深度學習和機械臂硬件結合的神經假肢誕生

這是一款便攜式獨立神經假肢系統(tǒng)，戴上之后，原本截掉手臂、失去手指的患者，可以像正常人一樣玩電子游戲。

這不是簡單的機械手，而是深度學習和機械臂硬件的結合。近年來，深度學習在分析、解釋和解碼生物醫(yī)學數(shù)據(jù)方面的應用正在穩(wěn)步發(fā)展。在迅速發(fā)展的腦機接口和神經假體領域，基于深度學習的神經解碼器已成為創(chuàng)造下一代靈巧、易操作的神經假體的最被看好的方法。

簡單來說，神經解碼器就是一種能夠識別大腦神經活動的人造裝置。對于因神經系統(tǒng)受損而無法正?？刂浦w的人來說，它可以解碼大腦活動，傳遞大腦向肢體發(fā)出的控制指令，從而實現(xiàn)對配套神經假肢的操控。

相比普通假肢，神經假肢可以由 “意念” 控制，也就是直接接受大腦發(fā)出的指令，顯然更加靈活且符合人類的直覺。

隨著人工智能和深度學習技術的發(fā)展，科學家開始嘗試將其應用在各個領域，假肢控制也不例外，以主流 CNN 和 RNN 等神經網(wǎng)絡為基礎的算法都能用來驅動神經解碼器。

不過，高性能深度學習模型對硬件的運算能力提出了很高的要求，而且通常依賴 GPU 以支撐其大規(guī)模的并行運算。這不僅對縮小硬件尺寸和降低功耗提出了挑戰(zhàn)，更是限制了假肢及其神經解碼系統(tǒng)的便攜性和易用性，使其難以應用在臨床上。

為了解決這一問題，美國明尼蘇達大學楊知教授的研究團隊開發(fā)出本次便攜式獨立神經假肢系統(tǒng)，主要部件包括基于深度學習的神經解碼器，英偉達 Jetson 邊緣計算套件，Neuronix 神經接口微芯片，連接神經纖維的束內微電極陣列，定制的 PCB 電路板和 i-Limb 機械手。

多年成果融為一體

除了英偉達 Jetson 套件，電極陣列和機械手部分組件，剩下的成果或是最新努力，或是研究團隊成員此前完成的成果，一步步積累和融合成了今天的樣子。研究成果以預印本的形式發(fā)表于 Arxiv 上。

Scorpius 系統(tǒng)由 Neuronix 神經芯片，電極連接器，穩(wěn)壓器和 Microsemi 的現(xiàn)場可編程門陣列（FPGA）等組件構成。每套系統(tǒng)包含八個記錄信道，并且配有頻率整形放大器和高精度模數(shù)轉換器，可以捕捉極其微弱的神經信號并排除干擾信號。如果需要更多的通道數(shù)量，還可以部署多個設備。

最終，組合而成的機械手可以套在殘臂上，參與測試的殘障人士成功實現(xiàn)了用意念控制機械手指，做出握拳、拿捏、指向、搖滾等手勢，系統(tǒng)也可以準確識別其控制的是哪根手指。

此外，給正常人的小臂植入電極后，機械手也可以捕捉神經控制信號，實現(xiàn)隔空遙控。

“據(jù)我們所知，這是最先進的、通過將基于深度學習的神經解碼器和便攜式計算平臺結合，從而實現(xiàn)神經假肢。” 研究人員在論文中表示。

為了實現(xiàn)對機械手的操控，研究人員必須先捕獲并解碼大腦傳遞出的神經信號。

楊知告訴 DeepTech，將深度學習和硬件結合，并將其應用于疾病治療，是本次成果的亮點。其主要涉及的技術是神經解碼，這在古代叫做 “讀心術”，即搞清楚一個人的內心想法。人類的思考和行動是基于大量的神經活動。這些活動會在體內留下痕跡，比如產生微弱的電信號。這時就可用到深度學習的優(yōu)勢，其優(yōu)點在于可根據(jù)大量的電信號，來產生類似黑盒子的計算模型，從而映射出信號和結果之間的關系。

硬件方面，他們使用了一套名為 Scorpius（天蝎座）的神經接口系統(tǒng)，是論文作者 Anh Tuan Nguyen 和 Jian Xu 等人在 2020 年發(fā)表的研究成果。

該系統(tǒng)隨后會將捕捉到的原始神經數(shù)據(jù)實時傳輸給 Jetson Nano 套件。

Jetson 平臺是英偉達專為邊緣計算開發(fā)的 AI 平臺，其中的 Nano 系列套件自帶 Tegra X1 片上系統(tǒng)（SoC），配有 ARM A57 四核 CPU 和 128 核英偉達 Maxwell GPU。

經過研究人員的定制，該套件可以運行經過訓練的深度學習模型，負責將神經信號實時翻譯成對應的大腦指令，例如要控制哪根手指，做出什么樣的動作。它能在 10W 和 5W 功率模式下分別運行 2 小時和 4 小時。

機械手本身使用了 ?ssur 公司的 i-Limb 產品，不過原裝驅動被研究人員替換成了自己開發(fā)的手部控制單元，可以直接接收深度學習模型發(fā)出的指令并操控手指內的電機。

