課件講稿定稿

1、分類號： TN911.7密級：公開UDC：081002學(xué)號：099093癱瘓肢體運動功能重建的電子系統(tǒng)設(shè)計研究：教授 教授 導(dǎo) 師申請學(xué)位類別工學(xué)博士學(xué)位授予東 南 大 學(xué)一級學(xué)科名稱 電子科學(xué)與技術(shù)答辯日期2015 年 1 月 29 日 二級學(xué)科名稱電路與系統(tǒng)學(xué)位授予日期20年月日高興亞 教授評閱人教授 宋愛國教授答辯 萬遂人教授教授2014 年 10 月Study on Electronic System Design for MotorFunction Rebilding of Paralyzed LimbsA Disserion Submitted toSoutheast Univer

2、sityFor the Academic Degree of Doctor of EngineeringBYHuang ZonghaoSupervised byProf. Dr. Wang ZhigongProf. Dr. L XiaoyingSchool of Information Science and EngineeringSoutheast UniversityOctober 2014東南大學(xué)獨創(chuàng)性本人所呈交的是我個人在導(dǎo)師指導(dǎo)下進行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標注和致謝的地方外，中不包含其他人已經(jīng)或撰寫過的研究成果，也不包含為獲得東南大學(xué)或其它教育機構(gòu)的學(xué)

3、位或而使用過的材料。與我一同工作的對本做的任何貢獻均已在中作了明確的說明并表示了謝意。簽名： 日期：東南大學(xué)使用東南大學(xué)、中國科學(xué)技術(shù)信息、國家館保留本人所送交的復(fù)印件和電子文檔，可以采用影印、縮印或其他保存。本人電子文檔的內(nèi)容和紙質(zhì)的內(nèi)容相一致。除在期內(nèi)的外，允許被查閱和借閱，可以（包括以電子信息形式刊登）的全部內(nèi)容或中、英要等部分內(nèi)容。的（包括以電子信息形式刊登）東南大學(xué)院辦理。簽名：導(dǎo)師簽名： 日期：摘要摘 要癱瘓肢體運動功能的重建是極具的醫(yī)學(xué)難題。利用電子系統(tǒng)替代受損神經(jīng)組織，重建運動神經(jīng)元通路，進而重建運動功能的方法為該問題的解決提供了新的思路。該方法被稱為“微電子神經(jīng)橋”?；陧椖?/p>

4、組前期在“微電子神經(jīng)橋”領(lǐng)域所做研究，本文主要涉及用于脊髓神經(jīng)損傷后功能重建的“微電子神經(jīng)橋”以及用于腦卒中后偏癱患者肢體運動功能重建的“微電子肌電橋”，研究內(nèi)容包括：1)神經(jīng)元胞外探測仿真信號的生成算法。仿真信號生成是進行相關(guān)神經(jīng)信號處理算法的基礎(chǔ)。胞外探測中神經(jīng)元動作電位的檢測算法。在此基礎(chǔ)上，進行動作電位識別的相關(guān)研究。動作電位的檢測與識別是“微電子神經(jīng)橋”進行選擇性激勵的基礎(chǔ)?；诜至⑵骷图呻娐?，進行了“微電子神經(jīng)橋”相關(guān)原型系統(tǒng)的設(shè)計，包括神2)3)經(jīng)信號探測電路、功能性電刺激電路、無線/有線神經(jīng)信號號生成電路、小型微電子神經(jīng)橋?qū)嶒炏洹⒖焖僭退惴炞C位檢測與識別電路。電路、功能

5、電刺激信，以及實時動作電4)基于分立器件和集成電路，進行了“微電子肌電橋”相關(guān)原型系統(tǒng)的設(shè)計，包括雙通道微電子肌電型系統(tǒng)以及用于手部運動功能重建的微電子肌電橋系統(tǒng)。其中，雙通道微電子肌電型系統(tǒng)目前已經(jīng)通過相關(guān)檢測，處于臨床科學(xué)實驗階段。本文共分為 7 章，第 1 章緒論對造成肢體癱瘓的病因進行分析，重點介紹脊髓損傷與腦卒中。之后對項目組前期的工作進行了總結(jié)。第 2 章至第五章研究“微電子神經(jīng)橋”的相關(guān)電路與系統(tǒng)。其中，第 2 章介紹“微電子神經(jīng)橋”涉及的神經(jīng)生物學(xué)基礎(chǔ)，綜述治療脊髓損傷的生物學(xué)方法，并介紹“微電子神經(jīng)橋”的原理。第 3 章介紹“微電子神經(jīng)橋”所采用的神經(jīng)信號探測與激勵方法，以及

6、其系統(tǒng)設(shè)計與信號處理流程。第 4 章主要介紹“微電子神經(jīng)橋”訓(xùn)練階段的信號處理技術(shù)：動作電位檢測與識別。首先研究胞外探測仿真神經(jīng)信號的生成方法。對于動作電位檢測問題，首先從傳統(tǒng)的幅度閾值法開始研究，分析造成傳統(tǒng)幅度閾值法誤檢率高的原因。在此基礎(chǔ)上，提出基于幅度閾值與動態(tài)一階前向差分閾值的檢測算法。最終，結(jié)合時域特征篩選，使算法的平均靈敏度達到 99.27%，平均特異度達到 98.60%。對于動作電位的識別問題，首先研究基于時域信息、K-L 變換和離散小波變換的三種特征提取方法。并通過基于正態(tài)性檢驗(Lilfors 檢驗)和概率密度函數(shù)估計(Parzen 窗估計)的兩種特征提取方法，進行特I摘要

