仿生多通道神经刺激的制作方法

本申请案要求2014年4月14日申请的题为仿生多通道神经刺激的美国临时专利申请案第61/979,425号的优先权，所述临时专利申请案的全部内容以引用的方式并入本文中。

政府许可权利

本发明根据美国国防部先进研究项目局(Defense Advanced Research Projects Agency)授予的授权N66001-10-C-2008在政府支持下作出。在本发明中政府有某些权利。

技术领域

本发明的技术涉及用于躯体感觉假体的仿生神经-机械界面。

背景技术：

躯体感觉假体涉及开发运动神经脑机界面技术激励的研究领域。随着这些技术的出现，到来用于恢复患有肢体缺损或脊髓损伤的患者的运动神经和感觉功能的双向脑机界面的新可能性。目前，这一领域中的一组具体挑战是使用工程改造工具来确保假肢可用于广泛范围的到达和握紧运动，理想地达到原生肢体的旧时能力。在此意义上，躯体感觉信息在脑中编码成电刺激的方式对于提高信息输送量、可辨别性以及诱发认知的自然度变得非常重要。

技术实现要素：

本发明的技术例如根据下文所述的多个方面说明。为方便起见，本发明技术的各方面的各种实例以编号条项(1、2、3等)形式描述。这些作为实例提供并且不限制本发明技术。应注意，附属条项中的任一个可以合并成任何组合，并且置于各别独立条项中，例如条项1、条项2或条项3。其它条项可以用类似方式提出。

条项1.一种用于向受检哺乳动物传递感觉信息的方法，所述方法包含：

基于以下产生仿生电信号：(a)施加于参考哺乳动物的神经系统的躯体感觉区的刺激参考信号，(b)回应于向所述丘脑核施加所述刺激参考信号从所述参考哺乳动物的感觉皮层获得的经刺激的反应信号，以及(c)回应于所述参考哺乳动物的周边触摸刺激和/或周边神经刺激从所述感觉皮层获得的天然反应信号；以及

所述仿生电信号施加于所述受检哺乳动物的神经系统的躯体感觉区从而在所述受检哺乳动物的感觉皮层中诱发活化反应。

条项2.一种用于向受检哺乳动物传递感觉信息的系统，所述系统包含：

信号产生模块，其配置成基于以下产生仿生电信号：(a)施加于参考哺乳动物的神经系统的躯体感觉区的刺激参考信号，(b)回应于向丘脑核施加所述刺激参考信号从所述参考哺乳动物的感觉皮层获得的经刺激的反应信号，以及(c)回应于所述参考哺乳动物的周边触摸刺激和/或周边神经刺激从所述感觉皮层获得的天然反应信号；以及

信号施加模块，其配置成向所述受检哺乳动物的神经系统的躯体感觉区施加所述仿生电信号以在所述受检哺乳动物的感觉皮层中诱发活化反应。

条项3.一种机器可读媒体，其包含用于向受检哺乳动物传递感觉信息的说明，所述说明包含：

基于以下产生仿生电信号：(a)施加于参考哺乳动物的神经系统的躯体感觉区的刺激参考信号，(b)回应于向所述丘脑核施加所述刺激参考信号从所述参考哺乳动物的感觉皮层获得的经刺激的反应信号，以及(c)回应于所述参考哺乳动物的周边触摸刺激和/或周边神经刺激从所述感觉皮层获得的天然反应信号；以及

所述仿生电信号施加于所述受检哺乳动物的神经系统的躯体感觉区从而在所述受检哺乳动物的感觉皮层中诱发活化反应。

条项4：其中所述仿生电信号的所述施加是向人类施加。

条项5：其中所述参考哺乳动物为所述受检哺乳动物。

条项6：其中所述参考哺乳动物是除了所述受检哺乳动物以外的哺乳动物。

条项7：其中所述受检哺乳动物和所述参考哺乳动物是不同物种。

条项8：其中所述仿生电信号通过假体装置产生。

条项9：其中所述参考哺乳动物和所述受检哺乳动物中的每一个的所述感觉皮层为初级躯体感觉皮层(S1)。

条项10：其中所述参考哺乳动物和所述受检哺乳动物中的每一个的所述躯体感觉区包含初级躯体感觉皮层。

条项11：其中所述参考哺乳动物和所述受检哺乳动物中的每一个的所述躯体感觉区包含布罗德曼区1、布罗德曼区2、布罗德曼区3b、布罗德曼区3a和躯体感觉丘脑核，例如丘脑的腹后外侧(VPL)核，在人类中也称为腹尾侧(VC)核，或本体感受丘脑区中的至少一个。

条项12：其中所述参考哺乳动物和所述受检哺乳动物中的每一个的所述神经系统的所述躯体感觉区包含丘脑核。

条项13：其中所述参考哺乳动物和所述受检哺乳动物中的每一个的所述丘脑核为腹后外侧丘脑，在人类中也称为腹尾侧(VC)核。

条项14：其中所述受检哺乳动物的所述周边感觉神经处于所述受检哺乳动物的肢体中。

条项15：其中在所述受检哺乳动物失去所述肢体的至少一部分之后，向所述受检哺乳动物的所述丘脑核施加所述仿生电信号。

条项16：其中回应于所述参考哺乳动物的所述周边感觉神经的机械刺激从所述参考哺乳动物的所述感觉皮层获得所述天然反应参考信号。

条项17：其中所述仿生电信号的所述施加通过多个通道进行。

条项18：其中所述施加通过微电极阵列进行。

条项19：其中所述仿生电信号、所述刺激参考信号、所述经刺激的反应信号以及所述天然反应信号中的每一个包含时空模式。

条项20：其中所述经刺激的反应信号和所述天然反应信号中的每一个包含关于局部场电位、峰值时间/速率或峰值计数中的至少一个的信息。

条项21：其中所述仿生电信号基于所述刺激参考信号、所述经刺激的反应信号以及所述天然反应信号从算法产生。

条项22：其中所述算法使用所述刺激参考信号、所述经刺激的反应信号和所述天然反应信号从状态空间模型推导。

条项23：其中所述仿生电信号使用由所述刺激参考信号和所述经刺激的反应信号训练并且使用所述天然反应信号优化的状态空间模型通过模型预测控制器产生。

条项24：其中所述状态空间模型包含从所述刺激参考信号和所述经刺激的反应信号训练的离散时间线性动力学模型。

条项25：其中所述离散时间线性动力学模型至少部分由等式(1)和(2)定义：

x_t+1＝Ax_t+Bu_t+∈_x (1)

y_t＝Cx_t+∈_y (2)

其中每一个含有时间t处的刺激通道幅值的向量表示为所述状态表示为并且所述输出表示为∈_x～N(0,Q)和∈_y～N(0,R)。

条项26：其中A、B、C、Q和R使用系统鉴别技术确定，所述技术包括(但不限于)子空间鉴别、使用滤波器组(拉盖尔(Laguerre)，伽马(Gamma))特征作为输入的最小二乘法回归随后模型缩减技术，例如平衡截断。A、B和C还可以表示非线性模型的局部线性化，所述模型包括(但不限于)神经网络、福特拉级数模型(Volterra series model)以及核回归法。

条项27：其中所述模型预测控制器使y(t)和目标输出信号之间的欧氏距离平方(squared Euclidean distance)降到最低。

条项28：其中所述模型预测控制器操作以：

最小化z^TH_z+κφ(z)

根据Tz＝0

其中κ为优化对数障碍贡献的权重参数，z通过针对t＝1、2、…对照水平线的长度堆叠表述x_t,u_t形成。H表示通过针对每个时间点取所述输出和所要反应信号之间的欧氏距离所施加的二次罚分。T为表示等式(1)中相邻时间点之间的关系的矩阵。

条项29：其中：

最小化z^THz+κφ(z)

根据Tz＝0

使用凸优化求解。

条项30：其中所述仿生电信号通过所述模型预测控制器产生，所述模型预测控制器使用多个天然反应信号的平均值作为目标波形来优化。

条项31：其中所述仿生电信号通过所述模型预测控制器产生，所述模型预测控制器使用多个天然反应信号的预测神经编码模型产生的目标优化。

条项32：其中所述模型预测控制器采用凸优化。

条项33：其中所述模型预测控制器使均方差降至最低。

条项34：其中所述活化反应包含所述受检哺乳动物的所述感觉皮层发出的信号。

附图说明

图1a示出了S1和VPL电极阵列的插入部位。图1b示出了S1阵列(顶部)和VPL阵列(底部)的尺寸。图1c示出了脉冲训练的瞬时表示。对于各通道，由对称两相脉冲组成的恒定频率脉冲训练由经设计或优化的包封调节幅值。图1d示出了由相邻双极电极对组成的这一操作的输入通道。对于16个通道，这导致8个独立输入。

