Neuromodulation 是一種通過直接干預神經活動來增強或恢復大腦功能的技術。它常用于治療帕金森癥、癲癇和抑郁癥等病癥。從開環神經調節策略轉向閉環神經調節策略可以實現按需調制，在減少副作用的同時改善治療效果。這可能會顯著提高精準度和個性化的電子醫學。
閉環神經調節策略在實時神經解碼和編碼方面面臨挑戰。機器學習算法和神經網絡被用來解釋與各種病理狀態相關的復雜神經活動。然而，我們需要精確的干預來恢復受疾病影響的神經功能。移動系統有助于研究處于自由移動和慢性治療條件下的患者。
腦機交互式神經調節研究工具（Brain-Machine Interactive Neuromodulation Research Tool）
為了應對這些挑戰，研究人員開發了腦機交互式神經調節研究工具（Brain-Machine Interactive Neuromodulation Research Tool，BMINT）。該工具可感知神經活動，使用機器學習算法和神經網絡處理數據，并提供實時電刺激。它支持大腦和工具之間的雙向信息傳輸，采用邊緣 AI 計算實現高效的實時信號處理。
BMINT 由三個主要硬件模塊組成：
- 記錄： 包含 8 個通道，用于記錄 24 位振幅分辨率和 2000 Hz 采樣頻率的神經生理信號。研究人員使用 NVIDIA Jetson Nano 開發者套件 作為計算模塊，因為它具有邊緣 AI 計算能力，外形緊湊，功耗低。
- 計算： 具有各種 I/O 端口，可提供控制命令，以與其他神經調節設備（即經顱磁刺激（TMS）和超聲波刺激）進行交互。
- 刺激： 提供 2 通道恒定電流電刺激，并實時調整脈沖參數（幅度、頻率和脈沖寬度）。
研究人員選擇 NVIDIA Jetson 平臺作為計算模塊，因為其具有可用的公共預訓練 AI 模型庫、預訓練 AI 模型（例如 NVIDIA NGC、TorchVision 和 TensorFlow Hub），以及用于自定義訓練 AI 模型的各種優化和加速工具（例如 CUDA、cuDNN 和 NVIDIA TensorRT）。
數據通過串行外設接口（SPI）功能保存并流式傳輸至 Jetson。數據輸入 Jetson 后，應用 GPU 加速算法（如 SVM、CNN 和 RNN）實時處理信號。最后，模型使用 UART 驅動刺激模塊。
結果?
與僅使用 CPU 相比 ，BMINT 中的 Jetson Nano 將計算效率提高了約 14.77 倍。考慮到與腦部疾病相關的重要貝塔或伽馬神經振蕩的周期，即大約 50 毫秒或 15 毫秒，理想的系統延遲應該保持穩定，并且低于這些周期，以便實現逐周期相位調制。
BMINT 研究工具實現了從輸入脈沖開始到輸出刺激的最低系統時間延遲 2.829 ± 0.057 毫秒，同時保持穩定的實時性能。
在模擬在線演示中，BMINT 成功展示了將機器學習（ML）模型應用于癲癇實時閉環神經調節的完整過程。
該模型的靈敏度為 96.16 % (患者 10，圖 3a)。在 500s 在線過程中，有六個假陽性檢測，假陽性率約為 1.42 % (6 個樣本/423 個樣本)。
在采用深度腦刺激的癲癇治療中，算法通常被調整，以實現更好的靈敏度，從而成功地抑制癲癇發作。期望同時具備高靈敏度和特異性的最佳性能，以避免不必要的刺激，并提供有效的刺激來抑制癲癇發作。
結束語?
BMINT 研究工具支持智能閉環神經調節，并具有局部場電位的神經感知功能；ECoG、EEG 或 EMG；使用主流 ML 算法進行計算；以及實時按脈沖提供電刺激。
該研究工具實現了不到 3 毫秒的系統延遲，在可行的計算成本方面具有計算能力，能夠高效部署機器學習算法，并具有神經網絡加速過程。
有關更多信息，請參閱 Brain-Machine Interactive Neuromodulation Research Tool with Edge AI Computing 論文和 /gaosiy/research-tool-seizure-detection GitHub 庫。
?
