23480

استخراج اطلاعات حركتي با استفاده از سيگنال‌هاي ثبت شده در مسيرهاي موتوري مغز به نخاع در گربه

دكتري

مهندسي پزشكي

1399-1400

1399/12/19

دكتر عباس عرفانيان اميدوار

مهندسي برق

فراهم كردن سيگنال فرمان طبيعي و مقاوم در كنار اطلاعات بازخوردي مناسب يك چالش مهم براي توسعه¬ي پروتزهاي عصبي براي كاربردهاي كلينيكي است. هدف اصلي اين پروژه رمزگشايي اطلاعات حركتي راه رفتن از روي ثبت¬هاي عصبي از نواحي موتوري و سنسوري درون نخاع است. براي بررسي توزيع اطلاعات حركتي اندام تحتاني درون نواحي خاكستري بخش‌هاي مختلف نخاع آزمايش¬هاي ثبت موقت را انجام داديم. در اين آزمايش¬ها سه الكترود در شاخك‌هاي خلفي سمت راست بخش‌هاي مهره¬اي L4، L5، و L6 قرارداديم در حاليكه مفاصل اندام تحتاني هم جهت به‌صورت غيرفعال توسط آزمايشگر باز و بسته مي¬شدند. اطلاعات عصبي و حركتي را به‌صورت هم‌زمان ثبت و به‌صورت برون خط تحليل كرديم. نتايج اين آزمايش نشان داد كه براي حركت مفاصل ران، زانو، و مچ پا بيشترين اطلاعات و بهترين عملكرد رمزگشايي به ترتيب با استفاده از داده¬هاي ثبت شده از L4، L5، و L6 به دست مي‌آيد. براي رمزگشايي، يك مدل جديد مولد مبتني بر روابط بيزين بازگشتي ارائه كرديم با قابليت يادگيري تمايزي كه مي‌توان آن را به كمك ساختار شبكه¬ي عصبي بازگشتي پياده‌سازي نمود. قابليت رمزگشايي مدل ارائه شده را در مقايسه با مدل‌هاي فيلتر كالمن و شبكه عصبي بازگشتي معمولي ارزيابي كرده¬ايم. عملكرد رمزگشايي روي داده¬هاي آزمايش نشان داده كه شبكه¬ي عصبي پيشنهادي بطور قابل توجه (05/0 > p) مقادير R2 را به ترتيب به ميزان 03/0 و 11/0 در مقايسه با شبكه¬ي عصبي بازگشتي معمولي و فيلتر كالمن خطي بهبود بخشيد. براي استخراج اطلاعات حركتي از مسيرهاي موتوري و سنسوري درون نخاع آزمايش¬هاي ثبت دائم را انجام داديم. براي اين منظور آرايه¬هاي چهار و هشت كانالي طراحي و درون ستون خلفي و ستون كناري در بخش مهره¬اي L4 و در سمت چپ نخاع كاشتيم. دو نوع آزمايش حركت فعال و غيرفعال روي پنج عدد گربه بالغ از جنس نر و در روزهاي مختلف انجام داديم. در آزمايش فعال حيوان روي تردميل به‌صورت آزادانه راه مي‌رود در حاليكه در آزمايش غيرفعال پاي حيوان توسط آزمايشگر حركت داده مي‌شد. پتانسيل¬هاي ميدان محلي ثبت و از مدل رگرسيون الاستيك نت براي تخمين زواياي حركتي اندام تحتاني استفاده شد. نتايج نشان مي‌دهد كه هنگام حركت گربه روي تردميل، زواياي مفاصل ران، زانو و مچ پاي گربه را مي‌توان با استفاده از سيگنال‌هاي ثبت شده در مسيرهاي موتوري و سنسوري درون نخاع و با مقادير ضريب تشخيص (R2) 52/0، 33/0، و 34/0 رمزگشايي كرد. همچنين تحليل اطلاعات مشترك نشان مي‌دهد اطلاعات نواحي ستون خلفي و ستون كناري هنگام راه رفتن هوشيار گربه روي تردميل تفاوت قابل‌توجهي ندارند ولي هنگام آزمايش غيرفعال نواحي ستون خلفي در مقايسه با ستون كناري اطلاعات بيشتري نسبت به زواياي حركتي به دست مي¬دهند. اين تفاوت مي‌تواند نشانگر وجود اطلاعات موتوري در داده¬هايي كه در حالت حركت هوشيار ثبت كرديم باشد. همچنين در آزمايش‌هاي ديگري كه روي دو گربه انجام داديم و از هر دو طرف چپ و راست نخاع اطلاعات عصبي را براي رمزگشايي هر دو پا ثبت كرديم نشان داديم كه دقت رمزگشايي به‌دست‌آمده از دو طرف نخاع تقريباً برابر است و تفاوت قابل ملاحظه¬اي ندارند. در بررسي مدل‌هاي ماژولار و سلسله مراتبي نشان داديم سينرژي هاي حركتي را مي‌توان از روي ثبت¬هاي درون نخاعي رمزگشايي نمود. همچنين نشان داديم مدل‌هاي ماژولار با يادگيري دو مرحله اي علاوه بر امكان تركيب اطلاعات مختلف مي-توانند منجر به بهبود در عملكرد رمزگشايي شوند.