在數(shù)據(jù)處理方面，研究人員用 Python 實現(xiàn)了三個線程，分別用于數(shù)據(jù)獲取、數(shù)據(jù)預處理和電機解碼。

數(shù)據(jù)獲取線程負責從兩個或更多的 Scorpius 設備上獲取數(shù)，并且將它們與對應的信道對齊。對齊后的神經數(shù)據(jù)會被輸入預處理線程，經過過濾和降采樣后，再提取其中包含的特征。

研究人員一共定義了 14 種特征函數(shù)，提取出的特征數(shù)據(jù)會被放入 LIFO（后進先出）序列中，所有數(shù)據(jù)都會被實時傳輸?shù)诫姍C解碼線程中。處理不了或來不及處理的神經數(shù)據(jù)會被直接丟棄，以確保解碼線程能夠始終接收到最新的數(shù)據(jù)。

在電機解碼的過程中，會基于最新的特征數(shù)據(jù)進行深度學習推理，使用的深度學習模型是 RNN 架構，每個模型包含 160 萬個參數(shù)。

該設備最多支持同時部署五個模型，每個負責一根或更多根手指動作的解碼。在實驗中，所有模型都有一樣的架構，但使用了不同的數(shù)據(jù)集進行訓練，實現(xiàn)了對特定手指及其動作的優(yōu)化。

最終的解碼結果會輸出到手部控制器上，驅動手指上的電機執(zhí)行相應的指令。

手勢識別準確率超 95%

在實際測試中，研究團隊分別對殘障人士和正常人進行了測試。楊知告訴 DeepTech，本次論文中展示的受試者，在 14 年前的一次事故中，失去了左手大拇指以外的四個手指，接下來的 8 年中他忍受著長期的神經痛，夜里經常會被痛醒，直到把整個左小臂截肢，疼痛才得到緩解。3 年前，他加入本次研究小組的測試項目，楊知評價他 “又無私又勇敢”。

植入設備后，他可以自由控制義肢，包括其各個手指，同時可對義肢產生感知，就好像變成了身體的一部分。。

這位受試者告訴楊知：“這個技術如果變成產品，就會有很多栩栩如生的功能，能讓他做各種不同的日常工作，就好像使用自己另一只完好的手一樣。”

結果現(xiàn)實，在只使用一個模型的情況下，10W 功率配置的機械手延遲不到 50ms，隨著模型部署數(shù)量提升，延遲最多增加到 120ms 左右 —— 這個程度的延遲是可以感受到的，但對手指的可控程度和靈活性不會有太大影響。

如果降低到 5W 功率，其最大延遲會增加約一倍至 220ms 左右，考慮到設備的尺寸、功耗和成本，這個響應速度也是可以接受的。

在識別準確率方面，深度學習模型的準確率可以穩(wěn)定在 95%-99% 之間，其中識別健全人五指活動的準確率均超過 97%，而識別殘障人士五指活動的準確率也超過 95%，表現(xiàn)亮眼。

“我們發(fā)現(xiàn)殘障人士的食指識別準確率偏低，這是由較低的神經信號噪聲比導致的，” 研究人員表示，“在實際操作中，我們可以引入更多的訓練或者訓練一個模型專門控制食指?！?/p>

為了測試機械手在日常生活中的表現(xiàn)，研究團隊讓一名殘障人士在多個場景下操作該設備。結果顯示它的表現(xiàn)并未受到 Wi-Fi、手機和電子設備的干擾，可以持續(xù)穩(wěn)定的工作。

“我覺得如果這個設備經過更好地調試，以一個消費級產品問世時，它將會具備更多的功能，能（讓我）在未經思考的情況下完成許多日常操作，” 測試者表示，“當我想夠到和拿起東西的時候，我也不需要刻意地去操作它，就像我的真手一樣。我相信它能實現(xiàn)這一點?！?/p>

當然，目前的模型還存在一些不足，在判斷一些手勢時容易混淆，比如握拳 VS 豎起大拇指。

未來，研究團隊計劃進一步優(yōu)化軟件和完善硬件，包括優(yōu)化神經網(wǎng)絡模型，采用真正的多線程來避開 Python 的全局解釋器鎖，強化 Jetson 的深度學習推理能力，采用在線電機解碼優(yōu)化等等，從而在便攜的基礎上實現(xiàn)更低延遲、更高精度的實時控制。

未來投入應用后，病人使用就像配眼鏡一樣，驗光之后配置度數(shù)合適的鏡片和鏡架。同樣，給病人配置合適的機械臂和神經解碼器，也是一樣的思路。

目前，團隊已成立公司對該設備進行成果轉化，首先將用于治療殘疾人的疼痛。楊知表示，該神經解碼技術已幫助參與實驗的受試者們，減輕或治愈他（她）們的疼痛。

用患者的話說，”有了這個系統(tǒng)，我們可以看到我的痛苦是可以量化的，并且可以做些什么……這是對生活的巨大改善……它幾乎無可估量地改善了我的生活質量，達1000％?！?楊知還表示神經解碼技術還可以用于治療更多的疾病。一旦通過美國FDA和中國相關審批，該技術將產生一個新的醫(yī)療器械市場，涵蓋很多現(xiàn)在不能被藥物和手術治愈的疾病。

原文標題：可“意念”控制的神經假肢誕生！手勢識別準確率超 95%，可讓患者像正常人一樣打游戲 | 專訪

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq