近年来，深度学习驱动的神经解码器已成为实现神经假肢灵活和直观控制的主要方法，未来在医疗领域的应用前景广阔。
尽管如此，深度学习对计算能力的高要求使得其在临床应用中面临挑战。然而，边缘计算技术的发展为这一问题的解决提供了新方向。
在一项新的研究中，来自明尼苏达大学的团队提出了一种基于嵌入式深度学习控制的神经假肢系统。该系统的神经解码器采用 RNN 架构，并在 NVIDIA Jetson Nano 上进行部署。NVIDIA Jetson Nano 具备出色的 AI 计算能力，体积小巧，使得假肢用户能够实时控制每根手指并自如行动。
研究者们通过对桡骨截肢志愿者的外周神经信号进行评估，测试了该系统的有效性。结果表明，无论是在实验室还是实际环境中，该系统都能够实现稳定、准确且低延迟的单指控制。
研究团队指出，迄今为止，该系统是第一个在临床神经假肢应用中有效实现深度学习神经解码器的便携式平台。这种新型假肢系统内置人工智能，有望成为新一代可穿戴生物医学设备的基础，从而加速深度神经网络在临床中的应用进程。
论文链接：
https://aRxiv.oRg/pdf/2103.13452.pdf
系统概述
下图展示了研究团队所提出的神经假肢神经解码器的整体结构：
该系统包括 ScoRpiUS 神经接口、配备定制载板的 Jetson Nano、专用手臂控制器以及可多次充电的锂电池。
下图为该系统的原型图。AI 引擎的重量为 90 克，锂电池（7.4V，2200mAh）重 120 克。在实际应用中，整个系统可集成至假肢内部，替代现有的 ENG 传感器和电子设备，对手臂的重量及外观影响极小。
神经数据通过研究团队之前提出的 ScoRpiUS 神经接口获得。每个 ScoRpiUS 设备配有 8 个记录通道及频率整形（FS）放大器和高精度模数转换器（ADC）。根据需求，可以配置多个设备。FS 神经记录器有效地抑制了 aRtiFAct，并获取超低噪声神经信号。原始神经数据直接传输至 Jetson Nano 进行后续处理。
系统的核心是基于 Jetson Nano 平台的 AI 引擎。研究者为 Nano 模块设计了一个定制的载板，以提供电源管理和 I/O 连接。该模块可在 10W 模式（4 核 CPU 1900 MHz，GPU 1000 GHz）或 5W 模式（2 核 CPU 918 MHz，GPU 640 MHz）下工作，根据当前电池尺寸，分别可持续使用约 2 小时和 4 小时。
在该系统中，训练完成的深度学习模型被部署到 AI 引擎上，能够实时将神经信号转换为个体手指运动的意图，最终的预测结果会发送至手部控制器，以驱动假手。
这个假手基于英国科技公司 ToUCh BIonics 的 i-LiMb 假肢平台设计，具备五个独立驱动的手指。研究者用定制的手部控制器替换了 i-LiMb 的默认驱动器，从而能够根据深度学习模型的预测，直接控制隐藏在每根手指中的直流电机。该控制器围绕 ESP32 模块设计，包含一个低功耗微控制器。
下图 3 更详细地展示了各个组件的硬件实现：
有关该研究的更多详细信息，请参阅原论文。