图2示出了丘脑内微刺激(ITMS)的实验时间表。

图3a示出了随数据样本的时间变化的触器角位置(朝向皮肤是负值)。曲线的阴影部分表示触器与皮肤接触的时间段。图3b示出了天然触碰期间32个通道的多通道S1LFP。通过通道对这一触摸部位的整体反应幅值分拣通道。图3c示出了通过8个通道传递的优化微刺激。阴影指示电流幅值，并且通道显示通过其对这一触摸部位的整体利用分拣。图3d示出了优化微刺激期间的S1 LFP。图3e-h显示不同数据集的类似曲线图。

图4a-d显示单个触摸部位上的6个触摸模式的试验平均LFP的触摸后发作轨迹。图4a示出了试验平均触器角位置(朝向皮肤是负值)。顶部曲线的阴影部分对应于致动器与皮肤接触时的时间段。图4b示出了对天然触摸的平均多通道LFP反应，各曲线表示S1记录通道。通道根据其对这一触摸部位的整体反应幅值分拣。图4c示出了优化微刺激，各曲线表示独特刺激通道。图4d示出了平均微刺激LFP反应。

图5a-b显示空间反应布局天然和虚拟触摸。每个像素对应一个记录电极，并且颜色指示定义为反应窗口(0-300ms)中的最负电压的LFP强度。图5c示出了优化ITMS的模型化再现精度(相关系数)与体内获得的实际精度之间的比较。每个点对应于一个触摸条件，并且触摸部位根据触摸部位编码颜色(参看插图)。图5d示出了天然触摸和体内优化ITMS的通道平均幅值比较。每个点表示一个独特触摸部位/模式组合。

图6a-b通过触摸部位和模式组织的单次试验精度和反应量值。图6a在左图中示出，各方块的尺寸表示反应量值，而各方块的阴影表示虚拟触摸再现精度。*符号指示虚拟触摸胜过条件改组天然替代的触摸部位(p_mimic<0.1，单尾符号测试，54个触摸条件的邦弗朗尼校正(Bonferroni correction))。*指示所得单次试验精度比条件改组天然反应显著更好的触摸条件(p<0.1，单尾符号测试，54个触摸条件的邦弗朗尼校正)。图6b显示对应于具有较大诱发LFP量值的触摸位点的增加的单次试验精度。

图7a-c示出了使用通用分类器的校正触摸解码率。分类器根据虚拟和天然触摸反应训练，但通过与天然触摸方式比较进行预测。分类率如(正确分类试验数)/(试验总数)计算，其根据训练/测试数据的8个蒙特卡罗选择(Monte-Carlo selection)核算(2/3训练，1/3测试)。数据点表示动物。误差条显示各动物±1标准差。图7a示出了仅考虑短(150ms)持续时间并且轻、中等或强的试验时的解码率。图7b示出了触摸强度已知时解码持续时间和触摸部位的分类率。图7c示出了第一列中全部试验的分类率。第二列示出了触摸部位已知时解码幅值和持续时间的精度。

图8示出了优化微刺激对比天然触摸的电流注入空间分布和反应幅值。对于左列上显示的4个触摸位点，第二列示出了VPL电极阵列上电流注入的分布和相同电极上的随附平均峰值数。空间上，优化电流注入模式与反应单位的位置一致。热图显示250ms持续时间的中等强度触摸的S1中的天然和虚拟反应布局。此处，我们将反应幅值定义为试验平均LFP中的最负电压的绝对值。

图9a-b示出了天然VPL尖峰的空间和瞬时相关性。图9a示出了天然触摸期间优化ITMS和多单元活性(MUA)下的电极利用率的空间相关性。插图内的每个点表示一个(电极，触摸部位)对，并且插图对应于变化持续时间和幅值的不同触摸模式。图9b示出了顶行，其示出天然触摸和相应优化ITMS期间VPL中的发作后MUA反应。各轨迹表示具体触摸部位的尖峰的单位平均可能性，使用2ms区间。两个列对应于150ms和250ms的两个不同触摸持续时间。底部行中的优化ITMS波形为每个时间点的任何输入通道所用的最大电流ITMS的瞬时特征类似于天然尖峰活性的瞬时特征。

图10为可以执行本文的系统和方法的网络的示范性简图。

图11为图10的用户端或服务器的示范性简图。

图12为执行本发明技术的方法的模块的示范性简图。

图13为根据本发明技术的一些方法和系统的示范性处理的流程图。

具体实施方式

在以下详细描述中，阐述了具体细节来提供对本发明技术的理解。然而，所属领域的普通技术人员显而易知，本发明技术可以在这些具体细节中的一些不存在的情况下实践。在其它情况下，未详细显示众所周知的结构和技术以免混淆本发明技术。

本发明技术的一些方面涉及躯体感觉假体装置，其用于恢复患有肢体缺损或脊髓损伤的患者的皮肤触摸和肢体运动的感觉。本发明技术的一些实施例可用于将高级机械肢体上的传感器测量到的触摸信息编码成通过靶向患者的整个脑部区域的电极阵列的电脉冲模式，所述电脉冲模式表示躯体感觉。初次施加的电刺激是相当粗糙的诱发神经反应的反应，并且其用于感觉假体中的效用至少部分取决于刺激脉冲模式与其影响的神经系统“说相同语言”的程度。在一些实施例中，本发明技术使用自动学习刺激脑部的最好方式的优化技术，使得诱发作用(即理解)合意的(而非必需)尽可能类似于原生肢体上感觉的先前神经反应。本发明技术的一些方面使用计算机模型和数字优化。

在一些实施例中，本发明技术可提供快速开发感觉神经假体装置的编码算法的解决方案。与依赖于小心地手动校准潜在极大量参数将躯体感觉信息编码成电刺激脉冲的技术相比，本发明技术的一些实施例提供在人类中实施之前，动物受检者中许多参数的自动校准。在本发明技术的一些方面，自动校准涉及对离开多通道阵列的微刺激诱发的细粒时空反应建模，并且随后控制所述刺激从而诱发尽可能接近原生反应的反应。这略过许多细微参数的校准，因为其将基于神经反应自动优化，这比口头或心理物理报告潜在地信息量更大。

本发明技术的一些方面涉及产生编码算法，所述算法针对植入有用于刺激和反应记录的电极阵列的动物受检者。所得编码算法可以应用于或通用于人类受检者，可能具有不同阵列组。

本发明技术的一些方面涉及用于恢复患有肢体缺损或脊髓损伤的患者的运动神经和感觉功能的双向脑机界面，例如在躯体感觉假体中提供运动神经脑机界面。一些实施例合并躯体感觉假体与假肢并且提供仿生神经-机械界面。本发明技术的一些方面可应用于将假肢用于各种到达和握紧运动中，理想地但非必需达到原生肢体的旧时能力。在此意义上，躯体感觉信息在脑中编码成电刺激的方式对于提高信息输送量、可辨别性以及诱发认知的自然度变得非常重要。本发明技术的一些方面促进实现这些目标的编码算法的开发和/或实施。

失去的感觉(例如触摸)可以通过沿感觉神经路径的电刺激恢复。结合下一代假肢使用，这一刺激可向用户人工提供皮肤和本体感受反馈。躯体感觉脑部区域的微刺激可以产生模态和位置特异性认知，并且若干刺激参数变化可以是可辨别的。在本发明技术之前，缺乏用于将外部刺激编码成模式化仿生多通道微刺激的系统方法。具体来说，没有探索过产生用于明确诱发自然神经活化的时空模式。在本发明技术的一些方面，通过将多通道微刺激和神经反应之间的动力学输入-输出关系建模，接着优化输入模式以诱发尽可能接近的天然存在的触摸反应来解决构建感觉神经假体的问题。在一实例中，我们致力于麻醉大鼠的VPL丘脑和S1皮层的手区，并且通过本发明技术产生高度类似于其天然对应部分的反应。所述模式还诱发保留大部分物理触摸参数信息(例如幅值和刺激位置)的反应。在一些实施例中，本发明技术可恢复用于传入神经假体技术的信息传送的自然水平。