7、征屬性約減。通過可分性測度，確定以基于離散小波變換所獲得的特征作為識別依據(jù)。在此基礎(chǔ)上，利用基于馬氏距離的 K 均值聚類算法，獲得高達 99.29%的平均分類正確率。并初步研究利用自組織進行類別數(shù)確定以及初始聚類中心選取。第 5 章主要涉及與“微電子神經(jīng)橋”相關(guān)的原型系統(tǒng)設(shè)計。包括神經(jīng)信號探測電路、功能性電刺激電路、無線/有線神經(jīng)信號電路、任意波形生成電路和小型微電子神經(jīng)橋?qū)嶒炏?。重點介紹基于 ARM CortexA8 + TMS320C64x + MSP430F5336 硬件構(gòu)架的快速原型系統(tǒng)實現(xiàn)，并將其應(yīng)用于“微電子神經(jīng)橋”橋接階段的實時處理算法的快速驗證。利用三倍交叉驗證，橋接階段算法的

8、平均靈敏度，特異度以及識別正確率分別達到99.43%，97.13%和 92.58%。最終以 Hercules 安全微控制器為目標硬件，實現(xiàn)了經(jīng)過快速原型驗證的實時信號處理算法。第 6 章初步涉及用于腦卒中后偏癱運動功能重建的“微電子肌電橋”相關(guān)原理以及原型系統(tǒng)設(shè)計，包括雙通道微電子肌電型系統(tǒng)以及用于手部運動功能重建的微電子肌電橋系統(tǒng)。涉及肌電信號探測電路設(shè)計，高壓、任意波形功能性電刺激電路設(shè)計，相關(guān)信號處理算法，虛擬現(xiàn)實系統(tǒng)設(shè)計以及應(yīng)用于臨床時安全性方面的考慮。文章的最后對全文進行總結(jié)，并提出需要進一步解決。本文所涉及的創(chuàng)新點：1)設(shè)計一種基于幅度與動態(tài)一階前向差分閾值的動作電位檢測新算法，利

9、用加州理工試，該算法的平均靈敏度與特異度分別達到 99.45%與大學(xué)提供的數(shù)據(jù)庫進97.21%。2)設(shè)計一種利用滑動窗口與極差判別以及中值估計的神經(jīng)信號背景噪聲估計算法。相比于 Donoho 與 Johnstone 等人所提高了 3 倍。算法，該算法在 100Hz 放電頻率下估計精度3)設(shè)計兩種離散小波變換后的特征選擇方法：（1）利用 Lilfors 檢驗以及層次化選擇的方法進行特征系數(shù)選擇，（2）利用 Parzen 窗估計，即核密度估計的方法進行特征系數(shù)選擇。在本文所用的可分性測度下，證明本文所特征選擇方法優(yōu)于基于時域特征提取以及基于 Karen-Love 變換的特征提取方法。4)5)將自組

10、織基于應(yīng)用于動態(tài)聚類的初始值確定以及類別數(shù)確定。R2013a 以后版本所提供的板級支持包，設(shè)計了以 Beagoard-xm 以及為設(shè)計?；谠摰乃惴焖衮炞C。實現(xiàn)了動作電位檢測與識別算法的快速原型與相同的開發(fā)方法也可以應(yīng)用于其它相關(guān)實時信號處理領(lǐng)域，完成相關(guān)數(shù)字信號處理算法的快速建模與驗證，具有普適意義。：動作電位檢測，動作電位識別，快速原型，微電子神經(jīng)橋，微電子肌電橋IIAbstractAbstractThe motor function restoration of paralyzed limbs is a challenging task. Using anelectronic syst

11、em as the substitute of a segment of damaged nervous tie to rebuild themotor neuron pathways for the motor function restoration may be considered asternativeway for this task. This method has been named as the “Micro-Electronic Neural Bridge”(MENB).Based on our research groups prior study, this pr h

12、as focused on the study of theMENB, aiming for motor function restoration of paraplegia patients caused by spinal cord injury, and the “Micro-Electronic Muscular Bridge” (MEMB), which is aiming for the motor function restoration of the hemiplegia patients caused by stroke. Specific work has beenpres

13、ented as follows:1)The study of the neuronal extracellular recording simulation data generation algorithm,which is the fundation of the related neural signal prosing technique.2)The study of the neurale detection algorithm and thee sorting algorithm, whichis the fundation for the selective stimulati

14、on of the MENB.The prototype system design of the MENB, including the neural signal detecting circuit,functional electrical stimulation circuit, wired/wireless neural signal recording system, functionalelectricalstimulatingsignalgenerationsystem,smallsizedMENB3)experimental box, raprototyalgorithm v

15、erification platform, and real-time neurale detecting and sorting system.The prototype system design of the MEMB, including the 2-channel MEMB prototype system which has already been used in clinical trials, and the hand motor functionrestoration system for hemiplegia patients caused by stroke.4)Thi

