用于恢复感觉运动功能的神经假体系统及方法与流程

1.本发明一般涉及用于激活感觉运动功能的系统。更具体地说，本发明涉及一种基于功能运动诱发电位(fmep)的实时评估和基于fmep的神经元回路拓扑结构重建的脊髓损伤后运动障碍的恢复系统，以及一种神经元回路拓扑结构重建的方法。


背景技术：

2.脊髓损伤(sci)、脑损伤、中风和其他神经系统疾病打断了脊髓和身体其他部分之间的交流，从而影响了对损伤水平以下功能的自主控制。动物和人类研究表明，硬膜外和/或脊髓内电刺激可以激活sci后的脊髓运动回路。例如，硬膜外电刺激(ees)恢复了sci动物模型的协调运动，以及运动麻痹患者的孤立腿部运动。
3.已经证明，脊髓的结构包括各种微环路。这些微环路处理来自肢体运动的感觉信息和来自各脑区的输入，以产生运动响应并协调复杂的运动模式。该模式形成负责节律性运动结果的回路，例如运动，预计该模式将包括一组具有周期性抑制和/或兴奋活性的相互抑制的核团。事实表明，模拟微环路模式可以推动中枢神经系统不同层次的神经调节方案的发展。特别是，将负责运动的微环路模式落实到神经义肢系统中，以补偿失去的运动功能，可以使sci患者的运动功能得到恢复。


技术实现要素：

4.一个方面，本发明提供了一种神经形态假体系统，用于促进有需要的对象的感觉运动功能。该系统包括多个刺激器，这些刺激器均具有一个或多个通道，这些刺激器被配置在对象的不同位置，以提供协调的肌肉群、外周神经、神经丛和脊髓刺激的电刺激。该系统还具有多个传感器，传感器被配置为检测和传达体重、关节角运动、运理学和电生理参数的连续或周期性分布。此外，该系统包括多个控制器，该控制器被配置为接收来自多个传感器的组合数据，且被配置为处理组合数据并将组合数据传达给基于fmep的人工回路装置，所述基于fmep的人工回路装置被配置为实现中枢模式发生器(cpg)的拓扑结构重建。基于fmep的人工回路装置为运动功能模式应用生物可信的神经元拓扑结构，并协调通过多个刺激器应用与生物神经元刺激相匹配的电信号，以执行运动功能模式。
5.另一个方面，本发明提供了一种用于激活肢体的运动功能的方法，该方法针对有需要的对象的几个层面，例如肌肉、外周神经、神经丛和脊髓层面的中枢回路。该方法包括提供多个刺激器，这些刺激器具有一个或多个通道，被配置在对象的不同位置，通过电刺激对肌肉群、外周神经、神经丛和脊髓的刺激进行协调的电刺激，以支配多个目标。该方法进一步包括提供多个传感器，这些传感器被配置为检测和传达来自多个传感器的连续或周期性分布的体重、角度关节运动、运动学和电生理参数数据。此外，该方法包括提供被配置为接收来自多个传感器的数据的控制器，以处理组合数据并将组合数据传达给基于fmep的人工回路装置，该基于fmep的人工回路装置被配置为实施中枢模式发生器(cpg)的拓扑结构的重建。进一步的，该方法还包括通过多个刺激器施加给对象的电信号，刺激有需要的对象
执行运动功能。基于fmep的人工回路装置为运动功能模式应用生物可信的神经元拓扑结构，并协调电信号的应用。
6.在另一个方面，本发明提供了一种基于功能性运动诱发电位的评估，重建负责激活四肢运动功能的神经元拓扑结构的方法。该方法包括检测与输入刺激参数相关的神经元响应模式，分析神经元响应模式以获得稳定的神经元响应模式，稳定的神经元响应模式是根据多个峰确定的，每个峰有最大值和最小值，每个峰有振幅和时间。该方法进一步包括通过将神经元响应模式与已知的神经元生物响应进行比较来评估神经元回路拓扑结构，神经元回路拓扑结构形成激活肢体运动功能的输出信号。
7.在本发明的另一个方面，振荡器基序(om)被用于生成神经元响应模式，其中om包括相互激励成分和反馈抑制成分。
8.在本发明的另一个方面，多级脊柱运动回路(mslc)模型被用于生成神经元响应模式，所述mslc模型包括单突触层和多突触层。
附图说明
9.为了使本发明易于理解，将通过参考附图中呈现的具体实施例来对上文简要描述的本发明进行更具体的描述。了解到这些附图仅描述了本发明的典型实施例，因此不应认为是对其范围的限制，本发明的各个方面将通过使用附图进行附加的特性和细节的描述和解释。
10.图1(a)-1(c)描绘了根据本发明的实施方案的振荡器基序(om)；
11.图2描绘了根据本发明的实施方案的多级脊髓运动回路(mslc)模型；
12.图3描绘了根据本发明的实施方案的响应于硬膜外电刺激(ees)脉冲的伸肌(soleus)和屈肌(tibialis anterior)的功能性运动诱发电位(fmep)模式的肌电图；
13.图4描绘了根据本发明的实施方案的基于峰值概念的检测的神经元响应模式；
14.图5描绘了根据本发明的实施方案的具有峰值密度呈金字塔形的多突触fmeps模式；
15.图6说明了根据本发明的实施方案的延迟被识别为单突触和多突触fmeps之间的时间(距离)；
16.图7描绘了根据本发明的实施例的神经形态假体系统；
17.图8描绘了根据本发明的实施例的数字神经形态假体系统；
18.图9描绘了根据本发明的实施例的脉冲(模拟)神经形态假体系统；
19.图10描绘了根据本发明的实施例的各种脉冲活动；
20.图11说明了(a1)izhikevich模型、(a2)leaky integrate-and-fire模型以及(a3)简单数字神经元中的脉冲形状；
21.图12描述了根据本发明的实施方案的简化数字神经元模型。
具体实施方式
22.本说明书中提及“具体实施例”或类似的表达方式是指具体实施例中描述的具体特征、结构或特性包括在本发明的至少一个具体实施例中。因此，本说明书中的“在具体实施例中”或类似表达不一定是指同一个具体实施例。
23.在下文中，将参照附图更详细地描述本发明的各种实施方案。尽管如此，应当理解的是，本领域技术人员可以根据以下描述对本发明进行修改，以实现本发明的优异效果。因此，以下描述应被视为对本领域技术人员来说，与本发明相关的普遍性和解释性的描述，而不是为了限制本发明的权利要求。
24.在说明书中提及“一个实施例”、“某个实施例”或类似的表达，意味着该实施例中描述的相关特征、结构或特性包括在本发明的至少一个实施例中。因此，本说明书中的“在一个实施例中”、“在某个实施例中”或类似表达不一定是指同一个具体的实施例。
25.提供了一种基于重建神经元回路拓扑结构的从脊髓损伤(sci)后的运动障碍中恢复的系统。脊髓的结构包括各种神经元微环路。这些神经元微环路处理感觉信息，例如，来自肢体运动的感觉信息和来自不同脑区的输入，以产生运动响应。运动的模式形成是由一组通常具有相互抑制和周期性抑制和/或兴奋性投射和活动的核团引入的。神经元微环路模式的重建和/或模拟可以推进神经调控解决方案的发展，以实现sci患者的运动控制。
26.负责产生复杂节律模式的神经元回路的拓扑结构，即中枢模式发生器(cpg)，在很大程度上是不确定的。然而，已经证明，硬膜外电刺激(ees)通过向cpg回路提供感觉(例如电)输入，可以促进sci动物和患者的复杂运动。本发明的实施例规定，由于cpg回路的拓扑结构大部分仍然是未知的，基于fmep的脊髓cpg神经元回路的重建(即逆向工程)，负责运动模式的形成，可以生成一个计算模型(in silico)，可以在单板计算机(in cyberico)中实现。所产生的神经元拓扑结构的计算模型然后可以在cpg实施设备中实施，该设备允许产生与sci患者肌肉的生物神经元刺激相适应的电信号，以激活sci患者肢体的运动功能。
27.为了重建负责sci患者的运动模式的神经元拓扑结构，根据本发明的实施例，基于已知的输入(即感官调节和刺激参数)和与特定模式相关的电生理输出检测神经元响应模式。然后分析神经元响应模式与响应的时间和振幅调制的关系。基于对神经元响应模式的分析，重建神经元微环路拓扑结构。然后，神经元微环路拓扑结构在模式形成的回路中实现，该回路可以产生与生物神经元刺激相适应的电信号，以激活肢体的运动功能。
28.检测与输入刺激相关的神经元响应模式
29.根据本发明的实施方案，神经元响应模式的检测是基于已知或部分已知的刺激参数，例如孤立的神经元回路的振幅、频率和占空比。以下体内模型可用于诱发运动响应：空中踏步(即一个生物模型，对象在身体重量支持(bws)系统的充分支持下，在空中进行行走而不接触跑步机)，一个对象几乎不接触跑步机并进行行走(toe)的模型，一个对象在bws的支持下进行双足行走以保持垂直姿态(plt(足底))的生物模型。此外，具有不同跑步机速度的生物模型，包括喹哌嗪(qpz)和马钱子碱(str)的药理影响的模型，以及具有各种已知硬膜外刺激的模型，可用于检测神经元响应模式。在体内实验环境中评估的输入和输出的多样性在其他地方有详细描述[islam等人，2019]。我们已经实施了这种方法，基于各种感觉输入的运动输出的变化来评估回路的潜在拓扑结构和功能组织。为了记录诱发的运动响应，可以使用任何已知的方法，例如，通过在以下肌肉上放置钢丝来捕捉肌电图(emg)：臀大肌(glu)、股直肌(rf)、大腿外侧肌(vl)；胫骨前肌(ta)、比目鱼肌(sol)、和内侧腓肠肌(mg)。
[0030]
进一步，计算机模拟计算模型可用于检测和模拟神经元对已知输入参数的响应模式，例如，neuron,nest和/或gras模拟器。根据一个实施方案，神经元的hodgkin-huxley模
型可以与neuron模拟器一起使用。见hodgkin,a.l.,huxley,a.f.:膜电流的定量描述及其对神经传导和兴奋中的应用，《生理学期刊》，1952年，第117卷，第4号，第500-544页。也可以使用nest模拟器。nest是一个脉冲神经网络模型的模拟器，其重点是神经系统的动态、大小和结构，而不是基于单个神经元的确切形态。见jordan,j.,ippen,t.,helias,m.,kitayama,i.,sato,m.,igarashi,j.,diesmann,m.,kunkel,s.:极具可扩展性的脉冲神经元网络仿真程序：从手提电脑到超大规模计算机，《神经信息学前沿》，2018年2月，第12卷。
[0031]
gras模拟器采用c++编程语言和nvidia cuda技术对生物可信的神经元网络进行gpu处理。更具体地说，gras模拟器是一个具有预定义神经元拓扑结构的神经元活动的实时模拟器。它可以支持三种不同的神经元模型：(1)更简单的神经元实时模型(esrn)，见leukhin,a.,talanov,m.,suleimanova,a.,toschev,a.&lavrov,i.更简单的神经元实时模型，《生物纳米科学》，2020年，第1-4页；(2)hodgkin-huxley神经元，见hodgkin,a.l.&huxley,a.f.：膜电流的定量描述及其对神经传导和兴奋中的应用，《生理学期刊》，第117卷，第500-544页；(3)izhikevich神经元，见izhikevich,e.m.多时化：用脉冲计算，《神经网络》，2006年。gras专注于整个神经元拓扑模型，与nest中的单个神经元形成对比。由于效率高，gras也使用gpu处理其计算。
[0032]
根据本发明的实施方案，为了检测和模拟神经元的响应模式，可以使用一个简化的神经元模拟器模型(更简单的神经元实时模型(esrn))来实现嵌入式生物兼容设备中的实时处理。生物仿真神经模拟的一个关键问题是计算的时间，可穿戴的神经假体需要在单板计算机上实时处理数千个神经元和数十万个突触的拓扑结构，单板计算机重量有限，且通常不与外部网络连接。简化的数字神经元模型符合以下要求：在单板计算机上进行实时处理，只考虑生物可信的脉冲时间、不应期、抑制性影响，以及基于阈值的输入脉冲处理。根据本发明的一个实施方案，简化的模拟器模型包括以下假设，以优化神经元模型的代码，用于实时处理大量的神经元(数千或更多)和大量的(数十万或更多)突触：只对运动神经元和中间神经元进行建模，不考虑脉冲的振幅，而是利用生物可信的脉冲和不应期持续时间。为了实时进行计算，使用了以下用于膜电位的简化方程
[0033]
l＝σw
±
泄露+噪声
[0034]
其中电平是投影权重、泄漏和噪声的总和。
[0035]
根据本发明的实施方案，在神经元响应模式检测和分析中，如图1(a)-1(c)所示和描述的振荡器基序(om)，被用作例如在脊髓中发现的神经元回路及其微环路结构的基础(构建块)。om包括中枢神经系统(cns)的四个常见基序：(i)反馈抑制；(ii)节律性兴奋；(iii)发散；和(iv)收敛。更具体地说，om由两个功能部分组成：(i)相互激励(1，2)(如图1(b)所示)和(ii)反馈抑制1，3(如图1(c)所示)。om可以产生不同持续时间的神经元活动。如图1(a)-1(c)所示，神经元活动的持续时间取决于兴奋性核团和抑制性核团之间的权重平衡。输入核团1接收信号，例如来自传入和/或ees的信号，并触发与第二核团2的相互激励。第一和第二兴奋性核团1、2有强烈的交互投射，并产生输出活动，该活动被来自第三核团3的抑制性投射所终止，第三核团3对兴奋性核团1、2的投射较弱。此外，输出活动可以被第三核团的外部兴奋性刺激所终止(如图1a所示)。换句话说，根据本发明的实施方案，om通过抑制性和兴奋性投射之间的平衡产生具有预定的持续时间和振幅的神经元活动。
[0036]
如图1(a)-1(c)所示，om产生功能性运动诱发电位(fmep)的神经元活动动态。fmep
可以通过例如(i)每个ees脉冲后的延迟；(ii)持续时间，(iii)振幅，以及(iv)一对最大和最小极值之间的峰数量来测量(如图4所示)。
[0037]
图2显示了根据本发明的实施方案的多层次脊柱运动回路(mslc)模型的详细图示。在步进期间，fmeps的产生是由单突触层和多突触层通过来自皮肤腹侧(cv)感觉传入和ees脉冲的联合输入而顺序激活触发的，从而放大了cv1至5的神经元活动(如图2中所示)。mslc包括多突触电平20(与多发性fmeps有关)和单突触电平30(与单发性fmeps有关)。单突触电平30包括运动神经元(mn-e，mn-f)、传入纤维(iaf-e，iaf-f)、与ia-传入物相关的中间神经元、抑制运动神经元(ia-e，ia-f)的拮抗肌和兰晓细胞(r-e，r-f)，它们使肌肉免于强烈收缩形成负反馈。如图2所示，该电平是由例如ees激活的ia-传入触发的。多突触电平20形成多突触反应，通常比单突触的长，但最大振幅较低，从而形成复杂的神经元结构。多突触层20由图2中所示的五个层组成。
[0038]
多突触层20的层数与多突触fmep延迟的数量相对应。五层中的每一层都包含自己的om(如图1所示)，并通过两个基序形成：相互激励(图1(b))和反馈抑制(图1(c))，该基序又包含抑制性核团，它调整om的神经元活动长度并保证神经元输出的及时产生。也就是说，多突触电平20包括，如图2所示，cv1至5，om1至5，中间神经元间池的兴奋性(e)和抑制性(i)部分：ip-e，ip-f，其中大写字母e代表伸肌核团，f-屈肌核团。每个cv均是一组上行纤维，其包括由cv输入激活并形成相应cv的基线活动的纤维，以及由例如纤维电活动(e)核团的ees增强激活的纤维。
[0039]
单突触和多突触反应之间的延迟增加的是由于上层对下层的抑制(如图2所示)、对抑制性核团的兴奋性投射形成的。较高层的cv3到5抑制较低层的om1到3。每层都是由感觉传入或皮肤腹侧cv1至5和/或ees触发的。
[0040]
多突触电平伸肌模式有两种模式。第一种是站立模式，每个om由来自cv1至5和ees的共同激活触发。皮肤传入是根据身体重量的分布从脚趾到脚后跟触发的。在第二种模式(摆动模式)中，多突触层20的工作顺序与cvs的激活无关，因为当一只脚在空中时，cv不会被激活。这样，om1(如图2所示)就被另一条腿的ees和cv1所触发。
[0041]
图3显示了伸肌(soleus)和屈肌(tibialis anterior)响应ees脉冲的fmep模式的肌电图，每个切片都有明显的延迟(ees脉冲刺激之间的周期为40hz)。在站立模式中，第一个ees脉冲和丘状皮肤传入神经通过cv1神经元群触发om1(如图2所示)。这产生了第一切片的神经元活动(13至15毫秒(ms))，如图3所示。下一个ees脉冲和身体重量从脚趾到脚后跟转移，激活了cv 1和cv2的神经元群，并触发了(通过cv的投射)om1和om2，从而产生了下一个切片(13至21毫秒)的具有较高振幅的扩展fmep。第三个ees脉冲和重量转移激活了cv3，并触发了om2和后来的om3，产生了第四个切片的长fmep(15至23ms)和fmep(0至3ms)。cv3抑制了om1实施反馈抑制。
[0042]
第四和第五个ees脉冲和重量转移，接近脚趾皮肤传入神经投射到cv4-om3和om4(19毫秒)，产生第五和第六个切片的切片四和五(分别为19至25毫秒和0至3毫秒)的短而密集的活动，抑制om1和om2。第六个ees脉冲具有特殊功能，因为它通过cv 5与重量转移到脚趾联合触发om5，并抑制om1至om3(如图2所示)，从而有效地防止它们产生早期反应，并投射出振幅相对较高的短时神经元活动。
[0043]
在摆动模式期间，鉴于没有皮肤输入，图3中显示了三个延迟，即17毫秒、12毫秒和
20毫秒，持续时间为17毫秒、44毫秒和5毫秒。图2中所示的五层结构产生了图3肌电图中所示的屈肌fmep模式。更具体地说，通过cv1的第一个ees脉冲触发了第一层和第二层的om。首先，om1被触发，om1的0先于1兴奋核团(如图2所示)对om2的第二核团进行触发。这产生了强烈的fmep活动，从第七切片的17ms开始，直到第八切片的3ms(如图3ta所示)。第二个ees脉冲触发了cv2和cv1，有效地将第8切片的17毫秒增强到25毫秒，直至第9片3毫秒的输出fmep(如图3ta所示)。第三和第四个ees脉冲通过cv3和cv4触发om3，而om3的核团2触发om4(如图2所示)。这一对从第九切片的12ms开始直到第十一切片的6ms产生长而密集的fmeps(如图3ta所示)。然后，第五个ees脉冲触发了cv5和从om 4的核团0到om5的核团0的投射，并激活了om5(如图2所示)。这就产生了第十一切片的20毫秒至25毫秒的神经元脉冲。
[0044]
当第二核团触发下一个om时，屈肌模式以顺序om激活方式组织(如图2所示)。ip-e右和ip-e左有抑制性突触前投射，在站立模式期间抑制om的第二核团的兴奋性投射，这些投射通过cv1至5被激活。在摆动模式期间，这些投射在屈肌模式的形成中发挥重要作用。
[0045]
根据本发明的实施方案，有两个主要的输入刺激mslc模型，用于检测神经元响应模式ees和皮肤。皮肤输入的主要影响适用于单突触电平30，该电平对左右腿同时工作。两条腿之间的平衡具有对角线性质，当右腿的伸肌由于皮肤输入而被激活时，左腿的屈肌也被激活。另一方面，当左腿的伸肌活跃时，右腿的屈肌也被激活，其余部分被抑制。
[0046]
对检测到的神经元响应模式的分析
[0047]
根据本发明的实施方案，对上述检测到的神经元响应模式的分析是基于对功能性运动诱发电位(fmep)的评估和对神经元网络产生的复杂模式的分析。特别是，峰被认为是一对极值：第一个最大值和后来的最小值，如图4所描述。最大值和最小值之间的增量(δ)是峰的振幅，峰值的持续时间＝t
min-t
max
(如图4中da所示)。根据本发明的实施方案，要作为一个峰，峰值持续时间应在0.15ms和4ms之间，相对振幅应大于最大fmep振幅的3％，如图4所示。最低的时间和振幅阈值可以通过取所有峰的第十五和第二十五个百分位数并比较不同的时间和振幅阈值来确定。本文所述的范围允许避免不是峰或“类似噪音”峰的长肌电图波。
[0048]
根据本发明的实施方案，通过任何合适的方法，例如核团密度估计(kde)，对肌电图进行分析以确定稳定模式。如图3和图5所示，使用来自各种模型的体内和计算机数据，例如air、toe、plt、qpz、str、neuron an/or gras，可以通过具有特定数量的峰、相对聚合振幅和延迟来确定的稳定模式。
[0049]
根据本发明的实施方案，数据可以通过kde测试进行验证。特别是，通过体内肌电图验证计算机数据需要数据集的统一表示。体内数据或肌图包是在生物模型(动物)的运动过程中记录的，其本身可能会产生不需要的伪影，例如，在计算机数据验证的背景下，零点移动是不可接受的，因为模拟数据不包括它，因为计算机模型在运动过程中没有电极的移动。为了补偿零点移动，pca特征向量可用于旋转计算机模型中的肌电图包的中心点。
[0050]
根据本发明的实施方案，鉴于多突触和单突触fmeps的不同性质，可以使用两种不同的神经元响应模式的分析过程。首先，单突触fmeps表明在体内或计算机数据的每个切片上3毫秒至8毫秒范围内的峰的规律性(如图3所示)。另一方面，多突触fmeps模式具有金字塔性质的峰密度，例如，在plt模式下，连续切片的8毫秒至25毫秒和0毫秒至3毫秒的范围内(通过kde表示，如图5所示)。通过分析不属于单突触fmep区间的峰密度，例如在8毫秒至25
毫秒的范围内，选择单突触和多突触fmeps之间的边界线。
[0051]
此外，考虑到一个突触延迟为2ms，响应之间的延迟δ确定了产生响应的不止一个核团的存在，其值确定了每个核团激活之间的突触数量。峰的数量确定了一个核团中的延迟和投射权重的分布(如图5所示)。相对振幅的δ表示存在一个以上的具有不同神经元活动的核团(如图5所示)。响应持续时间与峰的数量相关，并确定延迟的分布，如果总体持续时间长于一个突触延迟，则存在具有多个突触连接的内部核团拓扑结构。
[0052]
如图6所示，延迟被确定为在5毫秒至20毫秒的时间范围内单突触和多突触fmeps之间的时间(距离)，其中存在3毫秒至8毫秒的单突触fmeps和8毫秒至25毫秒的保证多突触fmeps的重叠。为了检测和测量每个体内模型的每个fmep包在每种模式下的总体延迟值，可以使用比较低于阈值线的体积的三维kde映射方法，。qpz/str模型的阈值是由以下公式确定的：
[0053]
isoline
th
＝2/3(max+min)
[0054]
而对于air/toe/plt模型：
[0055]
isoline
th
＝1/2(max+min)
[0056]
其中max是当前fmep包中峰密度的最大值，min是当前fmep包中峰密度的最小值。
[0057]
根据本发明的实施方案，考虑到单突触和多突触fmeps之间的延迟量、峰数、单突触和多突触fmeps中的振幅以及多突触模式的形状(如图3所示)的低电平细节，可以通过任何合适的方法，例如kde测试，进一步验证神经元响应模式。
[0058]
神经元回路模式/拓扑结构的重建
[0059]
根据本发明的实施方案，上述结果，例如(i)核团的大致数量(ii)每个核团的激活之间的大致延迟(ii)每个投影(突触连接)的权重和延迟的分布范围，以及(iv)每个核团的神经元的类型被用于利用形成输出信号的已知类型的神经元来重建神经元回路拓扑结构。根据本发明的实施方案，两个抽象层次可用于重建神经元回路拓扑结构，即高级拓扑结构和低级拓扑结构。特别是，神经元的高层拓扑结构包括神经元响应之间的延迟、每个响应的相对振幅和峰数量。在一个突触延迟内，确定反应的持续时间、聚合振幅和峰数量、投射权重和延迟的分布以重建低级的拓扑结构。例如，如果持续时间超过一个突触延迟，则假定核团内的神经元拓扑结构，同时考虑到每个核团的神经元数量及其连接参数的分布。然后，考虑到核团的共同激活投射的输入活动，利用核团的激活时间来确定。此外，在神经元活动记录的高采样率的情况下，有可能使用聚类方法来识别产生脉冲的神经元。当应用上述方法时，可以使用例如cns中的神经元的已知基序来重建神经元拓扑结构。然后，神经元微环路拓扑结构可以在cpg设备中实现，该设备可以产生与生物神经元刺激相适应的电信号，以激活肢体的运动功能。
[0060]
图7说明了神经形态假体系统100。根据本发明的实施方案，神经形态假体系统100被配置为促进完全或部分sci和腿部瘫痪的病人的行走。神经形态假肢系统100为每个肢体包括一个脚踝控制器110和一个髋部控制器115，一个中枢模式发生器装置130，以及刺激器150。控制器110、115是数据处理装置，接收来自压力传感器160的输入数据，压力传感器160可以设置在鞋垫上，弯曲传感器170可以设置在脚踝和/或膝关节周围。脚踝控制器110可以设置在脚踝周围，并将数据传输给髋部控制器115。髋部控制器115对从脚踝控制器110收到的数据进行预处理，并将从脚踝控制器110收到的数据与髋部控制器115从弯曲传感器170