在一些实施例中，本发明技术可以用于通过中枢神经系统的直接电刺激治疗躯体感觉丧失。在动物模型中难以评定微刺激诱发的感觉的自然度，因为其主要通过培训动物报告一些方面的感觉在概念上比天然刺激“高”或“低”来实现。举例来说，已证实猕猴可判断微刺激训练是否比天然皮肤凹陷感觉起来更剧烈。受检者还可类似地报告空间比较(即“更靠近内侧”)。已经探索对微刺激瞬时模式的变化、空间变化和随机性的水平的灵敏度。然而，这些研究中所用的通常一次仅涉及单个电极的单启发式所选脉冲模式不可能足以再造天然皮层活化和天然感觉。实际上，在人类中，应用于腹尾侧(Vc)丘脑中的单个电极的恒定幅值脉冲训练已显示诱发“非天然”感觉的认知。随着刺激模式的复杂性提高，例如增加通道数目，用精神物理学方式评定动物中的效能的难度可能过分地增加。

在本发明技术的一些方面，微刺激诱发的感觉的真实性使用动态仿生编码算法增加，所述算法在手边根据神经元电路特别调谐。相对简单的仿生编码方法为在每一个电极上根据预测的天然存在的激发率注入电流脉冲。本发明技术的一些方面涉及仿生编码系统和方法不应基于刺激脉冲和引起的峰值之间存在一对一对应性的假设的认知。电生理学证据表明各脉冲实际上产生涉及许多细胞的活性时空模糊。实际上，对于可能适用于引起认知的电流范围，单个微电极可直接作用于其传导区域的周围距离(例如50-100μm)内的神经元元件。

在本发明技术的一些实施例中，微刺激脉冲模式以跨突触诱发所要下游活化的方式在目标群体上游的位置传递。为这个目的，本发明技术的一些方面采用基于模型的控制方法，其能够通过丘脑内微刺激(ITMS)的优化模式在躯体感觉皮层中引发自然反应。在一些实施例中，ITMS模式时空上类似自然峰值率，并且其诱发的反应保留大部分触摸参数信息。

在一些实施例中，对受检者(例如患者)的周边感觉神经的刺激的活化反应类似或模仿对受检者的周边感觉神经刺激的天然神经活化反应。在一些实施例中，施加仿生电信号诱发的活化反应可包括多种可检测事件中的一个或多个。活化反应可包括受检者的感觉皮层或其它区域中的信号或相关活性。受检者中诱发的信号可以通过其产生区域处或附近的微电极阵列检测。或者或组合的，受检者体内诱发的信号可以通过受检者表面上的脑电图描记术(EEG)(即表面EEG)检测。活化反应可包括受检者的肌动活动。举例来说，活化反应可包括施加仿生电信号诱发的反射性行为(例如肢体从静止位置运动等)。活化反应可包括受检者的自发指示。举例来说，受检者可以表达(即口头、通过动作、通过向装置输入等)通过施加仿生电信号诱发的一种或多种感知感觉的指示。受检者可提供描述、多个可用反应中的一个的选择等的指示。所述指示可包括关于开始时间、终止时间、持续时间、频率、强度和/或感知感觉的质量的信息。

实例

在体内研究中，两个独立微电极阵列(参看图1a和1b)同步进行记录和刺激。定位于VPL丘脑的前肢表述中的第一电极传递微刺激，并且定位于S1中的相应投射区中的第二电极测量刺激(天然触摸或微刺激)期间进行中的场电位。输入可以由电刺激或其它方式(例如光基因刺激或诱发神经活性的任何方法)提供。

我们在大鼠中进行以下程序(参看图2)。获得一组天然下游反应用作模板。从探测微刺激数据学习反应的线性动力学模型。就所述模型来说，控制器接着尽可能紧密接近天然下游反应优化一组脉冲模式。这组优化模式接着应用于输入脑部区域，记录反应，并且评定反应的相似性。此处，我们考虑局部场电位(LFP)的多电极记录。或者，可以使用峰值训练或峰值数的集合，但作为连续信号，LFP对于状态空间建模更简单。另外，我们可以使用均方差和相关性作为服从高效凸优化的度量标准。这一研究致力于表征天然触碰和优化微刺激的神经反应以及它们的相似性。

外科方法

四只雌性长伊万斯大鼠(Long-Evans rat)(250-350g)在VPL和S1中植入电极阵列(参看图1b)。VPL中的阵列(微探针公司(MicroProbes Inc.))为70％铂30％铱75μm直径微电极的2×8栅格，每行之间500μm，并且每行内250μm电极间距离。微电极在末端5mm处具有25:1楔形，尖端直径3μm。传导尖端的大致几何表面积为1250μm²。柄长度通常设计成匹配大鼠VPL的轮廓线。两行相同并且每一行从中间到侧面的轴杆长度是(8、8、8、8、8、7.8、7.6、7.4)mm。

皮层电极阵列(黑石微系统(Blackrock Microsystems))是32通道犹他阵列(参看图1b)。电极布置成6×6栅格，4个角除外，并且每一个电极为1.5mm长。进行单侧颅骨切开术来暴露两个阵列的皮层插入部位，并且在S1的数字区的立体定位坐标(4.0mm侧面和0.5mm前部到前囟)周围1mm区域用单个微电极(FHC)进行几次探测插入，使用气动活塞插入犹他阵列(Utah array)。

VPL电极阵列集中在VPL的中间分部中的手图示的立体定位坐标：2.8mm侧面，2.4mm后部到前囟。将电极竖直插入到6-7mm的深度。具有手特异性接收场的尖峰单元通过音频记录鉴别，并且对电极深度作出细小变化以使跨越阵列观测到的反应单元数最大。

记录天然触摸探测期间的LFP

在触感刺激期间用神经信号采集系统(RZ2，塔克-戴维斯技术(Tucker-Davis Technologies))收集多通道局部场电势。在VPL的手区和其在S1中的类似区域(参看图1a和1b)中插入电极阵列后，使用精密触器向右前爪的腹面上的3-9个部位投予物理触摸刺激。在一些实例中，可以通过记录来自神经元集群的信息的任何方法记录，包括脑电图描记术(EEG)、脑磁描记法(MEG)以及功能性磁共振成像(fMRI)。

触摸模式由通过压力和持续时间参数化的触摸-保持-释放顺序组成。对于每个部位，施加3种不同压力和2种不同触摸持续时间。进行混乱序列的6种模式中的每一个的25个实例，每次触摸之间具有随机时间间隔。

将9cm长的塑料条贴到DC继动器(Maxon RE-25)上，所述继动器装配有施加触感刺激的光学编码器(Maxon HEDS-55)。通过马达角度控制接触时间安排和皮肤凹陷水平，马达角度通过神经记录系统上携带的DSP执行的比例微分(PD)控制器实现。根据虎克定律(Hooke's Law)，所述条施加的力的幅值与皮肤凹陷成正比。然而，出于这一操作的目的，我们呈现根据以度为单位的控制杆角度的结果。

在触摸开始后，收集各(触摸部位，模式)组合的后置事件LFP反应达300ms。这些反应用作优化多通道丘脑内微刺激(ITMS)的目标波形。一些实例波形和捕捉激发空间范围的通道映射显示于图4和图5中。

探测微刺激的记录和建模LFP反应

为了训练对VPL微刺激输入的皮层LFP反应的模型，使用由随机定时的微刺激脉冲组成的探测序列。多通道微刺激器(IZ2，塔克-戴维斯技术)向跨越VPL电极阵列的8个不重叠双极构型传递脉冲(图示参看图1c和1d)。我们使用双极构型是因为它们在皮层记录通道中产生的刺激假影比单极构型小。脉冲是对称和两相的(每个相200μs)。选择对称脉冲是因为它们相比于不对称脉冲相对安全。脉冲的选择是基于与类似研究的一致性选择的。操作的探测相使用三种不同刺激幅值{10，20，30}μA。从所述幅值/构型对的组，获取随机序列的微刺激脉冲并且以显著泊松过程使用5Hz平均频率传递。所得探测序列持续约8分钟，并且构型/幅值的各独特组合重复50-120次。

使用以下微刺激探测数据训练离散-时间线性动力学模型：微刺激的8维输入和S1LFP反应的32维输出。在模型复杂性和预测精度之间，根据经验选择状态维度50作为折衷。

x_t+1＝Ax_t+Bu_t+∈_x (1)

y_t＝Cx_t+∈_y (2)