16、s produr is dividedo 7 chapters. Chapter 1 discusses the background of the paralysis,the background of the spinal cord injury and the stroke, and summarizes the workof the prior graduated PhD students in the research group. Chapter 2rodutheneurophysiological fundament of the MENB, and the biological

17、 methods for the functionrestoration after the spinal cord injury. The principle of the MENB has also been illustrated.Chapter 3roduthe neural signal detecting method and stimulation method of the MENB.The system design and signal prosing flow are also included.Chapter 4 concerns the core signal pro

18、IIIsing technique of the MENB: theeAbstractdetection and sorting algrorithm. In this chapter, the neuronal extracellular recordingsimulation data generation algorithm has been discussed atdetection algorithm, the reason leading to a high false-. In the study of theeitive rate of the traditionaldetec

19、tion method based onlitude threshold method will belitude threshold and dynamicyzed and a novelorder forward difference threshold will be presented.With the time-feature filter, the average sensitivity and specificity of the algorithmhas reached to 99.27% and 98.60%, respectively. As to thee sorting

20、 algorithm design,three features extraction methods will be considered: time-feature, K-Lfeature, and the discrete waveletfeature. Two methods will be used for the featurereduction after discrete wavelet transformation. Themethod is based on the Lilforestest for normality, and the second is based on

21、 the Parzen window probability estimation.According to the separable measures in this pr, features based on discrete wavelettransformation will be used as the input of the cluster. With the K-means clustering methodbased on the Mahalanobis distance, the average classification accuracy can reaches to

22、 99.29%.The self-anizing mapwill be used as a method for determining the cluster number andthe initial condition.Chapter 5 mainly concerns the prototype system design of the MENB, including theneural signal detecting circuit, the functional electrical stimulation circuit, the wired/wireless neural s

23、ignal recording system, the functional electrical stimulating signal generation system,and the small sized MENB experimental box. The design of the raprototyalgorithmverification platform based on the ARM CortexA8+TMS320C64x+MSP430F5336 hardwarearchitecture will be discussed in details. Based on thi

24、s platform, the algorithm for thereal-time MENBe detecting and sorting in bridging phase has been verified. Thisalgorithm will be tested with 3-fold cross-validation, and the result showst the averagesensitivity, the specificity, and the identification accuracy can reach to 99.43%, 97.13%, and 92.58

25、%, respectively. Finally, the verified algorithm will be implemented on the security MCU.Chapter 6 preliminarily discusses the MEMB, which is used for the motor functionrestoration of hemiplegia patients caused by stroke. This chapterroduthe principle ofthe MEMB, and the prototype system design, inc

26、luding the 2-channel MEMB prototype system, and the prototype system for hand motor function restoration. The design ofmyoelectricity signal detecting circuit, high-voltage, isolated, and functional electricalstimulation circuit, related signal prosing algorithm, the virtual reality system forrehabi

27、liion, and the safety consideration for clinical usage, will beIVroduced.AbstractFinally in Chapter 7, the work of this pneed to be studied has also been listed.r has been summarized and furthroblemsSpecific innovation pos of this pr are listed as follows:1)A novele detection algorithm based onlitud

28、e threshold and dynamic-orderforward difference threshold has been presented. Tested by the database provided byCaltech, the average sensitivity and specificity reach to 99.45% and 97.21%, rectively.2)A novel background noise estimation algorithm based on sliding window, range threshold,and median e

29、stimation has been proed. Compared to the estimation method proedby Donoho and Johnstone, the method in this pr improves the estimation accuracythree timeshe situation of 100 Hz firing rate.3)Two methods for feature selection and reduction after discrete wavelet transformationhave been proed. Themet

30、hod is based on the Lilfores test for normality, andthe second is based on the Parzen window probability estimation. According to theseparable measures in this pr, these feature selection and reduction methods aresuperior to the time-and K-L transformation method.has been used as a method for determ

31、ining the cluster4)The self-anizing mapnumber and the initial condition in K-means clustering.5)Based on thsupport package afterR2013a, a raprototyalgorithmverification platform with Beagoard-xm andas the core has beendemonstrated. Real-timee detection and sorting algorithm have been verified withth

32、is platform, and finally implemented on thealgorithm verification platform and design method chardware. This raprototyso be widely used in other signalprosing filed for the algorithm design and verification.Key Words: Neurale Detection, Neurale Sorting, RaPrototy, Micro-Electronic Neural Bridge, Mic

33、ro-Electronic Muscular BridgeV目錄目 錄摘 要IAbstractIII目 錄VI插 圖IX表 格XII第 1 章1.1緒論1問題背景1脊髓損傷2腦卒中3項目組前期工作4本文研究內(nèi)容與創(chuàng)新點5本文組織結(jié)構(gòu)61.21.31.4參考文獻7第 2 章微電子神經(jīng)橋生物學(xué)基礎(chǔ)9神經(jīng)生物學(xué)基礎(chǔ)9神經(jīng)系統(tǒng)9神經(jīng)元102.1.3 脊髓122.1.4 神經(jīng)脈沖152.2 生物學(xué)方法綜述162.3 微電子神經(jīng)理192.4 本章小結(jié)21參考文獻21第 3 章微電子神經(jīng)橋系統(tǒng)設(shè)計26神經(jīng)信號探測26對神經(jīng)組織的刺激28刺激方式28刺激波形30VI目錄微電子神經(jīng)橋系統(tǒng)32本章小結(jié)33參考文獻

34、34第 4 章神經(jīng)動作電位檢測與分類35仿真數(shù)據(jù)生成35待分類序列生成35背景噪聲生成374.1.3 疊加37動作電位檢測38幅度閾值法39噪聲估計39信號預(yù)處理41傳統(tǒng)幅度閾值法檢測結(jié)果44改進幅度閾值法檢測結(jié)果46特征提取53基于時域信息的特征提取方法534.3.2 基于 Karen-Love 變換的特征提取59基于離散小波變換的特征提取62類別可分性測度70聚類分析74動態(tài)聚類算法74類數(shù)與初始值確定80本章小結(jié)86參考文獻87第 5 章相關(guān)原型系統(tǒng)設(shè)計90模擬微電子神經(jīng)橋90神經(jīng)信號探測電路91功能性電激勵電路945.2 信號與波形生成電路96小型微電子神經(jīng)橋?qū)嶒炏?9快速原型驗證及算

35、法實現(xiàn)1015.4.1 驗證硬件1035.4.2 實時信號處理算法105VII目錄5.4.2 算法快速原型實現(xiàn)109信號處理電路113處理器選型113算法實現(xiàn)115本章小結(jié)117參考文獻118第 6 章微電子肌電橋1206.1 腦卒中偏癱后遺癥患者運動功能重建1206.1.1 微電子肌電理1206.1.2 與其它運動功能重建康復(fù)技術(shù)的比較1226.2 雙通道微電子肌電型系統(tǒng)123系統(tǒng)總體介紹124肌電信號探測電路124雙通道功能性電激勵電路128激勵脈沖生成算法129虛擬現(xiàn)實系統(tǒng)136安全性考慮1366.3 用于手部運動功能重建的微電子肌電型系統(tǒng)1386.3.1 探測手套1396.3.2 激勵

36、器1406.4 本章小結(jié)141參考文獻142第 7 章總結(jié)與展望145情況147攻讀博士期間專利與獲獎149致 謝150VIII表格插 圖圖 1-1圖 1-2圖 1-3圖 1-4圖 1-5圖 1-6圖 2-1圖 2-2圖 2-3圖 2-4圖 2-5圖 2-6圖 2-7圖 3-1圖 3-2圖 3-3圖 3-4圖 3-5圖 3-6圖 3-7圖 4-1圖 4-2圖 4-3圖 4-4圖 4-5圖 4-6圖 4-7圖 4-8圖 4-9圖 4-10圖 4-11圖 4-12癱瘓種類1分布圖2發(fā)生癱瘓的各種癱瘓原因所占比例2分布3發(fā)生脊髓損傷的各種脊髓損傷原因所占比例3各種電子信息科學(xué)與生命科學(xué)的結(jié)合4中樞神

37、經(jīng)系統(tǒng)與周圍神經(jīng)系統(tǒng)9神經(jīng)元結(jié)構(gòu)11周圍神經(jīng)解剖結(jié)構(gòu)12脊髓橫截面13脊髓與脊神經(jīng)分布14神經(jīng)元動作電位形成16微電子神經(jīng)理示意簡圖20不同層次的神經(jīng)信號探測26神經(jīng)元與電極相對位置對于探測波形的影響28胞外刺激簡化模型29刺激強度-刺激持續(xù)時間曲線30各種刺激波形比較31微電子神經(jīng)橋系統(tǒng)框圖32微電子神經(jīng)橋數(shù)據(jù)處理流程圖33提取的動作電位模板調(diào)整前后36仿真生成數(shù)據(jù)37各種估計方法結(jié)果比較41不同濾波器引入的失真43所采用的因果橢圓濾波器幅頻特性43所采用的因果橢圓濾波器群延時特性44傳統(tǒng)幅度閾值法檢測效果45背景噪聲幅度正態(tài)概率圖46部分誤檢情況舉例48改進前后算法性能曲線50本文所述方法

38、與參考文獻方法性能對比51基于改進的幅度閾值算法提取的數(shù)據(jù)幀53IX表格圖 4-13圖 4-14圖 4-15圖 4-1圖 4-17圖 4-18圖 4-19圖 4-20圖 4-21圖 4-22圖 4-23圖 4-24圖 4-25圖 4-26圖 4-27圖 4-28圖 4-29圖 4-30圖 4-31圖 4-32圖 4-33圖 4-34圖 5-1圖 5-2圖 5-3圖 5-4圖 5-5圖 5-6圖 5-7圖 5-8圖 5-9圖 5-10圖 5-11圖 5-12圖 5-13正確檢測、錯誤檢測動作電位分幀、對齊后舉例53檢測動作電位時域特征空間分布54各類平均波形55種方法靈敏度、特異度曲線58四種方

39、法平均靈敏度、特異度58不同噪聲水平下動作電位數(shù)據(jù)幀在時域特征空間分布59數(shù)據(jù)集 1，噪聲水平 0.05，基于 K-L 變換的特征提取結(jié)果61圖 4-19(c)中各類平均波形62數(shù)據(jù)集 1 不同噪聲水平下 K-L 空間特征分布63數(shù)據(jù)集 1-4 噪聲水平 0.05 小波變換后系數(shù)64不同噪聲水平下小波系數(shù)空間特征分布(假設(shè)檢驗特征選擇)67系數(shù) 19 基于核密度估計的概率密度函數(shù)68兩種特征選擇方法所選擇特征參數(shù)概率密度函數(shù)估計及檢測峰值70不同噪聲水平下小波系數(shù)空間特征分布(概率密度特征選擇)71數(shù)據(jù)集 14(噪聲水平 0.05)分類結(jié)果及各類平均波形79各類神經(jīng)元放電時間間隔統(tǒng)計80類別數(shù)