收到的数据相结合。然后，髋部控制器115将合并的数据传送到中枢cpg实施设备130。
[0061]
中枢cpg装置130可以实现为一组同步的单板数字计算机(例如，pine a 64)(如图8所示)或脉冲(模拟)原理图(如图9所示)，实现脊髓拓扑结构的一段的中枢模式发生器或具有相同功能的特定应用集成电路(asic)芯片。cpg 130装置实现了行走模式发生器的生物可信的拓扑结构，能够产生与下肢肌肉的生物神经元刺激相适应的电信号。图2中详细描述了cpg的神经元拓扑结构，即运动模式发生器的两层拓扑结构(单突触和多突触)与运动模式发生器的五层多突触层。cpg设备130也可以平衡屈伸肌对和左右腿。
[0062]
刺激器150可以包括背部刺激器158、左脚踝刺激器151、右脚踝刺激器153、右髋部刺激器157和左髋部刺激器159。刺激器150可以是定位在肌肉、神经、神经丛或用于经皮脊髓刺激的电极。刺激器150、250可以是单通道或多通道刺激器，适用于根据本发明的实施方案进行的刺激。
[0063]
cpg的输出触发了刺激器151、153、157、158、159，这些刺激器通过上升神经或直接支配后肢肌肉(臀部和足部)，从而将行走模式单独传递给每个屈伸肌对。肌肉反过来平衡朝向运动方向的重量，从而改变由压力传感器160记录的重量分布和由弯曲传感器170记录的关节的角度。
[0064]
系统100可以是开环或闭环反馈系统。在一些实施例中，控制器110、115可以与外部计算系统(未显示)通信。例如，用户可以在外部计算系统上定义刺激程序，然后该程序可以被上传到控制器110、115，或者，上传到中枢cpg实施设备130。
[0065]
根据本发明的另一个实施例，图8上显示了数字神经形态假体系统200。数字神经形态假体系统200包括脚踝控制器210和鞋垫控制器225、cpg装置230、刺激器250、压力传感器260、数模转换器(dac)220和通用异步接发传输器(uart)串行端口240。根据本实施例，cpg设备230可以是单板计算机。
[0066]
这里，输入信号通过重量分布“从脚趾到脚后跟”形成，并由鞋垫控制器225处理。通过uart串行端口240将压力传感器数据从鞋垫控制器225发送到中枢模式发生器装置230(单板计算机)，其中传感器数据的加权δ“从脚趾到脚后跟”被用作cpg设备230执行的输入。中枢模式发生器装置230为后肢肌肉实时生成数字运动模式，并通过dac 220触发刺激器250。也就是说，dac 220将刺激器250的电压信号转换为人类神经/肌肉刺激范围内的安全电流信号，例如，从-100到+100ma。
[0067]
根据本发明的又一实施方案，图9上显示了一个脉冲(模拟)神经形态假体系统300。该脉冲神经形态假体系统300包括脚踝控制器310和鞋垫控制器325、脉冲中枢模式发生器(cpg)装置330、刺激器350、压力传感器360和数模转换器(dac)340。
[0068]
这里，输入信号通过重量分布“从脚趾到脚后跟”形成，并由鞋垫控制器325处理。通过dac340将压力传感器数据从鞋垫控制器325传送到脉冲cpg设备330。加速cpg装置产生具有确定频率和持续时间的行走模式，该模式与行走速度相对应。该行走模式由模拟cpg设备330的板产生，并被传送到刺激器350，该刺激器刺激下行神经以触发肌肉。
[0069]
实施例#1(振荡器基序)
[0070]
摘要
[0071]
为了重建中枢神经系统(cns)中更复杂的神经网络的基本回路基序，我们引入了振荡器基序模拟的新方法。振荡器基序的微环路是利用中枢神经系统基序中经常出现的四
种：反馈抑制、节律性兴奋、发散和收敛来建立的。模拟结果表明，有四种基本的神经活动产生模式，即四个核团之间的连接权重最小，核团之间的权重最大，权重介于最大和最小之间，以及有效抑制输出神经元活动的抑制性核团的参与。为了通过比较产生的活动来测试振荡器基序，使用了两个神经模拟器：neuron,gras。
[0072]
简介
[0073]
我们使用可能的解决方案之一来重建可用于脊髓中枢模式发生器(cpg)的基本振荡器基序(om)的微环路，通过使用两个模拟器的神经模拟对其进行论证和验证：neuron(见hines,m.,carnevale,n.:神经元模拟环境，2003年第二版；nest(jordan,j.,ippen,t.,helias,m.,kitayama,i.,sato,m.,igarashi,j.,diesmann,m.,kunkel,s.:极具可扩展性的脉冲神经元网络仿真程序：从手提电脑到超大规模计算机，《神经信息学前沿》，2018年2月，第12卷)和一个新的c++编程语言模拟器gras。
[0074]
主题回顾
[0075]
有几篇致力于描述微回路的脊髓结构的文章(见ampatzis,k.,song,j.,ausborn,j.,el manira,a.:不同的v2a中间神经元和运动神经元的独立微回路模块控制运动的速度，《neuro期刊》，2014年，第83卷，第四期，第934-943页；chopek,j.w.,nascimento,f.,beato,m.,brownstone,r.m.,zhang,y.：脊髓v3神经元的亚群形成分层前运动微环路的焦点模块，《细胞报道》，2018年，第25卷，第一期，页码146156.e3；deska-gauthier,d.,zhang,y.：脊髓中间神经元的功能多样性和运动控制，《生物学新观点》，2019年，第8卷,第99-108页)，从描述反射弧的基础研究开始(见ilya a.rybak,kimberly j.dougherty,natalia a.shevtsova:哺乳动物运动cpg的组织：基于遗传识别的脊髓中间神经元的计算模型和电路结构综述，《eneuro》，2015年；markin,s.n.,klishko,a.n.,shevtsova,n.a.,lemay,m.a.,prilutsky,b.i.,rybak l.a.:运动cpg的传入控制：来自一个简单神经力学模型的见解：运动cpg的传入控制，《纽约科学院年鉴》，2010年，第1198卷，第一期，第21-34页；rybak,l.a.,shevtsova,n.a.,lafrenier-roula,m.,mccrea,d.a.:参与运动模式生成的脊柱回路建模：从假想运动的缺失中得到的启示，《生理学杂志》2016年，第577卷，第二期,第617-639页)到最先进的方法，包括节律模式生成器的多层模型(见，例如，van den brand,r.,heutschi,j.,barraud,q.,digiovanna,j.,bartholdi,k.,huerlimann,m.,friedli,l.,vollenweider,i.,moraud,e.m.,duis,s.,dominici,n.,micera,s.,musienko,p.,courtine,g.:恢复麻痹性脊髓损伤后对运动的自主控制，《科学》，2012年，第336卷，第6085期,第1182-1185页；capogrosso,m.,wenger,n.,raspopovic,s.,musienko,p.,beauparlant,j.,bassi luciani,l.,courtine,g.,micera,s.:硬膜外电刺激脊髓感觉运动回路的计算模型，journal of neuroscience期刊,2013年，第33卷，第49期,第19326-19340页；moraud,e.m.,capogrosso,m.,formento,e.,wenger,n.,digiovanna,j.,courtine,g.,micera,s.:脊髓损伤后纠正步态和平衡缺陷的脊髓回路的神经调节机制，《神经元》，2016年，第89卷，第4期，第814-828页；wagner,f.b.,mignardot,j.b.,go-mignardot,c.g.l.,demesmaeker,r.,komi,s.,capogrosso,m.,rowald,a.,se_a～nez,i.,caban,m.,pirondini,e.,vat,m.,mccracken,l.a.,heimgartner,r.,fodor,i.,watrin,a.,seguin,p.,paoles,e.,keybus,k.v.d.,eberle,g.,schurch,b.,pralong,e.,becce,f.,prior,j.,buse,n.,buschman,r.,neufeld,e.,kuster,n.,carda,s.,zitzewitz,j.v.,
