Neuromodulation 是一种通过直接干预神经活动来增强或恢复大脑功能的技术。它常用于治疗帕金森症、癫痫和抑郁症等病症。从开环神经调节策略转向闭环神经调节策略可以实现按需调制，在减少副作用的同时改善治疗效果。这可能会显著提高精准度和个性化的电子医学。
闭环神经调节策略在实时神经解码和编码方面面临挑战。机器学习算法和神经网络被用来解释与各种病理状态相关的复杂神经活动。然而，我们需要精确的干预来恢复受疾病影响的神经功能。移动系统有助于研究处于自由移动和慢性治疗条件下的患者。
脑机交互式神经调节研究工具（Brain-Machine Interactive Neuromodulation Research Tool）
为了应对这些挑战，研究人员开发了脑机交互式神经调节研究工具（Brain-Machine Interactive Neuromodulation Research Tool，BMINT）。该工具可感知神经活动，使用机器学习算法和神经网络处理数据，并提供实时电刺激。它支持大脑和工具之间的双向信息传输，采用边缘 AI 计算实现高效的实时信号处理。
BMINT 由三个主要硬件模块组成：
- 记录： 包含 8 个通道，用于记录 24 位振幅分辨率和 2000 Hz 采样频率的神经生理信号。研究人员使用 NVIDIA Jetson Nano 开发者套件 作为计算模块，因为它具有边缘 AI 计算能力，外形紧凑，功耗低。
- 计算： 具有各种 I/O 端口，可提供控制命令，以与其他神经调节设备（即经颅磁刺激（TMS）和超声波刺激）进行交互。
- 刺激： 提供 2 通道恒定电流电刺激，并实时调整脉冲参数（幅度、频率和脉冲宽度）。
研究人员选择 NVIDIA Jetson 平台作为计算模块，因为其具有可用的公共预训练 AI 模型库、预训练 AI 模型（例如 NVIDIA NGC、TorchVision 和 TensorFlow Hub），以及用于自定义训练 AI 模型的各种优化和加速工具（例如 CUDA、cuDNN 和 NVIDIA TensorRT）。
数据通过串行外设接口（SPI）功能保存并流式传输至 Jetson。数据输入 Jetson 后，应用 GPU 加速算法（如 SVM、CNN 和 RNN）实时处理信号。最后，模型使用 UART 驱动刺激模块。
结果
与仅使用 CPU 相比 ，BMINT 中的 Jetson Nano 将计算效率提高了约 14.77 倍。考虑到与脑部疾病相关的重要贝塔或伽马神经振荡的周期，即大约 50 毫秒或 15 毫秒，理想的系统延迟应该保持稳定，并且低于这些周期，以便实现逐周期相位调制。
BMINT 研究工具实现了从输入脉冲开始到输出刺激的最低系统时间延迟 2.829 ± 0.057 毫秒，同时保持稳定的实时性能。
在模拟在线演示中，BMINT 成功展示了将机器学习（ML）模型应用于癫痫实时闭环神经调节的完整过程。
该模型的灵敏度为 96.16 % (患者 10，图 3a)。在 500s 在线过程中，有六个假阳性检测，假阳性率约为 1.42 % (6 个样本/423 个样本)。
在采用深度脑刺激的癫痫治疗中，算法通常被调整，以实现更好的灵敏度，从而成功地抑制癫痫发作。期望同时具备高灵敏度和特异性的最佳性能，以避免不必要的刺激，并提供有效的刺激来抑制癫痫发作。
结束语
BMINT 研究工具支持智能闭环神经调节，并具有局部场电位的神经感知功能；ECoG、EEG 或 EMG；使用主流 ML 算法进行计算；以及实时按脉冲提供电刺激。
该研究工具实现了不到 3 毫秒的系统延迟，在可行的计算成本方面具有计算能力，能够高效部署机器学习算法，并具有神经网络加速过程。
有关更多信息，请参阅 Brain-Machine Interactive Neuromodulation Research Tool with Edge AI Computing 论文和 /gaosiy/research-tool-seizure-detection GitHub 库。
