转载：本文来自微信公众号“学术头条”（ID:SciTouTiao），作者 | 阳光，编审 | 寇建超，排版 | 王落尘，转载经授权发布。
来自世界卫生组织（WHO）嘅数据显示，而家全球范围内有超过四千其嘅截肢患者。虽然随住科技嘅发展，假肢技术虽然喺一定程度上改善上肢被截肢者嘅生活品质，但喺假肢控制方面仍然存喺好多不足，如动作延迟高、需依靠唔便携带嘅附加设备等。
呢排，来自明尼苏达大学嘅研究团队及其合作者，共同开发出一种基于深度学习嘅便携式独立神经假肢。
研究人员通过验证 NVIDIA Jetson Nano 等边缘计算平台喺神经假体应用中部署深度学习嘅可行性，研发一个便携式嘅、独立嘅假肢系统。
实验结果表明，喺各种实验室和真实环境度，该系统能够提供强大嘅、高精度（95-99%）和低延迟（50-120 ms）嘅手指运动控制能力。
图｜截肢者通过神经记录实时控制单个手指嘅运动（动图制作素材来源：YouTube）
临床试验证明，该系统喺唔同嘅手臂、身体姿势，以及喺唔同嘅实验室和真实环境中都可以连续稳定运行几个个钟头。
研究人员表示，该假肢系统是第一个喺便携式临床神经假体应用平台上实现深度学习神经解码器嘅系统，同时多项创新系统设计也为未来嘅假肢研究提供极高嘅参考价值。
图 | 便携式神经假肢（来源：Anh Tuan Nguyen）
AI 帮助下一代神经假体
近年来，深度学习喺分析和解码生物医学数据方面嘅应用一直喺稳步发展。喺快速发展嘅神经假体领域，基于深度学习嘅神经解码器已经成为推动下一代灵巧和直观嘅神经假体研究嘅主要工具，呢种基于深度学习嘅 AI 系统可以帮助用户利用灵巧嘅假肢系统进行全方位运动。
图｜下一代神经假体嘅艺术概念（来源：该论文）
喺呢次研究度，研究团队通过比较基于 CNN 和递归神经网络嘅深度学习解码器同经典机器学习技术嘅性能发现，深度学习方法使用从截肢者获得嘅外周神经数据后，喺解码灵巧手指运动嘅所有性能指标上优于第啲技术。
虽然呢啲研究显示有应用前景嘅结果，但喺便携式设备上进行深度学习以用于长期临床应用仍然具有挑战性。
深度学习嘅效率是以计算复杂性为代价嘅。众所周知，喺大多数低功耗平台上嘅传统中央处理器上运行深度学习模型时，效率非常低。喺实践度，绝大多数深度学习模型必须使用图形处理单元（GPU）来训练和部署。
边缘计算设备嘅最新进展，为解决呢一问题提供新嘅可能。早期嘅边缘计算设备侧重于通用应用，但最近，用于深度学习嘅紧凑硬件嘅开发有所增加。但是唔幸嘅系，目前嘅软件支持仅限于高度定制嘅神经网络，呢阻碍人基于 RNN 嘅神经解码器实现嘅全部潜力。
另一类用于深度学习嘅边缘计算设备包括带有集成 GPU 嘅独立计算机。最著名嘅例子是 NVIDIA Jetson Family，佢包括具有 CPU、GPU、RAM、闪存等，专为喺自主应用程序中部署人工智能而设计。
同时佢允许直接使用最流行嘅深度学习库，如 TensorFlow、PyTorch 和 Caffe。这为研究团队嘅神经解码器实现提供尺寸、功率和性能之间最合适嘅折衷。这也为本研究提供可靠嘅硬件支撑。
基于AI嘅软件和硬件系统
通过基于 NVIDIA Jetson Nano 系列嘅硬件平台，研究人员成功创建便携式神经假肢系统。
图 | 便携式神经假肢系统嘅总览（来源：该论文）
如图 A，该系统嘅组成部分包括 Scorpius 神经接口、带有定制载板嘅 Jetson Nano、定制嘅假肢控制器和可充电锂离子电池；而便携式神经假肢则作为一个独立嘅便携式单元，成个系统可以集成到内部，取代假体现有嘅肌电图传感器和电子设备，从而对假肢嘅重量和美观影响最小。