delattre,v.,denison,t.,lambert,h.,minassian,k.,bloch,j.,courtine,g.:靶向神经技术使脊髓损伤患者恢复行走，《自然》，2018年，第563卷，第7729期，第65页)。历史上，运动模式的形成被解释为一组通常具有相互抑制和周期性抑制或/和兴奋性投射和活动的核团(见，例如，ampatzis,k.,song,j.,ausborn,j.,el manira,a.:不同的v2a中间神经元和运动神经元的独立微回路模块控制运动的速度，《neuro期刊》，2014年，第83卷，第四期，第934-943页)；chopek,j.w.,nascimento,f.,beato,m.,brownstone,r.m.,zhang,y.：脊髓v3神经元的亚群形成分层前运动微环路的焦点模块，《细胞报道》，2018年，第25卷，第一期，页码146156.e3)。同时，能够产生运动模式的微环路的模式形成和组织结构仍不清楚(见，例如，gad,p.,lavrov,i.,shah,p.,zhong,h.,roy,r.r.,edgerton,v.r.,gerasimenko,y.：脊髓运动诱发电位在踏步运动中的神经调节作用，《神经生理学杂志》，2013年，第110卷，第6期，第1311-1322页。一个反复出现的稳定的神经元微环路基序(见english,d.f.,mckenzie,s.,evans,t.,kim,k.,yoon,e.,buzs_aki,g.:海马网络中的锥体细胞-中间神经元回路结构和动力学，《神经元》，2017年，第96卷，第2期,第505-520页)在大脑或/和脊髓中发现(见，例如，chopek,j.w.,nascimento,f.,beato,m.,brownstone,r.m.,zhang,y.：脊髓v3神经元的亚群形成分层前运动微环路的焦点模块，cell reports期刊，2018年，第25卷，第一期，页码146156.e3)。在分析过程中，使用了以下标准：(1)至少有两个核团的相互激励的发生器(2)在抑制发生器的神经元活动的活动期之后，应该通过第3核团来管理(3)整个基序可以通过脉冲时间依赖的可塑性(stdp)学习自我调节和自我组织(见，例如van den brand,r.,heutschi,j.,barraud,q.,digiovanna,j.,bartholdi,k.,huerlimann,m.,friedli,l.,vollenweider,i.,moraud,e.m.,duis,s.,dominici,n.,micera,s.,musienko,p.,courtine,g.：恢复麻痹性脊髓损伤后对运动的自主控制，《科学》，2012年，第336卷，第6085期,第1182-1185页。
[0076]
方法
[0077]
考虑到神经元活动产生的具体情况，提出了复杂电路的关键低电平组件，这里命名为振荡器基序(om)(图1a)。om的最初设计是受paz的作品启发(paz,j.t.,huguenard,j.r.:癫痫中的微环路及其相互作用：焦点是否偏离？《自然神经科学》，2015年，第18卷，第3期，第35-359页；womelsdorf(womelsdorf,t.,valiante,t.a.,sahin,n.t.,miller,k.j.,tiesinga,p.：节律性增益控制、门控和集成下的动态回路基序，《自然神经科学》，2014年，第17卷，第8期,第1031-1039页)和english(english,d.f.,mckenzie,s.,evans,t.,kim,k.,yoon,e.,buzsaki,g.:海马网络中的锥体细胞-中间神经元回路结构和动力学，neuron期刊，2017年，第96卷，第2期,第505-520页)，并以两个核团的反复或节律性兴奋(图1b)、反馈抑制(图1c)、发散(图1d)和收敛(图1e)为基础。om的基本功能是在2毫秒至15毫秒的指定周期内产生神经元活动。为此目的，使用了有节律的兴奋基序，包括两个核团并具有相互的兴奋性投射(图1b核团：1，2)，产生扩展的神经元活动。对于活性终止，两个反馈抑制基序(图1c核团：1，3)与决定了神经元活动持续时间的弱兴奋性和强抑制性投射一起使用。输入的电活动，如核团1的箭头所示，触发1和2的相互兴奋，反过来提供输出神经元活动，并弱化第三核团的兴奋。当第三核团的神经元达到其阈值时，这些神经元强烈抑制第一和第二核团的活动。第三核团的弱输入和强输出的平衡决定了om的输出神经元活动的持续时间。
[0078]
结果
[0079]
通过neuron神经模拟器，使用hodgkin-huxley模型(见hodgkin,a.l.,huxley,a.f.:膜电流的定量描述及其在神经传导和兴奋中的应用，《生理学杂志》，1952年，第117卷，第4期，第500-544页)使用了神经元的以下参数：膜电容为1μf/cm2，电阻率为100ω/cm，钠和钾通道使用0：2s/cm2和0：04s/cm2的电导(见dougherty,k.,kiehn,o.：啮齿动物脊髓中v2a中间神经元的发放和细胞特性，《神经科学杂志》：神经科学学会的官方杂志，2010年，第30卷，第24-37页)。该模型是多室的，由体细胞、树突和轴突组成，每个部分作为一个室呈现。神经元体细胞的直径在3微米到8微米之间(见chen,s.,yang,g.,zhu,y.,liu,z.,wang,w.,wei,j.,li,k.,wu,j.,chen,z.,li,y.,mu,s.,ouyang,l.,lei,w.:大鼠脊髓内三种中间神经元的比较研究，《公共科学图书馆》，2016年，第11卷，第9期，刊号e0162969)。om由两个主要部分组成：两个相互触发从而产生扩展活动的核团(图1b)和三个形成负反馈的核团(图1c)以及发散(图1d)和收敛(图1e)。每个核团包含50个神经元，每个投影的突触从30到50不等。兴奋性和抑制性权重之间的平衡提供了各种脉冲活动(图10)。om产生一连串的脉冲，这些脉冲对第三核团具有弱抑制性投射和弱兴奋性投射(图10a)。当第三核团处于亚阈值的状态时，第二核团的输出信号频率约120hz。活动持续50毫秒，并不会减少。当抑制性和兴奋性投射很强时，神经元的活动会显著减少，因为第一核团触发第二核团，产生一个输出信号，然后第三核团同时强烈地抑制两个兴奋性核团(如图10b所示)。当兴奋性核团(1和2)与第三核团之间的连接很弱时，脉冲的数量由兴奋性和抑制性权重之间的差异来调整。尽管抑制性投射是强大的，但是输出核团产生从7ms到20ms的两个平均峰值。兴奋性核团逐渐增加第3核团的电位。当它超过一个阈值时，第3核团被激活并抑制第一和第二核团(如图10c所示)。输出神经元活动的持续时间也取决于触发第三核团的外部信号。如果抑制性连接的权重足够，输出活动就会停止(图10d)。
[0080]
第二系列的实验(图10a2,b2,c2,d2)是专门用来测试gras模拟器中的om。gras是为使用c++编程语言和nvidia cuda技术对生物可信的神经元网络进行gpu处理而创建。在gras神经模拟器中，使用了hodgkin-huxley神经元模型，参数如下：膜电容为1μf/cm2，电阻为100ω/cm。该模型是一个隔间。
[0081]
第三系列实验(图10a3、b3、c3、d3)专门用于测试nest神经模拟器中的om(见jordan,j.,ippen,t.,helias,m.,kitayama,i.,sato,m.,igarashi,j.,diesmann,m.,kunkel,s.:极具可扩展性的脉冲神经元网络仿真程序：从手提电脑到超大规模计算机，《神经信息学前沿》第12卷,2018年2月)模拟器。使用了具有以下参数的神经元hodgkin-huxley模型：膜电容为1μf/cm2，电阻为100ω/cm，钠和钾通道使用默认电导。该模型是一个隔室。
[0082]
讨论
[0083]
在核团1、2、3之间投射较弱的第一种模式(图10a1、a2)的比较表明，在gras中使用的突触延迟较低，而在neuron模拟器中的脉冲振幅较大。在核团1、2、3之间投射权重最高的第二种模式(图10b1、b2)，表明gras中使用的脉冲和不应期较短，尽管与neuron模拟相似，1、2核团都在第三核团强烈抑制它们之前产生一个脉冲。
[0084]
在第三种模式(图10c1，c2)中，当权重介于第1和第2种模式之间时，neuron模拟核团3比在类似于gras的第二模式中更晚的产生抑制脉冲活动。
[0085]
总的来说，nest和gras模拟结果的相似度较高。与核团1、2、3的低权重的om活动的比较(图10a1、a2、a3)表明，由于在整个模拟过程中50毫秒的不应期较短，nest和gras分别
由7个较高的脉冲速率，neuron有6个。第二个实验中使用的最高权重(图10b1,b2,b3)表明nest的结果接近gras模拟器，在15ms内有相同的等距脉冲，这是由接近模型的细节比neuron模拟器少解释的。图10c1,c2,c3表示om的模拟结果，权重在第1和第2实验之间的中间范围，其中neuron中的短系列脉冲2和gras中的3被观察到，nest模拟器在20毫秒期间振幅下降。对核团3的投射增加了核团1和核团2的抑制性影响，结果是低振幅的亚阈值神经元活动(图10d1、d2、d3)。
[0086]
结论
[0087]
本实施例1表明，比以前提出的模型更复杂的om可以作为复杂神经回路的基本构件，例如用于哺乳动物的模式发生器。使用先前描述的中枢神经系统的四个基序：节律性兴奋、反馈抑制、发散和收敛来组织om的提议已经得到了数据的支持(见图10)。使用三个神经模拟器的生物可信的模拟结果已被证明。仿真结果表明，建议的om可以用于负责产生神经元活动的网络，即用于模拟运动。
[0088]
实施例#2(更简单的神经元实时模型)
[0089]
摘要
[0090]
本实施例#2展示了用于嵌入式生物兼容设备的实时处理的神经元简化模型。神经元的生物兼容模型包括izhikevich的作品(见izhikevich,e.:脉冲神经元的简单模型.《ieee神经网络汇刊》，2003年，第14卷，第6期,第1569-1572页)和rozenblatt(见rosenblatt,f.:感知器：大脑中信息存储和组织的概率模型.，《心理学评论》，1958年，第65卷，第6期,第386页)，并介绍了信号处理和学习的框图和主要原理。使用其他接近提出的带泄漏积分触发(lif)和izhikevich(izh)模型的神经元简化模型已经得到验证。此外，目前的简化模型显示出比izh和lif模型更好的性能，并且从时间参数的角度看，具有生物兼容性。
[0091]
引言
[0092]
有几个先前发表的神经元模型(见，例如，hodgkin,a.l.,huxley,a.f.:膜电流的定量描述及其对神经传导和兴奋中的应用，《生理学期刊》，1952年，第117卷，第4期，第500-544页；mcculloch,w.s.,pitts,w.:神经活动中内在思想的逻辑演算.，《数学生物物理学公报》，1943年，第5卷，第4期，第115-133页)。耶鲁大学名为"model db"的神经元模型数据库现在有几千个模型发表(见mcdougal,r.a.,morse,t.m.,carnevale,t.,marenco,l.,wang,r.,migliore,m.,miller,p.l.,shepherd,g.m.,hines,m.l.：二十年及以后的modeldb：为神经科学的未来构建基本的建模工具，《计算神经科学杂志》，2017年，第42卷，第1期，第1-10页)。生物模拟的关键问题之一是计算的时间。考虑到对计算时间的主要影响是由突触和神经元模型完成的，这一点尤其重要。在一个例子中，例如，自主机器人(见lobov,s.,kazantsev,v.,makarov,v.a.：脉冲神经元作为混合系统的通用构建模块，《先进科学快报》，2016年，第22卷，第10期,第2633-2637页)或可穿戴的神经假体(见，例如，deska-gauthier,d.,zhang,y.：脊髓中间神经元的功能多样性与运动控制，《现代生理学观点》，2019年，第8卷,第99-108页；gill,m.l.,grahn,p.j.,calvert,j.s.,linde,m.b.,lavrov,i.a.,strommen,j.a.,beck,l.a.,sayenko,d.g.,straaten,m.g.v.,drubach,d.i.,veith,d.d.,thoreson,a.r.,lopez,c.,gerasimenko,y.p.,edgerton,v.r.,lee,k.h.,zhao,k.d：腰骶部脊髓网络的神经调节使完全截瘫后能够独立行走，《自然医学》，2018年；wagner,
f.b.,mignardot,j.b.,go-mignardot,c.g.l.,demesmaeker,r.,komi,s.,capogrosso,m.,rowald,a.,senez,i.、caban,m.,pirondini,e.,vat,m.,mccracken,l.a.,heimgartner,r.,fodor,i.,watrin,a.,seguin,p.,paoles,e.,keybus,k.v.d.,eberle,g.、schurch,b.,pralong,e.,becce,f.,prior,j.,buse,n.,buschman,r.,neufeld,e.,kuster,n.,carda,s.,zitzewitz,j.v.,delattre,v.,denison,t.,lambert,h.,minassian,k.,bloch,j.,courtine,g.：靶向神经技术使脊髓损伤患者恢复行走，《自然》，2018年，第563卷，第7729期,第65页)，需要在单板计算机上对数千个神经元和数十万个突触的拓扑结构进行实时处理，该单板计算机重量有限且通常不需要连接网络。
[0093]
提出了一个符合以下要求的神经元简化模型：在单板计算机上进行实时处理，考虑到生物可信的脉冲时间、不应期、抑制性影响和基于阈值的输入脉冲处理。
[0094]
模型比较
[0095]
为了进行性能比较，使用了三种最密切相关的脉冲神经元模型：lif模型、izh模型和下面提出的简化数字神经元(sdn)。这三个模型从性能角度看是接近的，izh和sdn模型是专门为节省计算时间而设计的。
[0096]
izh是hodgkin-huxley模型的简化，具有生物可信的参数，如脉冲的时间和振幅(图11a1)，但最大的脉冲振幅被用作阈值。这样，在输入突触权重低的情况下，脉冲的宽度可以很大(例如，5毫秒)。此外，izh模型可以根据神经元的类型，以不同的模式工作。
[0097]
lif模型使用输入电流给电容充电以更新膜电位。这个模型被认为比izh模型更简单。lif模型的参数，如脉冲速率或不应期，对应于生物神经元的参数(图11a2)。对于sdn模型，时间参数是实时处理的最重要因素，而振幅则被用作单位脉冲，以减少突触权重与相应脉冲振幅相乘的计算时间。因此，在sdn模型中，使用实时处理神经元的生物可信的不应期和脉冲持续时间。在sdn模型中，脉冲的形状与lif模型的脉冲相似，但到静止状态的不应期曲线并不平滑(图11a3)。在sdn模型中，电流不用于计算电平(膜电位)。相反，电流由投影权重、泄漏和噪声之和表示，以提高模型的性能。
[0098]
sdn
[0099]
一个能够实时处理成数千个神经元拓扑结构的简化神经元模型的模拟，因为计算时间是一个生物可信的神经元模型的关键问题。这里提供了简化的数字神经元(sdn)模型，它符合以下要求：在单板计算机上进行实时处理，考虑到生物可信的脉冲时间、不应期、抑制性影响，以及基于阈值的输入脉冲处理。如图12所示，进入兴奋性突触的信号增加了神经元产生射出脉冲的概率，而进入抑制性突触的输入则减少了脉冲。在不应期，这些输入不能影响脉冲电平(膜电位)。在sdn模型中，考虑到以下假设，以优化用于实时处理数千个神经元和数十万个突触的神经元模型的代码：
[0100]
1.只考虑脊髓生物神经元(运动神经元和中间神经元)；
[0101]
2.排除了计算效果的脉冲振幅；
[0102]
3.抑制的影响降低了神经元产生输出脉冲的概率；以及
[0103]
4.对于输出神经元响应的时间参数，利用了生物可信的脉冲和不应期时间。
[0104]
l＝ σw
±
泄漏+噪声 (1)
[0105]
为了实时计算的目的，已经提供了类似于膜电位的电平的简化方程(上面的公式1)，其中电平是投影权重、泄漏和噪声之和。当电平超过指定的阈值时，模型产生一个由单
位脉冲表示的信号。sdn的框图显示在图12中。输入的单位信号(脉冲)由路由器处理，路由器将其传输到相应的神经元及其突触。sdn的所有突触都存储其权重，因为每个脉冲都表示为"1"，所以不需要将突触的权重乘以脉冲再输入。躯体的动态是通过代表钠/钾泵和通过半容许膜的钾泄漏的泄漏参数来维持的。人们发现，即使在这个简化模型中，噪声也很重要，原因是所有神经元通道的随机性，即使在脊髓的简单电路中也是如此。泄漏和噪声参数是为每个神经元单独设置的。当电平达到阈值时，阈值函数以预设的持续时间触发输出脉冲发生器。不应期作为负反馈落实到soma积分器上，使每个细胞在设定的周期内将电平下降到当前值。突触表存储神经元及其具有轴突和突触延迟的突触，以解决通过路由器的输出脉冲。
[0106]
为了减少ram消耗和计算时间，已经为电平变量使用了c++无符号短整型(uint16_t)类型(2字节)，因为浮点运算比整数运算慢(例如，见limare,n.:整数和浮点运算速度与精度(2014年))。无符号短整型的使用允许在电平的可能状态(以抽象的无符号单位从0到65 535)和保存到ram之间进行平衡。因此，有可能以比lif多一倍的速度分配额外的sdn神经元，比izh模型多四倍(如果使用双倍，分别为4倍和8倍)。这对于网络的单板计算机实现来说是重要的。
[0107]
sdn模型允许单个神经元参数变化的低计算成本，同时保持对具有数十万个突触的神经元计算的实时处理。
[0108]
结果
[0109]
为了比较三种模型，使用具有96gb ram的独立计算机(ram的独立计算机(处理器e5-2650 v2(8核,2:60ghz))，该计算机具有相同神经网络大小的并行(openmp)实现，在cpu上具有不同的神经元模型。在模拟过程中，除了膜电位(和izh模型的u_m)，所有神经元模型都有恒定的参数。这些参数是以数组形式实现的。测试了两种模拟模式(静息和影响神经元状态的脉冲)。在静息模式的模拟中，任何神经元都没有输入电流。相反，在脉冲模式下，每隔7.5毫秒就会触发所有神经元的脉冲活动(脉冲期加上不应期以保证达到静息电位)。为了尽量减少对神经元模式的计算时间测量的副作用，不使用突触，不使用脉冲或电位记录器。
[0110]
仿真包括每个神经元的10次测试，网络大小从1,000到20,000个神经元，步骤大小为1,000。一个模型的总模拟次数为200次。
[0111]
结果数据显示在图11中，并以趋势线的形式呈现(使用numpy软件包的polyfit功能)。在静息模式下(图11b)，sdn和lif模型比20,000个神经元的实时更快。如果神经元数量少于13,000个，izh模型显示的时间低于实时阈值。在脉冲模式下(图11c)，sdn和lif符合实时性要求，而izh则高于该指标。在图11b和c中，所有三个测试的模型都有不同斜率的线性时间依赖，这是由于额外的算术运算和不同数量的变量。
[0112]
结论
[0113]
已经提供了用于实时计算的轻量级神经元模型，例如，有限的硬件，可穿戴设备。izh和lif模型在两种模式(静止和脉冲)下的性能比较表明，sdn模型的性能更好。
[0114]
前面对实施例的详细描述用于进一步清楚地描述本发明的特征和精神。对每个实施例的前述描述并不是为了限制本发明的范围。对前述实施例和等同安排所做的各种修改都应属于本发明的保护范围。因此，本发明的范围应根据此后结合具体实施方式描述的权利要求进行最广泛的解释，并应涵盖所有可能的等效变化和等效安排。
[0115]
本发明可以是一个系统、一个方法和/或一个计算机程序产品。计算机程序产品可以包括计算机可读存储介质(或介质)，其上具有计算机可读程序指令，用于使处理器执行本发明的各个方面。
[0116]
计算机可读存储介质可以是能够保留和存储指令以供指令执行装置使用的有形装置。计算机可读存储介质可以是但不限于，例如，电子存储设备、磁存储设备、光学存储设备、电磁存储设备、半导体存储设备，或上述的任何合适组合。计算机可读存储介质的更具体例子的非详尽清单包括以下内容：便携式计算机软盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式光盘只读存储器(cd-rom)、数字多功能光盘(dvd)、记忆棒、软盘、机械编码装置，如记录有指令的在凹槽中的穿孔卡或凸起结构，以及上述的任何适当组合。本文所用的计算机可读存储介质不应理解为是短暂的信号本身，如无线电波或其他自由传播的电磁波，通过波导或其他传输介质传播的电磁波(例如，通过光缆的光脉冲)，或通过电线传输的电信号。
[0117]
本文所述的计算机可读程序指令可以从计算机可读存储介质下载到各自的计算/处理设备，或者通过网络下载到外部计算机或外部存储设备，例如，互联网、局域网、广域网和/或无线网络。该网络可以包括铜质传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在各个计算/处理设备内的计算机可读存储介质中。
[0118]
用于执行本发明的操作的计算机可读程序指令可以是汇编器指令、指令集架构(isa)指令、机器指令、机器依赖指令、微代码、固件指令、状态设置数据，或者以一种或多种编程语言的任何组合编写的源代码或目标代码，包括面向对象的编程语言，如smalltalk、c++或类似语言，以及常规程序性编程语言，如“c”编程语言或类似编程语言。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为一个独立的软件包，部分在用户的计算机上执行，部分在远程计算机上执行或完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(lan)或广域网(wan)，或者连接到外部计算机(例如，通过互联网使用互联网服务提供商)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令，以使电子电路个性化，从而执行本发明的各个方面。
[0119]
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图说明和/或方框图来描述本发明的各个方面。可以理解的是，流程图说明和/或方框图中的每个块，以及流程图说明和/或方框图中的块的组合，可以通过计算机可读程序指令实现。
[0120]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，以产生机器，从而通过计算机或其他可编程数据处理装置的处理器执行的指令创建用于实施在流程图和/或方框图中指定的一个或多个块的功能/行为的手段。这些计算机可读程序指令也可以存储在计算机可读存储介质中，该计算机可读存储介质可以指示计算机、可编程数据处理装置和/或其他装置以特定方式运行，从而具有存储在其中的指令的计算机可读存储介质包括制造品，该制造品包括实现流程图和/或框图块中指定的功能/行为的各个方面的指令。