40、-總距離平方和曲線82大腦功能分區(qū)83SOM 模型示意圖83基于 SOM 的類別數(shù)確定與初始值選取84數(shù)據(jù)集 1 像密度圖譜85訓(xùn)練階段與橋接階段的數(shù)據(jù)處理流程86模擬雙通道微電子神經(jīng)型電路91小型四通道模擬微電子神經(jīng)型系統(tǒng)91神經(jīng)信號探測電路原理圖92電流型功能性電激勵電路95第一代四通道第二代四通道單通道無線神經(jīng)信號原型系統(tǒng)97系統(tǒng)原型97電路98神經(jīng)信號與任意波形生成電路98前期設(shè)計的雙向多通道神經(jīng)系統(tǒng)橋接實驗箱99小型單通道微電子神經(jīng)橋?qū)嶒炏?00PC 端控制界面100小型單通道微電子神經(jīng)橋?qū)嶒炏湓韴D101相隔千里坐骨神經(jīng)橋接演示實驗原理圖102X表格圖 5-15圖 5-16圖 5-

41、17圖 5-18圖 5-19圖 5-20圖 5-21圖 5-22圖 5-23圖 5-24圖 5-25圖 5-26圖 5-27圖 5-28圖 6-1圖 6-2圖 6-3圖 6-4圖 6-5圖 6-6圖 6-7圖 6-8圖 6-9圖 6-10圖 6-11圖 6-12圖 6-13圖 6-14圖 6-15圖 6-16圖 6-17圖 6-18圖 6-19圖 6-20圖 6-21Beagoard-xm及功能說明103 104原理簡圖105快速原型驗證快速原型驗證基于待橋接神經(jīng)元基于的算法模型105動作電位波形107的算法模型仿真結(jié)果108用于硬件實現(xiàn)的算法模型110 111實時處理算法部分GPIO 測試模

42、型112GPIO 驅(qū)動 112微電子神經(jīng)橋系統(tǒng)框圖113雙核鎖步 CPU 構(gòu)架114基于 RM43L432 的硬件實現(xiàn)115實時處理算法部分 117微電子肌電橋應(yīng)用于腦卒中后運動功能重建示意圖121雙通道微電子肌電型系統(tǒng)125單級高通濾波器1268 階切高通濾波器幅頻特性127雙通道功能性電激勵電路原理圖128算法硬件實現(xiàn)程序流程圖130算法部分執(zhí)行結(jié)果130力量實驗示意圖131Bagnoli-16 系統(tǒng)131量性能132單通道激勵脈沖生成算雙通道激勵算法實驗示意圖134分類器設(shè)計134雙通道激勵脈沖生成算法部分結(jié)果135探測電極位點選擇136基于虛擬現(xiàn)實系統(tǒng)的康復(fù)任務(wù)137雙通道微電子肌電型

43、系統(tǒng)絕緣性能137雙通道系統(tǒng)臨床實驗 138與指伸動作相關(guān)的肌肉139用于手部運動功能重建的微電子肌電型系統(tǒng)140探測手套電子部分141激勵器人機界面及結(jié)構(gòu)141XI表格表 格表 4-1表 4-2表 4-3表 4-4表 4-5表 4-表 4-7表 4-8表 4-9表 4-10表 4-11表 4-12表 5-1表 5-2表 5-3表 6-1表 6-2表 6-3不同噪聲標準差與放電頻率下三種估計方法比較42傳統(tǒng)幅度閾值算法動作電位檢測結(jié)果47改進的幅度閾值算法動作電位檢測結(jié)果50Quiroga 動作電位檢測算法結(jié)果52二次篩選+改進的幅度閾值法動作電位檢測結(jié)果56種方法性能比較57待選特征參數(shù)66

44、基于概率密度函數(shù)選擇的特征參數(shù)69各種特征提取算法的可分性測度73正態(tài)性檢驗特征參數(shù)選擇+Kmeans 聚類結(jié)果76概率密度特征參數(shù)選擇+Kmeans 聚類結(jié)果77本文方法與參考文獻方法分類正確率對比81神經(jīng)信號探測電路性能參數(shù)94功能性電激勵電路性能參數(shù)96算法三倍交叉驗證結(jié)果109各種運動功能重建康復(fù)方法比較1248 階切高通濾波器設(shè)計參數(shù)126最大主動收縮 MVC 與刺激頻率 SF 關(guān)系擬合132XII第 1 章 緒論第 1 章緒論1.1 問題背景癱瘓是由于神經(jīng)系統(tǒng)，尤其是中樞神經(jīng)系統(tǒng) CNS (Central Nervous System)的疾病或者損傷導(dǎo)致的一個或多個肌肉群功能喪失的