每一个含有时间t处的刺激通道幅值的向量表示为所述状态表示为并且所述输出表示为∈_x～N(0,Q)和∈_y～N(0,R)。使用子空间方法学习系统参数(A，B，C，Q，R)(细节参看(范欧维奇(Van Overschee)和德莫尔(De Moor),2011)中的算法4.8)。子空间系统鉴别法基于输入和输出数据的线性组合评估低维度状态序列x₁、x₂、…和相应系统矩阵。全部子空间方法都涉及基于经转型数据矩阵的奇异值分解选择n个最有意义的状态尺寸作为中间步骤。

优化微刺激模式

使用模型预测控制器，优化微刺激脉冲模式来模仿探测期间尝试的每个独特触摸类型的天然触摸反应。模型预测控制器产生通过所要反应驱动线性模型的最优输入序列，在我们的试验情形中，是各压迫模式和触摸部位位置的LFP反应的平均值。尽管可能已经使用预测神经编码模型，但为简单起见，我们在这一研究中使用试验平均值。

在每个刺激通道(电极的双极对)上，优化输入信号对应于恒定频率脉冲训练的随时间变化的幅值包封(在我们的研究中是610Hz，大约是LFP过滤器的上限截止频率的两倍)。经调节的脉冲训练由组成负-第一两相脉冲组成。我们强调仅脉冲训练的非负幅值为优化的，并且因此脉冲保持单极性。极性的改变转换电流在两个相邻电极中的每一个上沉降或流出的顺序，并且对负极的反应与对正极的反应不线性相关。

假设时间t处，可获得时间t+1、…、t+T-1的所要神经轨迹y^d。水平线T控制控制器考虑优化控制输入的未来时间的量。在实际(因果)应用中，这一所要信号可以是预测反应模型的输出，所述模型使用直到t的可用传感器信息，输出T-1未来时间点的预测神经反应。或者，y^d还可以是预先计算/记录的神经轨迹。对于这一研究，我们将y^d处理成完全已知，即将其设为每个触摸条件的天然反应的周边刺激试验平均值。

控制器的主要目标是y(t)、施加的输入序列下的系统输出以及所要输出信号之间的欧氏距离平方降至最低：经T步骤的水平线完成优化。MPC实施方式中常见打算施加于系统的输入的第一dt时间步骤，并且观测到新状态。接着从新状态和时间步骤开始重复优化。然而，在这一研究中，我们平凡地选择T作为触摸反应的大致全长(触摸持续时间+100ms)。

如建模步骤中，每个刺激通道的脉冲序列由610Hz训练组成，每个脉冲的幅值由离散时间信号u(t)调节。等式4中所示的阶段成本l由和跨越T时间步骤的水平线的所要输出y^d(t)之间的输出平方误差的总和组成。在τ＝t,…,t+T的每个时间步骤，控制器引发l_t(x(τ),u(τ))的成本。阶段成本l_t表示时间t处遇到的追踪误差量值。通过涉及x(τ)、u(τ)和x(τ+1)的等式约束强加模型动力学。在这一情形下，系统演变是决定性的并且优化不取决于等式1中的∈_x或∈_y的密度。

对输入u(τ)赋予范围限制。如先前所述，刺激信号有意限制为具有非负电流值，因为其仅表示两相脉冲的幅值而不是它的极性。使用对u(τ)的约束条件，将最大允许电流设为I_max＝25μA。

最小化

根据

l(t，x(τ)，υ(τ))＝||y^d(t)-Cx(τ)||²+μ||υ(τ)||² (4)

阶段成本l是随时间变化，因为其必须针对所要轨迹y^d的偏差罚分。

尽管阶段成本l的主要目标是对所要轨迹y^d的偏差罚分，但它还包括对表示为v(τ)的输入总和的低通过滤型式的绝对值罚分的条款。着对跨越刺激阵列和跨越时间的电流注入具有节约作用。我们注意到没有这一罚分的情况下，一些效果较低的输入将变成大幅值的持续刺激。尽管这些输入名义上将实现比对照范围更好的输出追踪，但它们在显著超临限幅值下刺激而对所测量的场电势没有许多相关作用。怀疑这些是影响我们的记录阵列仅部分记录到的一部分S1的任何通道。对低通过滤型式的输入而非瞬时输入罚分的基本原理在于优先减少长期训练。

低通过滤器在(1-α)含有单极，其通过等式5对应于时间常数τ_lp。这一时间常数设为100ms。

其中F_s是取样频率 (5)

这一对过滤型式的输入罚分的方法与阿玛蒂安(Ahmadian)等人(2011)所用的方法非常类似。然而，在所述操作中，对初始电流波形进行优化，并且缓慢电流注入的罚分主要起限幅电荷累积的目的，众所周知电荷累积会引起电极腐蚀或接触部位附近的组织损伤。在我们的操作中，每个两相脉冲的电荷平衡立即恢复，因为优化是对刻板脉冲训练的幅值包封进行，并且因此对v的罚分主要意谓促进溶液的电流效率。

形成扩充状态的向量使得成本||Cx(t)-y^d(t)||²可以写成二次表达式即其中海赛函数(Hessian)Q随变化编码Cx与y^d之间的欧氏距离。

等式3中的目标可以通过堆叠水平线中各时间的扩充状态和输入变数形成二次形式，即目标是二次函数z^T Hz，其中H是关于z的整体成本的海赛函数。因为时间t处的直接成本仅随变化，所以这一矩阵是块对角模型，其中Q(t+τ)τ＝1,…,T占据对应于)的块。可对矩阵函数Tz＝0类似地施加等式约束，其中T是块三角。块适当编码对和u(t-1)的线性相关性。

为了实施对输入的约束条件，为成本附加对数障碍等式3接着可以写成简化形式：

最小化z^THz+κφ(z) (7)

根据Tz＝0

其中κ是优化对数障碍贡献的权重参数。结果可以使用凸优化技术充分计算。使用不可行开始的牛顿法，其中步骤δz使得z+δz满足最佳卡罗需-库恩-塔克(Karush-Kuhn-Tucker，KKT)条件的线性近似。条件在于等式7的拉格朗日梯度变为零并且z可行，即(其中L＝z^THz+κφ(z)+v^TTz)并且Tz＝0。这些条件在线性化时产生线性等式系统，其可以通过(王(Wang)和波伊德(Boyd),2010)中所用的方法充分求解。可以显示这一尺寸的密集等式体系需要O(T³(n+m)³)计算。然而，可以采用T的块三角结构和H的块对角结构，因为块三角系统的解决方案可以进行O(T(n+m)³)次。

最初，针对各触摸条件(部位、幅值、持续时间)脱机进行MPC。在各情况下，所要轨迹为试验平均天然触摸反应，其中τ＝0对应于触摸开始并且T＝保持持续时间+50ms。微刺激模式在触摸开始时起始并且持续直到T。可能设计选择可能必须在触摸开始之前不久优化刺激。这可能导致系统可以“预先刺激”而更好的控制精度，但将需要相应延迟来保持因果关系。实际上，从触摸开始到皮层反应的生理延迟(9ms)和到ITMS的延迟(2ms)导致系统可以“预先刺激”期间7ms的窗口。然而，预先刺激没有始终存在也没有具有显著作用。

一经发现，通过VPL阵列施加优化ITMS模式。各触摸类型的模式以与各前爪位置的初始天然触摸刺激相同的顺序和时间安排施加。术语虚拟触摸定义成是指用对应于特定类型的天然触摸的优化微刺激模式进行刺激。

表1：对探测微刺激的皮层反应建模的线性模型效能的表。4倍交叉验证期间倍数之间+/-1标准差。

结果

LFP反应模型拟合优度

对微刺激的皮层LFP反应用前述部分中所述的线性状态空间模型模型化。所有大鼠中，模型平均占刺激脉冲之后400ms内的时间段中的方差的25.67％±18.7。每个大鼠的相同时间窗的相关系数从0.29到0.718变化(平均0.487)。表1示出了根据ITMS探测数据的4倍交叉验证下的模型效能。

再现天然反应中的精度

优化ITMS波形引起时空上类似于其跨触摸部位和模式的天然对应部分的神经反应。针对全部条件和大鼠，平均天然和虚拟反应之间的相关系数是0.775±0.05。如果仅对触摸开始之内100ms的时间端进行比较，那么相关系数为0.90±0.03。图3示出了触器位置、天然LFP反应、优化微刺激以及对虚拟触摸的LFP反应的两个区段。

对不同触摸模式的平均瞬时反应的实例示于图4中。天然触摸在触摸开始之后9-15ms引发强短暂电势，随后持续150-200ms恢复时段。另一瞬时特征在于当致动器开始上升离开触摸部位时触摸停止之后不久产生的较小负电位。相应优化微刺激模式示于图4c中。图4d示出了所得平均LFP反应。

图5a-b示出了大鼠手部两个不同部位(数字1，数字4)的空间反应的实例。显示的是试验平均虚拟和天然触摸中的最大负偏差。S1记录阵列的每个通道显示其实际空间排列。部位d1和d4的定性天然触碰活化两个重叠但明显独立的区。优化ITMS保留这一具有针对这两个触摸部位的活性的空间模式。

我们用实验方式比较优化程序达到的精度与理论模型输出的精度。线性模型的理论再现精度显著高于针对全部动物的数据测试的实际精度。然而，全部动物中都没有单独观察到这一趋势。图5c示出了这一模型对比全部4个动物的体内比较。图5d示出了代表性动物的S1能量输出的比较(天然对比优化ITMS)，其中将能量定义为反应窗口中多通道反应的合并RMS电压。一般来说，各天然触摸类型的反应能量与其ITMS对应部分良好匹配(r＝0.81±0.13)。

再现精度的试验混排分析

基于单次试验基础，重要的是虚拟触摸诱发的反应产生天然触摸的精确表示。通过计算反应对之间的相关系数的分布来定量单次试验精度，而在前述部分中，定量试验平均反应的精度。

为了比较两组不同刻板试验，每个个别试验反应与另一组中的反应随机配对200次。计算每一对的相似性评分并且对随机配对取平均相似性评分。

计算以下两个经验评分分布：

●匹配虚拟：在相同条件下比较虚拟触摸试验与天然触摸试验。

●条件改组天然：比较天然触摸试验与具有改组条件的天然触摸试验(触摸持续时间、强度、部位)。

在这一实例中，所用相似性评分为时空LFP反应的相关系数(r)。对于全部动物中的全部试验，匹配虚拟精度的中位值为r＝0.5678±0.175。表2列出每个动物和部位的独立效能。

这一分析的结果为虚拟触摸比条件改组天然反应更好的仿效天然触摸反应。针对全部动物中的全部触摸条件，发现条件改组评分比匹配虚拟评分显著更低(p＝0.017单尾符号测试)。当仅考虑100ms触摸开始后窗口时，发现评分也高得多(p<0.01)。

图6a示出了代表性动物的各触摸条件的精度评分。对于相同实验，图6b示出了再现效能取决于整体LFP反应的总量值。表2独立地列出针对各触摸部位的这些评分。表的最后一栏示出了用于检测触摸部位的所有试验中匹配虚拟优于条件改组天然的改良的显著水平p_mimic。

分类效能

为了评定虚拟触摸反应的信息内容，我们进行一组分类实验，其中触摸条件(持续时间、位置、幅值)从多通道预先刺激反应预测。首先，针对天然触摸反应和虚拟触摸反应训练独立分类器。这一情境中的分类率告诉我们神经反应关于各孤立刺激模态提供多少信息。接着，我们测试更通用的分类器，所述分类器可以正确判断天然和虚拟触摸反应的触摸条件。这一实验的动机在于发现虚拟触摸反应含有触摸参数可辨别性同时模拟天然反应的程度有多好。

表2：全部动物上尝试的全部触摸部位的效能统计。控制器施加的最大电流示于第三栏中。平均值和标准差精度示于第4-6栏中。p_mimic为检测触摸部位处所有试验的匹配虚拟优于条件改组天然的改良的显著水平。粗体行对应于p_mimic小于0.05的触摸部位。

分类程序如下：假设LFP反应产生单模态标记。在此假设下，各样本可以分配最近周边刺激平均值的标记。为了考虑协方差，使用线性判别分析(LDA)将反应投射到低维度子空间。LDA具有通用本征值问题产生的关闭形式方案，所述问题由类别之间和类别内协方差矩阵定义。因为反应具有许多尺寸(300ms×F_s×32个通道)，所以在计算协方差矩阵之前进行主成分分析(PCA)。接着，在分配最近周边刺激平均值标记之前将各反应投射到降低的子空间。下文中，通过交叉验证选择降低的维度，但比类别数小至多一。

对于通用分类器，天然和虚拟触摸用于计算LDA投射，但最终分类是基于最近天然触摸平均值标记。这确保虚拟触摸反应实际上最接近于相应天然触摸周边刺激平均值。

表3示出了独立训练的分类器和单个通用分类器产生的分类效能。表4示出了仅考虑强刺激和短(150ms)持续时间的试验时相同比率的分类触摸位置。这一特定数据子集显而易见，对于天然和虚拟触摸，单个通用分类器的分类率接近独立训练的天然触摸分类器的分类率。

图7a和7b示出了基于两个其它受限制试验子群的分类率。图7a示出了数据子群对应于短(150ms)持续时间的轻、中等或强触摸的校正解码率。图7b类似地示出了仅考虑轻、中等或强试验时的触摸部位解码率和持续时间。图7c的第一栏示出了考虑全部试验类型时的解码效能，并且第二栏示出了考虑部位条件性数据子群的整体精度。

表3：解码天然和虚拟触摸反应的触摸参数(触摸部位、持续时间、幅值)的校正分类率。显示8个蒙特卡罗分裂数据分类率的平均值和标准差(2/3训练，1/3测试)。独立训练的分类器使用来自专门天然或虚拟触摸的试验数据，而联合分类器的降维用来自两个组的试验训练，并且测试实例通过选择最近天然触摸平均值分类。预测的机会水平取决于各动物尝试的触摸部位数目，显示于第二栏。

表4：解码触摸部位产生短强触摸。此处的校正分类率反映天然和/或虚拟刺激的空间变化赋予的可辨别性。类似于表3，机会水平示于第二栏中。所示平均值和标准差是关于8个蒙特卡罗分裂(2/3训练，1/3测试)。

优化图案特征

我们就脉冲时间安排和其空间特性检验模型预测控制器的输出。针对不同触摸部位的VPL空间电流注入随着手上的触摸部位从侧面变化成中间而追踪到躯体位置从中间进展成侧面。任何指定虚拟触摸主要使用1-3个双极构型(2-6个刺激电极)，并且所有触摸位置使用的构型数目横跨4-5个构型。大部分脉冲在开始后4-8ms短期爆发。这与触碰的初始反应延迟为约9ms，并且VPL刺激的延迟为约2ms的观测结果相一致。每个触摸部位的最大脉冲幅值示于表2中。

图8示出了随着触摸部位变化的电流注入空间变化形式的代表性实例。除了这些热图之外，还显示相同电极上的相应尖峰空间图案。随着触摸部位从手的一侧变化到另一侧，注入到各电极上的电荷以及原生尖峰遵照VPL阵列上从中间到侧面的空间进展。天然反应的空间布局还遵循后面到前面-a模式的微小进展，所述模式由虚拟触摸反应大致重复。

优化ITMS类似时空VPL尖峰

一个所关注的话题是优化ITMS模式与刺激电极上测量的单个单元活性的类似性的密切程度。空间上，电荷主要通过神经元发现具有触摸反应的电极注入。图9a示出了代表性动物的虚拟触摸期间天然VPL尖峰与总刺激电流之间的关系。对于各触摸条件，指定电极触摸开始后的前150ms内的总峰值数关于通过所述电极的总电荷注入绘图。高幅值触摸条件观测到最强相关性(150ms触摸的r＝0.84并且250ms触摸的r＝0.71)。

图9b示出了两个不同触摸持续时间的开始后峰值率和相应优化ITMS。对于每个时间点，展现的波形为跨越通道的最大电流。触摸开始和偏置之后不久就传递最强刺激脉冲。这与VPL峰值率的天然瞬时模式的类似之处在于几乎全部记录到的触摸反应单元显示快速适配。

实例结果的概述

本发明技术的一些方面涉及编码器设计的神经生理学方法，其优化下游诱发反应的自然度。这提供一种直接计算非常具体的时空微刺激波形的方式，所述波形根据活化模型对于诱发的所要天然反应最优。