[0121]
计算机可读程序指令也可以加载到计算机、其他可编程数据处理装置或其他设备上，以导致在计算机、其他可编程装置或其他设备上执行一系列操作步骤，从而产生计算机实现的过程，从而在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图块中指定的功能/行为。
[0122]
图中的流程图和方框图说明了根据本发明的各种实施方案的系统、方法和计算机程序产品的可能实施方案的结构、功能和操作。在这方面，流程图或方框图中的每个块可以代表一个模块、段或部分指令，它包括一个或多个用于实现指定逻辑功能的可执行指令。在一些替代性的实施方案中，块中指出的功能可以不按图中指出的顺序出现。例如，连续显示的两个块实际上可能基本上是同时执行的，或者根据所涉及的功能，这些块有时可能以相反的顺序执行。还将注意到，方框图和/或流程图说明中的每个块以及方框图和/或流程图说明中的块的组合可以由基于特殊目的硬件的系统实现，该系统执行指定的功能或行为或执行特殊目的硬件和计算机指令的组合。
[0123]
本文使用的术语仅用于描述特定的实施例，并不打算对本发明进行限制。如本文所使用的，单数形式“a”、“an”和“the”旨在也包括复数形式，除非上下文明确指出。将进一步理解，术语“包括”和/或“包括”，当在本说明书中使用时，指定存在所述特征、整数、步骤、操作、元素和/或组件，但不排除存在或添加一个或多个其他特征、整数、步骤、操作、元素组件和/或其组。
[0124]
以下权利要求中所有手段或步骤加功能元件的相应结构、材料、行为和等效物旨在包括用于与其他具体权利要求的元素结合执行功能的任何结构、材料或行为。对本发明的描述是为了说明和描述的目的而提出的，但并不意味着详尽无遗或限于所描述形式的发明。在不脱离本发明的范围和精神的情况下，对于本领域的普通技术人员来说，许多修改和变化都是显而易见的。选择和描述该实施例是为了最好地解释本发明的原理和实际应用，并使本领域的其他普通技术人员能够理解本发明的各种实施例，以及适合于所设想的特定用途的各种修改。

技术特征：
1.一种用于重建负责激活肢体运动功能的神经元拓扑结构的方法，该方法包括：检测与输入刺激参数和感觉调节相关的运动诱发响应模式；分析所述功能性运动诱发响应模式以获得神经元响应模式，所述神经元响应模式是根据多个峰确定的，每个峰均具有最大值和最小值，并且每个峰均具有幅值和时间；通过比较所述神经元响应模式与已知或假设的(基于结果)神经元拓扑结构重建神经元回路拓扑结构，形成输出信号以激活肢体的运动功能。2.根据权利要求1所述的方法，还包括使用神经元活动模拟器来模拟所述神经元响应模式。3.根据权利要求2所述的方法，其特征在于，所述神经元活动模拟器是gras模拟器。4.根据权利要求3所述的方法，其特征在于，所述gras模拟器使用简化的数字神经元(sdn)模型。5.根据权利要求1所述的方法，其特征在于，基于孤立的神经元回路的振幅、频率和占空比来检测所述神经元响应模式。6.根据权利要求1所述的方法，其特征在于，振荡器基序(om)用于产生所述神经元响应模式，其中所述om包括相互激励成分和反馈抑制成分。7.根据权利要求1所述的方法，其特征在于，使用多级脊髓运动回路(mslc)模型来生成所述神经元响应模式，所述mslc模型包括单突触层和多突触层。8.一种神经形态假体系统，用于促进有需要的对象的感觉运动功能，该系统包括：具有一个或多个通道的多个刺激器，所述刺激器被配置为提供对肌肉群、外周神经、神经丛和/或脊髓的电刺激；多个传感器，被配置为检测和传送体重、角关节运动、动理学和/或电生理参数数据的连续或周期性分布；多个控制器，被配置为从多个传感器接收组合数据，还被配置为处理组合数据并且将组合数据传送到基于fmep的人工回路装置，所述基于fmep的人工回路装置被配置用于实施中枢模式发生器(cpg)的拓扑结构重建，其中，基于fmep的人工回路装置将生物可信的神经元拓扑结构应用于运动功能模式，并协调通过多个刺激器协调电信号的应用，与生物神经元刺激兼容，以使有需要的对象执行所述运动功能模式。9.根据权利要求8所述的系统，其特征在于，所述基于fmep的人工回路装置包括一组同步的单板数字计算机。10.根据权利要求8所述的系统，其特征在于，所述基于fmep的人工回路装置包括实现一段脊髓拓扑结构或专用集成电路(asic)芯片的中枢模式发生器的脉冲模拟示意图。11.根据权利要求9所述的系统，还包括：通用异步收发传输器(uart)串行端口；数字模拟转换器(dac)，其中dac被配置为将接收到的多个刺激器的电压信号转换成电流信号。12.根据权利要求10所述的系统，还包括：数字模拟转换器(dac)，其中dac被配置成将由所述多个刺激器接收的电压信号转换成电流信号。13.根据权利要求8所述的系统，其特征在于，所述多个传感器包括定位在对象的鞋垫
区域周围的压力传感器和定位在对象的脚踝区域的弯曲传感器。14.根据权利要求8所述的系统，其特征在于，所述多个刺激器包括背部刺激器、左脚踝刺激器、右脚踝刺激器、右髋部刺激器和左髋部刺激器。15.一种用于激活有需要的对象的四肢运动功能的方法，该方法包括：提供具有一个或多个通道的多个刺激器，所述刺激器被配置为提供对肌肉群、外周神经、神经丛或脊髓的电刺激；提供多个传感器，其被配置为检测和传送来自所述多个传感器的体重、角关节运动、动理学和电生理参数数据的连续或周期性分布；提供多个控制器，其被配置为从多个传感器接收组合数据，还被配置为处理组合数据并将组合数据传送至基于fmep的人工回路装置，所述基于fmep的人工回路装置被配置用于实施中枢模式发生器(cpg)的拓扑结构重建；通过多个刺激器向所述对象施加电信号，以刺激有需要的对象执行运动功能，其中基于所述fmep的人工回路装置将生物可信的神经元拓扑结构应用于所述运动功能模式，并协调电信号的应用。16.根据权利要求15所述的方法，其特征在于，所述生物可信的神经元拓扑结构由包括以下步骤的方法确定：检测与输入刺激参数相关的神经元响应模式；分析神经元响应模式，其中基于多个峰确定神经元响应模式，每个峰具有最大值和最小值，并且每个峰均具有幅值和时间；通过比较所述神经元响应模式与已知的神经元拓扑结构来重建神经元回路拓扑结构，该神经元拓扑结构形成输出信号以激活四肢的运动功能。17.根据权利要求16所述的方法，还包括使用神经元活动模拟器来模拟所述神经元响应模式。18.根据利要求17的方法，其特征在于，所述神经元活动模拟器是gras模拟器。19.根据权利要求18所述的方法，其特征在于，所述gras模拟器使用更简单的神经元实时模型(esrn)。20.根据权利要求16所述的方法，其特征在于，基于孤立的神经元回路的振幅、频率和占空比来检测所述神经元响应模式。21.根据权利要求16所述的方法，其特征在于，使用多级脊髓运动回路(mslc)模型来检测所述神经元响应模式，所述mslc模型包括单突触层和多突触层。

技术总结
本公开内容涉及一种神经形态假体系统，用于促进有需要的对象的感觉运动功能。该系统包括多个刺激器，这些刺激器均具有一个或多个通道，这些刺激器被配置为布置在对象的不同位置以提供对肌肉群、外周神经、神经丛和/或脊髓的电刺激。该系统还包括多个传感器以及多个控制器，传感器被配置为检测和传达连续或周期性分布的体重、关节角运动、动理学和/或电生理参数数据，控制器被配置为接收来自多个传感器的组合数据。控制器还被配置为处理组合数据并将组合数据传送至基于fMEP的人工回路装置，所述基于fMEP的人工回路装置被配置为用于实施中枢模式发生器(CPG)的拓扑结构重建。所述基于fMEP的人工回路装置被配置为将生物可信的神经元拓扑结构应用于运动功能模式，并协调通过多个刺激器将电信号应用到需要的对象，以执行运动功能模式。运动功能模式。运动功能模式。


技术研发人员：拉夫罗夫
受保护的技术使用者：塔拉诺夫
技术研发日：2021.01.18
技术公布日：2023/8/1