45、疾病，常伴有運動或者感覺功能的喪失1,2。身體一側(cè)肌肉，如面部肌肉和肢體肌肉出現(xiàn)的癱瘓稱為偏癱，這種癱瘓通常是由于對側(cè)腦區(qū)神經(jīng)元集群損傷所引起的。脊髓損傷的位置與損傷程度決定了癱瘓的部位與程度。雙側(cè)下肢的癱瘓稱為截癱，而四肢的癱瘓稱為全癱。以上概念如圖 1-1 所示。圖 1-1偏癱、截癱與全癱示意圖的統(tǒng)計數(shù)據(jù)3歸納出由于缺乏我國癱瘓以下要點：的相關(guān)數(shù)據(jù)，因此參考1)在，大約 1.9%的(約 5,596,000 人)患有不同程度的癱瘓。據(jù)此推測，在我國，約有 24,700,000 人患有不同程度的癱瘓。2)3)發(fā)生癱瘓的16%的癱瘓分布如圖 1-2 所示，其平均完全喪失運動功能，36%的癱瘓為

46、52 歲。伴有嚴重的運動功能。據(jù)此數(shù)據(jù)推算，在我國，約有 12,800,000 癱瘓完全喪失運動功能或伴有嚴重的功能。4)導(dǎo)致癱瘓的主要原因有脊髓損傷 SCI (Spinal Cord Injury)、腦卒中、多發(fā)性硬化癥、腦癱、脊髓灰質(zhì)炎后綜合癥、多發(fā)性神經(jīng)導(dǎo)致的癱瘓所占比例如圖 1-3 所示。瘤、腦損傷、缺陷等。在，130脊髓灰質(zhì)炎后綜合癥5%大腦性麻痹其它7%24.4%259%多發(fā)性神經(jīng)4%瘤22.8%脊髓損傷23% 腦損傷204%15.2%15多發(fā)性硬化17%11.9%108.2%6 6%6.4%4.6%缺陷2%50腦卒中29%0-19 20-29 30-39 40-49 50-59

47、60-69 70-7980+圖 1-2 發(fā)生癱瘓的分布圖圖 1-3各種癱瘓原因所占比例由圖 1-3 可知，脊髓損傷(23%)與腦卒中(29%)所造成的癱瘓占 50%以上，是造成癱瘓的主要原因。本文主要涉及由脊髓損傷與腦卒中導(dǎo)致的癱瘓肢體運動功能重建問題。首先對這兩類造成癱瘓原因的流行病學(xué)現(xiàn)狀進行介紹。1.1.1 脊髓損傷脊髓損傷是骨科、神經(jīng)外科和急救醫(yī)學(xué)所的難題之一。早在公元前 2500年，脊髓損傷即引起古埃及醫(yī)學(xué)的關(guān)注，但至今仍未獲得實質(zhì)性進展4。脊髓損傷呈現(xiàn)四高一多的特點5，即：高發(fā)生率、高致殘率、高耗費、高需求和多學(xué)科參與處理，一直是各國臨床醫(yī)學(xué)研究的重點課題。同樣由于缺乏我國完整的脊髓

48、損傷據(jù)3，得出相關(guān)數(shù)據(jù)如下：相關(guān)數(shù)據(jù)，參考所提供的數(shù)1)在，脊髓損傷約占總的 0.4%(約 1,275,000 人)。據(jù)此推測，我國約有脊5,200,000 人。髓損傷2)3)發(fā)生脊髓損傷的分布如圖 1-4 所示，平均為 48 歲。在脊髓損傷造成的癱瘓中，13%的完全喪失運動功能，35%的伴有嚴重的運動功能。據(jù)此數(shù)據(jù)推算，我國約有 2,500,000 因為脊髓損傷而完全喪失運動功能或伴有嚴重運動功能造成脊髓損傷的主要原因有的癱瘓。4)、工作事故、高空墜落、運動意外、所占的比例如圖 1-5 所示。事件、出生缺陷、自然等。由圖 1-5 可知，在，工作事故(28%)與(24%)是造成脊髓損傷的主要原

49、因。在我國，以地區(qū)為例，相關(guān)數(shù)據(jù)6表明，地區(qū)每年新增受傷原因前三位分別是：高處墜落(41.3%)、交通事故(22.3%)和重物砸傷(18.6%)。并且隨著社會的發(fā)展，高速公2百分比（%）第 1 章 緒論路交通事故所造成的脊髓損傷將呈上升趨勢。脊髓損傷患者的受傷部位情況如下：頸部損傷(4.9%)、胸部損傷(28.0%)、腰骶部損傷(66.7%)、多發(fā)性(2%)。脊髓損傷的視為 60 例/百萬/年，以此國家、地區(qū)與時段不同而有差異。地區(qū)脊髓損傷數(shù)據(jù)推算，我國每年新增約 78,000 例脊髓損傷患者。35其它 自然未知原因9%6%1%30.1%30運動意外16%24.9%25出生缺陷 3%事件4%2

50、4%201512.0%11 5%11.1% 高空墜落9%105.7%53.7%1.0%0工作事故28%圖 1-5 各種脊髓損傷原因所占比例0-19 20-29 30-39 40-49 50-59 60-69 70-7980+圖 1-4 發(fā)生脊髓損傷的分布1.1.2 腦卒中腦卒中，俗稱中風(fēng)，是因各種誘發(fā)引起腦內(nèi)動脈狹窄、閉塞或破裂而造成的急或性腦功能的癥狀和體征。性腦血液循環(huán)，臨表現(xiàn)為腦卒中大致可以分為兩類：缺血性腦卒中 IS (Ischemic Stroke)和性腦卒中 HS(Hemorrhagic Stroke)。其中，IS 發(fā)生概率較高7,8，中國約有 62.4%的中風(fēng)患者為 IS，美國約

