIS had a significantly higher positive effect on movement selectivity (β = 2.75, p < 0.005) compared to biphasic stimulation. Our statistical and machine learning-based analysis provides a computational and objective pipeline for quantifying complex motor outcomes in neuromodulation research. The results suggest that extraneural TIS can be used to generate individually targeted and functionally diverse limb movement patterns and offers a promising approach for neurorehabilitation applications, including restoring movement to individuals living with spinal cord injury.
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 | 0,000 | 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 ».