1400/01/21

Extracting movement information by using recorded signals from motor corticospinal tracts in cat

3/10/2022 12:00:00 AM

Providing robust and natural command signals together with the feedback information is a pivotal issue to develop neuroprosthetic devices in clinical platform. The main objective of this research is to record both sensory and motor information from the ascending and descending tracts within the spinal cord for decoding the hindlimb kinematics during walking. To investigate the distribution of kinematic information within gray matters of different segments of the spinal cord, we conducted acute experiments. During these experiments, three single-electrodes were positioned in the right dorsal horn of the spinal cord of the eight cats at L4, L5, and L6 vertebrae while three ipsilateral hindlimb joint angles (hip, knee, and ankle) were passively flexed and extended. We recorded both neural and kinematic signals simultaneously and analyzed them. The results showed that for the hip, knee, and ankle movements, the most information and the best decoding performance is achieved by the L4, L5, and L6 vertebral segments, respectively. For decoding purpose, we proposed a probabilistic model based on recursive Bayesian equations that can be implemented by using a recurrent neural network (RNN) structure. We evaluated the decoding capability of the proposed model by comparing it with conventional RNN and Kalman filter. The decoding performance on experimental data showed that the proposed PRNN improved R2 values significantly (p < 0.05) by 0.03 and 0.11 with respect to RNN and Kalman filter, respectively. To extract the hindlimb kinematic information from motor and sensory tracts within the spinal cord, we performed chronic recording experiments. To this end, we designed and fabricated four and eight channel arrays and implanted them in the dorsal column (DC) and lateral column (LC) of the L4 segment on the left side. Two different experimental paradigms (i.e., active and passive) were performed in these experiments on the five adult male cats on different days. During active experiments, cats were trained to walk freely on the treadmill, while during passive experiments the limb was passively moved by the experimenter. Local field potential (LFP) activity was recorded and elastic-net regression was employed to estimate the hindlimb kinematics. The results showed that during walking on the treadmill, the hip, knee, and ankle joint angles could be decoded from signals recorded from both sensory and motor tracts with averaged R2 values of 0.52, 0.33, and 0.34, respectively. We also performed information analysis which showed that during the active experiment there is no significant difference between signals recorded from DC and LC, but the information content of the DC is significantly higher than that of the LC during passively applied movement of the hindlimb in the anesthetized cats. This difference could be considered as evidence of the existence of motor information in the signals recorded during awake walking on the treadmill. On two different cats we recorded neural signals from both left and right sides of the spinal cord. Results showed that the decoding performance obtained from both sides are almost equal. Based on analysis on modular and hierarchical models, we showed that kinematic synergy could be decoded from spinal signals. Also, we showed that the modular models with two-level learning approaches could be used for information combination and also for improving the decoding accuracy.

ثبت درون نخاعي , رمزگشايي عصبي , شبكه‌‌ي عصبي بازگشتي احتمالاتي , مسيرهاي موتوري , مسيرهاي سنسوري

Intraspinal recording , Neural decoding , probabilistic recurrent neural network , motor tracts , sensory tracts