51、為 87%。腦卒中具有較高的、致殘率、率，世界范圍內(nèi)，腦卒中是導(dǎo)致人類的第二大常見原因以及致殘的主要原因9?！?013 年中國腦卒中大會”，我國目前腦卒中患者高達 1000 萬人以上。根據(jù)流行病學(xué)研究表明，在我國，腦卒中正以每年近 9%的速度上升，每年有 150200發(fā)腦卒中病例10,11 ，年腦卒中(58142)/10 萬12。并且由于我國為(116219)/10 萬化問題，人均，年腦卒中率為的延長，以及西方生還將進一步上升13?；罘绞降挠绊懀X卒中的隨著腦卒中搶救成功率的提高，率大大降低。但是，約 80%的腦卒中患者有不同程度的功能后遺癥，如偏癱、認知、抑郁癥和失語等。其中，以運動功能障礙

52、表現(xiàn)的偏癱發(fā)生率最高，是直接影響患者生存質(zhì)量的主要原因，成為社會、家庭的沉的統(tǒng)計數(shù)據(jù)推算3，在我國，目前約有 7,200,000 因腦卒中導(dǎo)致重負擔(dān)。根據(jù)的偏癱后遺癥患者。3百分比（%）1.2 項目組前期工作電子信息科學(xué)與臨床醫(yī)學(xué)、神經(jīng)生物學(xué)的結(jié)合為解決傳統(tǒng)生命科學(xué)中的難題帶來了新的思路。較為成功的運用有人工耳蝸14，人工視網(wǎng)膜15,16，心臟起搏器等，如圖 1-6所示。人工耳蝸是一種電子裝置，可以將聲音信號轉(zhuǎn)換為一定編碼的電信號，通過植入耳蝸內(nèi)的電極對聽神經(jīng)施加刺激，從而使聾人產(chǎn)生一定療耳聾的常規(guī)方法之一。知覺。人工耳蝸已經(jīng)成為治人工視網(wǎng)膜是另一種電子裝置，通過將外界光信息轉(zhuǎn)換為電信號，并對

53、盲人視覺通路完好的部分進行電刺激，興奮細胞，從而模擬自然光刺激的效果，使盲人產(chǎn)生視覺感受。心臟起搏器也是一種電子裝置，通過電刺激相應(yīng)的心肌，使心臟收縮，從而達到治療由于某些心率失常所導(dǎo)致的心臟功能。(a) 人工耳蝸(b) 人工視網(wǎng)膜(c) 心臟起搏器圖 1-6各種電子信息科學(xué)與生命科學(xué)的結(jié)合脊髓神經(jīng)損傷后的信號再生與功能重建是世界生命科學(xué)領(lǐng)域中尚未攻克的難題。由于哺乳動物的中樞神經(jīng)再生極其，采用生物學(xué)方法修復(fù)損傷的中樞神經(jīng)尚未取得突破性進展。在這樣的背景下，本人所在項目組教授和教授 10 年前與南通大學(xué)教授合作在國內(nèi)外首次提出對神經(jīng)信號上下行信道進行有源橋接再生的設(shè)想。即利用微電子裝置，替代受

54、損的脊髓神經(jīng)，恢復(fù)脊髓神經(jīng)信號的傳遞。該想法又稱之為“微電子神經(jīng)橋”MENB (Micro-Electronic Neural Bridge)，并已經(jīng)獲得中國發(fā)明專利17和發(fā)明專利18。為脊髓損傷患者的康復(fù)帶來。本項目組從 2004 年開始，在國家自然科學(xué)基金項目“微電子神經(jīng)信道橋接與信號再生研究”(90707005)，“植入式中樞神經(jīng)功能重建 SOC 的設(shè)計與實驗研究” (90307013)的資助下進行“微電子神經(jīng)橋”的相關(guān)研究工作，至今已經(jīng)累計畢業(yè) 3 名博士。按照畢業(yè)順序，對各位博士的工作總結(jié)如下：4第 1 章 緒論的主要工作為19：1)2)3)分析了神經(jīng)與神經(jīng)電極的耦合模型，研制了多通

55、道神經(jīng)信道橋接試驗箱，開發(fā)了應(yīng)用于華大九天 Zeni EDA 系統(tǒng)的藝設(shè)計套件，研究了無線經(jīng)皮能量傳輸耦合系統(tǒng)，上華 CSMC DPDM 0.6m CMOS 工4)5)基于 CSMC DPDM 0.6m CMOS 工藝設(shè)計了多種 CMOS 神經(jīng)信號探測放大。的主要工作為20：1)基于CSMC DPDM 0.5m CMOS 工藝設(shè)計了用于微電極陣列MEA(Micro ElectrodeArray)的探測、激勵，2)3)基于 CSMC DPDM 0.5m CMOS 工藝設(shè)計了多種植入式神經(jīng)信號再生電路，考慮利用斬波結(jié)構(gòu)改進了探測電路。的主要工作為21：1)2)3)4)5)研究、制作了用于脊髓信號探