图 | 便携式神经假肢系统嘅各部分细节（来源：该论文）
神经数据通过 Scorpius 神经接口（图 A）获得，Scorpius 系统嘅小型化外形使其可以部署喺各种可穿戴和可植入嘅应用中。设备由承载板通过隔离嘅 USB 链路供电，所获得嘅数据直接传输到 Jetson Nano 进行进一步处理。
为能使 Jetson Nano 更好嘅发挥作用，研究团队为佢专门设计一个定制嘅载板（C 图），为 Nano 模块提供电源管理和输入同输出连接。
经过全面训练嘅深度学习模型被用来将神经信号实时转换成受试者个人手指运动嘅真实意图。最终嘅预测被发送到手控制器来驱动假肢。假肢拥有五个独立驱动嘅手指，搭配研究团队定制嘅控制器（B 图），实现对手指嘅控制。
喺软件方面，该系统采用 Python 实现佢嘅硬件功能，由数据采集、数据预处理和电机解码三个独立嘅线程组成。
图 | Jetson Nano 中嘅数据处理流程（来源：该论文）
数据嘅主要处理系喺 Jetson Nano 中实现嘅。首先，来自截肢者手臂嘅外围神经信号形式嘅数据被发送到平台，然后进行预处理；同时，预处理都系至关重要嘅，呢一步是将原始神经数据输入到试验度，并提取佢哋嘅主要特征。
预处理数据同主要特征相对应，清除所有噪声源后被发送到深度学习模型度，以具有控制每个手指运动嘅最终输出，因此，五根手指可以分别对应唔同嘅输出从而产生唔同嘅动作。
唔可思议嘅临床应用
喺之后嘅临床应用度，研究团队选择一个失去手 14 年嘅截肢者进行。所有嘅数据采集和处理都系由 Jetson Nano 实时完成嘅，没有同任何远程计算机进行有线或无线通信。
图 | 截肢者使用神经假肢进行室内测试
截肢者用他灵巧嘅假肢向外界观察者展示他移郁手指进行比较嘅意图。结果表明，机械手准确地模拟操作者嘅运动意图。
截肢者还测试假手喺各种姿势下嘅鲁棒性，因为伸直手臂可能会产生相当大嘅肌电图噪声。受试者报告系统响应性略有变化，但没有明显嘅电机解码精度下降。
最终结果表明，该系统几乎可以像正常人嘅手一样移动佢嘅机器人手指。
图 | 截肢者正喺度连接主机接受测试（动图制作素材来源：YouTube）
喺呢个测试中嘅截肢者表示：我觉得使用呢个假肢，更似系一种生活功能，唔用考虑假肢喺乜嘢位置或者假肢喺乜嘢模式就能完成日常任务。就好像我谂拿起某样嘢，就伸手去拿一样嘢。我知道佢好似我嘅手一样，可以完成日常嘅功能，我谂我可以做到。
虽然这项研究实现诸多嘅功能，但是该假肢系统喺实现方式上仍有改进嘅空间。同时，Jetson Nano 嘅 GPU 是基于 NVIDIA 嘅 Maxwell（2014）架构，呢可能唔如最近嘅 GPU 架构如 Turing（2018）和安培（2020）那样高效。一旦软件支持变得更加强大，Jetson Nano 也有可能同英特尔计算棒和谷歌 Coral 等 usb 连接设备相结合，以扩展深度学习推理能力。
这项研究实现多个方面嘅创新，第一点创新喺于束内微电极阵列嘅开发；第二点创新喺于设计 Neuronix 神经接口微芯片；第三点创新喺于深度学习运动解码范式嘅优化；第四点创新喺于基于最先进嘅边缘计算平台嘅软件和硬件嘅实现。
研究人员表示，预计这项工作将成为未来开发基于 AI 嘅便携式生物医学设备方面嘅垫脚石，并为更多嘅被截肢者带来生活上嘅便利。
参考资料：
cantonese.live 足跡 粵字翻譯
2021-04-21 11:35:23
请登录之后再进行评论