优化微刺激模式精确地诱发与触摸诱发反应类似的LFP。这经过一定范围的幅值和模式测试。整体来说，由这一优化产生的波形共用一些显著特征：1)对于所用实体接触区域(1mm²)，大部分优化ITMS模式在触摸开始后300ms的时程使用1-3个电极构型，并且这些构型通常彼此相邻。2)优化ITMS暂时由触摸开始后5-7ms的短暂脉冲爆发和触摸释放后不久的二次脉冲爆发组成。在这两次爆发之间，固持时段的电荷注入量可忽略。3)刺激幅值(刻板两相脉冲的每个相具有200μs)大部分保持低于25μA极限，但在一些情况下达到这一界限。

精度评分还关于线性模型的拟合优度，拟合优度又取决于信号质量和植入物布局。再现精度还遵循躯体位置趋势，表明空间再现能力受阵列布局和/或分辨率限制。

线性和非线性模型

丘脑和皮层微刺激的神经反应显示为非线性的。另外，这一非线性随时间变化，因为在初始微刺激之后，反应中稍后时间的微刺激幅值到神经反应幅值功能极大改变。尽管可以训练更精确的活化模型，但其与对照组相比计算上更繁冗-通常不具有优化保障。因为MPC针对线性模型全局优化，所以我们情况中的不准确性可能是由于未建模的非线性效应。这由线性模型具有最高拟合优度的动物还具有更好的控制效能进一步支持。尽管本发明技术的一些实施例已采用线性模型描述，但在一些实施例中可使用非线性模型代替线性模型。

尽管作为控制系统的所披露的特定方法不并入反馈(即开环)，但本发明技术在一些实施例中可以使用闭合回路策略执行，例如类似于波特(Potter)等人(2005)的再现微刺激的感觉反应的研究。尽管闭环控制可提高控制效能，但原生实施方式可能无意中减少天然存在的反应变化，这可能是重要丘脑皮层处理/可塑性的结果，例如运动神经抑制和闸控。

获得天然模板

对天然刺激的受检者特异性神经反应在躯体感觉假体背景中将不可获得，因为此类装置的目标群体显然将缺乏完整躯体感觉呈现。这类问题当然不是感觉神经假体所特有的。运动神经脑机界面的一些操作使用非人类灵长类动物的完整肢体运动学来初始化模型，所述模型将神经放电映射到肢体运动学和/或力。最近，关于海马假体的研究(例如伯杰(Berger)等人进行的研究)需要完整观测输入和输出群体到映射训练的神经放电。

尽管如此，由完全观测实验(例如这些)产生的模式可提供可泛化时空模式的洞察。本发明技术的一些方面涉及鉴别对全部实验受检者一致的刺激特性。这可能导致精密动力学编码器的后续设计，其参数主要用用户可校准的一些非可泛化参数脱机优化。举例来说，因为VPL和S1的肢体呈现经躯体表面组构，交叉受检者或交叉物种泛化可能相当于简单强度按比例调整和/或空间重新映射。这些校准还可以在加强学习构架下优化。

联合预定义微刺激模式

一些作者已研究脉冲训练特征的可辨别性。这些实验独立地测试脉冲训练的参数，例如相对幅值、训练频率、瞬时随机性水平和时空方面。然而，模式探索式选择刻板训练，通常一次仅涉及一个电极，其实际认知未知。当时这些类型的训练应用于人类受检者的VPL核时，其大部分报道非天然感觉。

这些脉冲训练的分类已显示模拟触觉的至少一些方面(例如颤振频率、强度和空间位置)达到天然刺激的程度，并且可以在相同等级下比较微刺激训练。举例来说，伯格(Berg)等人(2013)和塔波特(Tabot)等人(2013)证实执行从皮肤凹陷力和微刺激幅值静态转化的编码器。脉冲模式是通过单电极施加的恒定幅值，恒定频率训练，并且非线性幅值转化通过心里指标等效物进行。这意味着幅值基于与天然皮肤凹陷的二元比较(例如“更密集”或“更平均”)调整。这一编码器匹配赋值。相对于一些先前技术，本发明技术的一些方面提供更常用类别的动态时空编码器，所述编码器提高自然度和信息输送量。然而，随着编码器的参数复杂性增长，动物模型中的心理校准难度增加。

模拟刺激区域中的神经编码

其它组已经显示模拟植入区域的天然尖峰活性的编码器可以通过回放记录的单个单元活性或前向点过程建模诱发逼真的下游尖峰或恢复认知能力。然而，本发明技术区别在于刺激并未优化来明确模拟受刺激的脑部区域中的反应，而是诱发接近一些模板的下游反应的感觉。有趣的是，在事后分析中，我们发现与刺激区域尖峰相关的微刺激模式。

使用明确模拟刺激区域中的单个单元模式的微刺激脉冲可能具有非预期的后果，因为微刺激脉冲已显示不能直接从单个单元记录测量的活化神经元件(例如通路纤维)。微刺激脉冲可以是同一通道的天然峰值记录的不良替代。对于每一个脉冲，难以确定多少细胞经活化，并且已显示刺激脉冲的投射区域(其下游反应的躯体位置布局)，从相同电极上记录的单元上的接收区域偏置。本发明技术的一些实施例的优势在于采用的优化方法可以解释这些作用。

在一些假设下，基于模型的“对照”等效于基于模型的刺激解码，这在神经科学团体中已充分研究。

微刺激的信息率最大化

达利(Daly)等人,2012的有趣方法提出作为通道编码问题的微刺激图案化，设计使外部刺激与神经反应之间的交互信息最大化的转导纤维(在丘脑皮层系统的神经模型中)。相比之下，本发明技术的一些方法没有明确优化信息指标。信息传送的目标和反应自然度可以产生类似结果。然而，可能争论完美的仿生编码器将产生与完整神经系统中存在的信息相同的交互信息，这对假体装置来说绰绰有余。还可以设想具有极高信息传送但具有非常不自然的时空映射的编码器。至少在渐进感觉中，仿生方法似乎更适于神经假体应用。此处显示对天然和虚拟触摸的LFP反应对于用79.5％和70.8％的平均精度触摸分别非常有益于解码对应于部位、幅值和持续时间的联合参数。给予强短触摸，触摸部位精确地预测分别具有90.7％和89.4％的平均值。这证实微刺激诱发的反应都是高信息量的和自然的。

系统

图10为根据本发明技术的多个实施例的系统1000的简化图。系统1000可包括一个或多个远程客户端装置1002(例如客户端装置1002a、1002b、1002c、1002d以及1002e)经网络1004与一个或多个服务器计算装置1006(例如服务器1006a和1006b)联通。在一些实施例中，客户端装置1002配置成基于与服务器1006经网络1004通信操作一个或多个应用。在一些实施例中，服务器1006配置成基于与客户端装置1002经网络1004通信操作一个或多个应用。在一些实施例中，服务器1006配置成操作一个或多个应用，所述应用可以在客户端装置1002处存取和控制。举例来说，客户端装置1002处的用户可使用网络浏览器经网络1004进入和控制服务器1006上操作的应用。在一些实施例中，服务器1006配置成允许远程会话(例如远程桌面会话)，其中用户可以通过从客户端装置1002登录到服务器1006上来进入服务器1006上的应用和文档。此类连接可以使用若干众所周知的技术中的任一种建立，例如基于Windows的服务器上的远程桌面协议(RDP)。

借助于说明而非限制，在一些实施例中，从服务器侧(服务器处理成本地装置并且客户端装置处理成远程装置)的角度，在服务器1006处执行(或操作)服务器应用。尽管远程客户端装置1002可在相对于远程客户端装置1002处于本地的显示器上接收和显示服务器应用的视图，但远程客户端装置1002不在远程客户端装置1002处执行(或操作)服务器应用。以另一方式，从客户端侧(服务器处理成远程装置并且客户端装置处理成本地装置)的角度，远程应用在远程服务器1006处执行(或操作)。

借助于说明而非限制，在一些实施例中，客户端装置1002可以表示台式计算机、移动电话、膝上型计算机、上网本计算机、平板计算机、瘦客户端装置、个人数字助理(PDA)、便携式计算装置和/或具有处理器的适合装置。在一个实例中，客户端装置1002为智能电话(例如iPhone、机器人电话、黑莓等)。在特定构型中，客户端装置1002可以表示音频播放器、游戏控制台、照相机、便携式摄像机、全球定位系统(GPS)接收器、电视机顶箱、音频装置、视频装置、多媒体装置和/或能够支持到远程服务器的连接的装置。在一些实施例中，客户端装置1002可以是移动的。在一些实施例中，客户端装置1002可以是静止的。根据某些实施例，客户端装置1002可以是具有至少一个处理器和存储器的装置，其中客户端装置1002的存储器的总量可以小于服务器1006中存储器的总量。在一些实施例中，客户端装置1002不具有硬盘。在一些实施例中，客户端装置1002的显示器小于服务器1006支持的显示器。一些方面，客户端装置1002可包括一个或多个客户端装置。