56、測與激勵的針灸針電極并設(shè)計相應(yīng)的固定方法，對神經(jīng)信號的特性進行了初步分析，設(shè)計了兩種微電子神經(jīng)橋系統(tǒng)，進行了脊髓神經(jīng)功能定位，進行了各種與神經(jīng)信號再生相關(guān)的動物實驗。1.3本文研究內(nèi)容與創(chuàng)新點項目組前期主要圍繞用于脊髓神經(jīng)損傷后功能重建的“微電子神經(jīng)橋”而展開工作。本文期工作的基礎(chǔ)上，主要進行“微電子神經(jīng)橋”電子系統(tǒng)設(shè)計以及相關(guān)數(shù)字信號處理算法的研究。在本文的最后部分，初步涉及近年來項目組針對腦卒中偏癱行的“微電子肌電橋”MEMB (Micro-Electronic Muscular Bridge)方面的工作。所進本文主要內(nèi)容如下：研究神經(jīng)元胞外探測仿真神經(jīng)信號的生成算法。仿真神經(jīng)信號是進行相

57、關(guān)神經(jīng)信號處理算法的基礎(chǔ)。研究胞外探測中神經(jīng)元動作電位的檢測算法。在此基礎(chǔ)上，進行動作電位模式識別的相關(guān)研究。動作電位的檢測與模式識別是“微電子神經(jīng)橋”進行選擇性激勵的基礎(chǔ)。53)基于分立器件與集成電路，進行了“微電子神經(jīng)橋”相關(guān)原型系統(tǒng)的設(shè)計，包括神經(jīng)信號探測電路、功能性電刺激電路、無線/有線神經(jīng)信號電路、功能電刺激信號生成電路、小型微電子神經(jīng)橋?qū)嶒炏?、快速原型算法驗證及實時動作電位檢測與識別電路。、以4)基于分立器件與集成電路，進行了“微電子肌電橋”相關(guān)原型系統(tǒng)的設(shè)計，包括雙通道微電子肌電型系統(tǒng)以及用于手部運動功能重建的微電子肌電橋系統(tǒng)。其中，雙通道微電子肌電型系統(tǒng)目前已經(jīng)用于臨床科學(xué)實驗

58、。本文所涉及的創(chuàng)新點如下：1)設(shè)計了一種新的基于幅度與動態(tài)一階前向差分閾值的動作電位檢測算法，利用加州理工大學(xué)提供的數(shù)據(jù)庫進99.45%與 97.21%。試，該算法的平均靈敏度與特異度分別達到2)設(shè)計了一種利用滑動窗口與極差判別以及中值估計的神經(jīng)信號背景噪聲估計算法，該算法相比于 Donoho 與 Johnstone 等人所下，估計精度提高了 3 倍。算法，在 100Hz 放電頻率3)設(shè)計了兩種離散小波變換后的特征選擇方法：（1）利用 Lilfors 檢驗以及層次化選擇的方法進行特征系數(shù)選擇；（2）利用 Parzen 窗估計，即核密度估計的方法進行特征系數(shù)選擇。在本文所用的可分性測度下，證明了

59、本文所特征選擇方法優(yōu)于基于時域特征提取以及基于 Karen-Love 變換的特征提取方法。4)5)將自組織基于以及應(yīng)用于動態(tài)聚類的初始值確定以及類別數(shù)確定。R2013a 以后版本所提供的板級支持包，設(shè)計了以 Beagoard-xm為的算法快速驗證。實現(xiàn)了動作電位檢測與識別算法的快速原型設(shè)計?；谠撆c相同的開發(fā)方法也可以應(yīng)用于其它相關(guān)實時信號處理領(lǐng)域，完成相關(guān)數(shù)字信號處理算法的快速建模與驗證，具有普適意義。1.4 本文組織結(jié)構(gòu)本是交叉學(xué)科的課題研究?？傮w上來看，主要涉及針對脊髓神經(jīng)損傷患者運動功能重建的“微電子神經(jīng)橋”以及針對腦卒中偏癱患者運動功能重建的“微電子肌電橋”。對于脊髓神經(jīng)損傷患者，希

60、望利用“微電子神經(jīng)橋”，替代受損的神經(jīng)，達到運動功能重建的目的。而對于腦卒中偏癱后遺癥患者，利用“微電子肌電橋”為患者提供康復(fù)訓(xùn)練裝置，通過訓(xùn)練，促進患者本身的腦重塑，從而實現(xiàn)運動功能康復(fù)。本文第 1 章作為緒論首先對造成癱瘓的原因進行分析，并對造成癱瘓的主要原因脊髓損傷與腦卒中進行了介紹。之后對項目組前期的工作進行了介紹，提出本的研究6第 1 章 緒論內(nèi)容與創(chuàng)新點。第 2 章至第 5 章涉及“微電子神經(jīng)橋”相關(guān)內(nèi)容。第 2 章對“微電子神經(jīng)橋”涉及的神經(jīng)生物學(xué)基礎(chǔ)進行介紹，對治療脊髓損傷的生物學(xué)方法進行綜述，并介紹“微電子神經(jīng)橋”的原理。第 3 章介紹“微電子神經(jīng)橋”所采用的神經(jīng)信號探測與激