在一些实施例中，服务器1006可以表示计算机、膝上型计算机、计算装置、虚拟机(例如虚拟机)、桌面会话(例如微软终端服务器)、发布应用(例如微软终端服务器)和/或具有处理器的适合装置。在一些实施例中，服务器1006可以是静止的。在一些实施例中，服务器1006可以是移动的。在特定构型中，服务器1006可以是可表示客户端装置的任何装置。在一些实施例中，服务器1006可包括一个或多个服务器。

在一些实施例中，当第一装置不直接连接到第二装置时，第一装置远程连接到第二装置。在一些实施例中，第一远程装置可以经通信网络连接到第二装置，通信网络例如局域网(LAN)、广域网(WAN)和/或其它网络。

当客户端装置1002和服务器1006关于彼此是远程时，客户端装置1002可以经网络1004连接到服务器1006，例如经调制解调器连接、包括乙太网的LAN连接或包括DSL、Cable、T1、T3、光纤、Wi-Fi的宽带WAN连接，和/或包括GSM、GPRS、3G、4G、4G LTE、WiMax的移动网络连接或其它网络连接。网络1004可以是LAN网络、WAN网络、无线网络、互联网、企业内部网和/或其它网络。网络1004可包括一个或多个路由器用于客户端装置和/或服务器之间的路由数据。网络上的远程装置(例如客户端装置、服务器)可以通过相应网络地址定址，例如(但不限于)因特网协议(IP)地址、互联网名称、Windows网际命名服务(WINS)名称、域名和/或其它系统名称。这些示出了一个装置如何可以远程连接到另一装置的一些实例，但本发明技术不限于这些实例。

根据本发明技术的某些实施例，术语“服务器”和“远程服务器”一般相对于客户端装置同义使用，并且措词“远程”可指示服务器与其它装置例如经网络连接通讯。

根据本发明技术的某些实施例，术语“客户端装置”和“远程客户端装置”一般相对于服务器同义使用，并且措词“远程”可指示客户端装置与服务器例如经网络连接通讯。

在一些实施例中，“客户端装置”有时可以称为客户端或反过来也如此。类似地，“服务器”有时可以称为服务器装置或服务器计算机或类似术语。

在一些实施例中，术语“本地”和“远程”为相对术语，并且客户端装置可以称为局部客户端装置或远程客户端装置，分别视客户端装置是由客户端侧还是由服务器侧描述而定。类似地，服务器可以称为本地服务器或远程服务器，分别视服务器是由服务器侧还是由客户端侧而定。另外，服务器上操作的应用如果由服务器侧描述可以称为本地应用，并入如果由客户端侧描述可以称为远程应用。

在一些实施例中，置于客户端侧的装置(例如直接连接到客户端装置的装置或使用导线或无线彼此连接的装置)关于客户端装置可以称为本地装置并且关于服务器可以称为远程装置。类似地，置于服务器侧的装置(例如直接连接到服务器的装置或使用导线或无线彼此连接的装置)关于服务器可以称为本地装置并且关于客户端装置可以称为远程装置。

图11为说明示范性计算机系统1100的方块图，它可以用于执行图10的客户端装置1002和/或服务器1006。在某些实施例中，计算机系统1100可以使用硬件或软件和硬件的组合在专用服务器中执行或整合到另一实体中，或分布在多个实体上。

计算机系统1100(例如客户端1002和服务器1006)包括总线1108或其它用于交流信息的通信机制，以及与总线1108联接的用于处理信息的处理器1102。举例来说，计算机系统1100可以使用一个或多个处理器1102执行。处理器1102可以是通用微处理器、微控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑装置(PLD)、控制器、状态机、门控逻辑、离散硬件组件和/或可执行信息计算或其它操控的任何其它合适实体。

除了硬件之外，计算机系统1100可包括存储于所包括的存储器1104中的产生用于所讨论的计算机程序的执行环境的代码，例如构成处理器固件、协议堆栈、数据库管理系统、操作系统或其中一个或多个的组合的代码，存储器例如随机存取存储器(RAM)、快闪存储器、只读存储器(ROM)、可编程只读存储器(PROM)、可抹除PROM(EPROM)、暂存器、硬盘、可移动的磁盘、CD-ROM、DVD和/或任何其它合适的存储设备，存储器与总线1108联接用于存储打算由处理器1102执行的信息和指令。处理器1102和存储器1104可由专用逻辑电路补充或并入在专用逻辑电路中。

指令可以存储于存储器1104中并且在一个或多个计算机程序产品中执行，即一个或多个在计算机可读媒体上编码的用于由计算机系统1100执行或控制计算机系统1100操作的计算机程序指令模块，并且根据所属领域的技术人员众所周知的任何方法，包括(但不限于)计算机语言，例如面向数据的语言(例如SQL、dBase)、系统语言(例如C、面向对象的C语言、C++、汇编)、架构语言(例如Java、.NET)和/或应用语言(例如PHP、Ruby、Perl、Python)。指令还可以在计算机语言中执行，例如数组语言、面向方面语言、汇编语言、编辑语言、命令行界面语言、编译语言、并发语言、花括号语言、数据流语言、数据结构化语言、说明性语言、深奥语言、扩展语言、第四代语言、函数式语言、交互模式语言、解释语言、迭代语言、基于列表的语言、小众语言、基于逻辑的语言、机器语言、宏语言、元编程语言、多泛型语言、数值分析、基于非英语的语言、面向对象的基于类的语言、面向对象的基于原型的语言、越位规则语言、程序语言、反射式语言、基于规则的语言、脚本语言、基于栈的语言、同步语言、语法处理语言、视觉语言、沃思语言(wirth languages)和/或基于xml的语言。存储器1104也可以用于在执行打算由处理器1102执行的指令期间存储临时变量或其它中间信息。

如本文所述的计算机程序并非必须对应于文件系统中的文件。程序可以存储在保持其它程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中、专用于所讨论程序的单个文件中，或多个经协调文件(例如存储一个或多个模块、子程序或代码的部分的文件)中。计算机程序可经部署以在一个计算机上或在位于一个位点或跨越多个位点分布并由通信网络互连的多个计算机上执行。本说明书中描述的过程和逻辑流可由一个或多个可编程处理器执行，所述可编程处理器执行一个或多个计算机程序以通过对输入数据操作且产生输出而执行功能。

计算机系统1100进一步包括联接到总线1108用于储存信息和指令的数据存储装置1106，例如磁盘或光盘。计算机系统1100可以经输入/输出模块1110偶合到多个装置(例如装置1114和1116)。输入/输出模块1110可以是任何输入/输出模块。示范性输入/输出模块1110包括数据端口(例如USB端口)、音频端口和/或视频端口。在一些实施例中，输入/输出模块1110包括通信模块。示范性通信模块包括网络接口卡，例如乙太网卡、调制解调器和路由器。在某些方面，输入/输出模块1110配置成连接到多个装置，例如输入装置1114和/或输出装置1116。示范性输入装置1114包括键盘和/或指向装置(例如鼠标或轨迹球)，用户可以通过键盘和/或指向装置向计算机系统1100提供输入。其它类别的输入装置1114还可用于提供与用户的互动，例如触感输入装置、视觉输入装置、音频输入装置和/或脑-计算机界面装置。举例来说，向用户提供的反馈可以是任何形式的感觉反馈(例如视觉反馈、听觉反馈和/或触感反馈)，并且来自用户的输入可以用任何形式接收，包括声波、语音、触感和/或脑波输入。示范性输出装置1116包括用于向用户显示信息的显示装置，例如阴极射线管(CRT)或液晶显示器(LCD)监视器。

根据某些实施例，客户端装置1002和/或服务器1006可以使用计算机系统1100回应于处理器1102执行，所述处理器执行存储器1104中所含的一个或多个指令的一或多个序列。可将此类指令从例如数据存储装置1106的另一机器可读媒体读取到存储器1104中。执行存储器1104中所含有的指令序列致使处理器1102执行本文所述的过程步骤。多处理排列的一个或多个处理器还可以用于执行存储器1104中所含的指令序列。在一些实施例中，可代替或结合软件指令使用硬连线电路执行本发明的多个方面。因此，本发明的各方面不限于硬件电路和软件的任何特定组合。

本说明书中所述的主旨的多个方面可以在计算系统中执行，所述计算系统包括后端组件(例如数据服务器)，或包括中间件组件(例如应用服务器)，或包括前端组件(例如具有图形用户接口和/或网络浏览器的客户端计算机，用户可以借以与本说明书中描述的主旨的执行互动)，或一个或多个此类后端、中间件或前端组件的任何组合。系统1100的组件可以通过任何形式或媒体的数字数据通信(例如通信网络)互连。通信网络的实例包括局域网和广域网。

如本文所用，术语“机器可读存储媒体”或“计算机可读媒体”是指参与向处理器1102提供指令以供执行的任何媒体。此类媒体可以采取多种形式，包括(但不限于)非易失性媒体、易失性媒体以及传输媒体。非易失性媒体包括例如光盘或磁盘，例如数据存储装置1106。易失性媒体包括动态存储器，例如存储器1104。传输媒体包括同轴电缆、铜线和光纤，包括包含总线1108的导线。机器可读媒体的常见形式包括例如软盘、软磁盘、硬盘、磁带，任何其它磁性媒体、CD-ROM、DVD、任何其它光学媒体、穿孔卡片、纸带、具有孔洞图案的任何其它物理媒体、RAM、PROM、EPROM、闪存EEPROM、任何其它存储器芯片或盒带，或计算机可以从其读取的任何其它媒体。机器可读存储媒体可以是机器可读存储装置、机器可读存储衬底、存储器装置、实行机器可读传播信号的物质的组合物，或其中一个或多个的组合。

如本文所用，“处理器”可包括一个或多个处理器，并且“模块”可包括一个或多个模块。

在本发明技术的一个方面，机器可读媒体是用指令编码或存储的计算机可读媒体，并且是计算元件，其界定指定和系统其余部分之间的结构和功能性关系，这允许实现指令的功能。指令可以用例如系统或系统的处理器执行。指令可以是例如包括代码的计算机程序。机器可读媒体可包含一个或多个媒体。

图12示出了根据本发明技术的多个实施例向受检哺乳动物传递感觉信息的系统1200的实例。系统1200是执行客户端装置1002和/或服务器1006用于向受检哺乳动物传递感觉信息的实例。系统1200包含信号产生模块1202、信号施加模块1204和/或模型预测控制器模块1206。尽管系统1200显示为具有这些模块，但系统1200可具有其它适合构型。系统1200的模块可以彼此通信。在一些实施例中，模块可以在软件(例如子程序和代码)中执行。举例来说，模块可以存储于存储器1104和/或数据存储装置1106中，并且由处理器1102执行。在一些方面，模块中的一些或全部可以在硬件(例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑装置(PLD)、控制器、状态机、门控逻辑、离散硬件组件或任何其它合适装置)和/或两个的组合中执行。根据本发明技术的多个方面的这些模块的额外特征和功能在本发明中进一步描述。

如本文所用，措词“模块”是指在硬件或固件中实施的逻辑，或软件指令的汇集，可能具有入口点和出口点，以例如C++的编程语言编写。软件模块可以编译且连接入可执行程序，安装于动态连接库中，或可以用例如BASIC解释语言编写。应了解软件模块可以从其它模块或本身调用，和/或可以回应于检测事件诱发或中断。软件指令可以包埋于固件中，例如EPROM或EEPROM。另外应了解，硬件模块可以包含连接的逻辑单元，例如门和正反器，和/或可以包含可编程单元，例如可编程门阵列或处理器。本文所述的模块优选地执行为软件模块，但可以呈现于硬件或固件中。

预期模块可以整合成较少数目的模块。一个模块还可以分离成多个模块。所述模块可以执行为硬件、软件、固件或其任何组合。另外，所述模块可存在于通过有线或无线网络或互联网连接的不同位置。

一般来说，应了解处理器可包括例如计算机、程序逻辑或表示可如本文所述操作的数据和指令的其它衬底构型。在其它实施例中，处理器可包括控制器电路、处理器电路、处理器、通用单芯片或多芯片微处理器、数字信号处理器、包埋微处理器、微控制器等。

另外，应了解，在一个实施例中，程序逻辑可有利地作为一个或多个组件执行。组件适宜配置成在一个或多个处理器上执行。组件包括(但不限于)软件或硬件组件、例如软件模块的模块、面向对象的软件组件、类组件和任务组件、处理方法、功能、属性、程序、子程序、程序代码区段、驱动器、固件、微码、电路、数据、数据库、数据结构、表、阵列和变数。

图13示出了根据本发明技术的多个实施例向受检哺乳动物传递感觉信息的方法1300的实例。方法1300是执行系统1200用于向受检哺乳动物传递感觉信息的实例。方法1300包含操作s1302基于以下产生仿生电信号：(a)施加于参考哺乳动物的神经系统的躯体感觉区的刺激参考信号，(b)回应于向丘脑核施加刺激参考信号从参考哺乳动物的感觉皮层获得的刺激反应信号，以及(c)回应于参考哺乳动物的周边感觉神经刺激从感觉皮层获得的天然反应信号。方法1300进一步包含操作s1304向受检哺乳动物的神经系统的躯体感觉区施加仿生电信号在受检哺乳动物的感觉皮层中诱发活化反应，模仿对受检哺乳动物的周边感觉神经刺激的天然神经活化反应。

提供先前的描述以使所属领域的技术人员能够实践本文所述的多个构型。尽管本发明技术已参看多个图式和构型具体描述，但应理解这些仅出于说明的目的并且不应视为本发明技术范围的限制。.

可存在许多其它方式来执行本发明技术。本文所述的多种功能和元件可以从所述的那些不同地分配而不脱离本发明技术的范围。对于所属领域的技术人员来说，对这些构型的各种修改将易于显而易知，并且本文界定的一般原理可以应用到其它构型。因此，一般技术人员可以对本发明技术作出许多改变和修饰而不脱离本发明技术的范围。

应理解，所揭示过程中的步骤的特定次序或层次为示范性方法的说明。基于设计偏好，应理解，可重新排列所述过程中的步骤的特定次序或层次。一些步骤可以同时进行。随附的方法主张各种步骤的目前元件呈样本次序，且其并非打算限于所呈现的特定次序或层级。

如本文所用，短语“中的至少一个”在一连串条目之前，使用术语“和”或“或”来隔开任一个物品，将列表作为整体进行修饰，而非修饰列表的每个成员(即每个条目)。短语“中的至少一个”不需要选择所列每一个项目中的至少一个；实际上，短语提供包括条目中的任一个中的至少一个和/或任何条目组合中的至少一个和/或条目中的每一个中的至少一个的含义。举例来说，短语“A、B和C中的至少一个”或“A、B或C中的至少一个”各自是指仅A、仅B或仅C；A、B和C的任何组合；和/或A、B和C中的每一个中的至少一个。

例如“方面”的短语不暗示此类方面对于本发明技术必不可少或此类方面适用于本发明技术的全部构型。涉及一个方面的揭露内容可适用于全部构型，或一个或多个构型。一方面可提供本发明的一个或多个实例。例如“一方面”的短语可指一个或多个方面且反过来也如此。例如“一实施例”的短语不暗示此类实施例对于本发明技术必不可少或此类实施例适用于本发明技术的全部构型。涉及一个实施例的揭露内容可适用于全部实施例，或一个或多个实施例。一个实施例可提供本发明的一个或多个实例。例如“一实施例”的短语可指一个或多个实施例且反过来也如此。例如“一构型”的短语不暗示此类构型对于本发明技术必不可少或此类构型适用于本发明技术的全部构型。涉及一个构型的揭露内容可适用于全部构型，或一个或多个构型。一个构型可提供本发明的一个或多个实例。例如“一构型”的短语可指一个或多个构型且反过来也如此。

本发明中使用的例如“顶部”、“底部”、“前部”、“后部”等术语应理解为提到任意参考系，而非提到普通重力参考系。因此，顶部表面、底部表面、前表面和后表面可在重力参考系中朝上、朝下、对角或水平延伸。

此外，就术语“包括”、“具有”等用于说明书或权利要求书中来说，当在权利要求书中用作过渡词时，此类术语打算以与所解释的术语“包含”类似的方式是包括性的。

词语“示范性”在本文中用于意指“充当实例、例子或说明”。本文中被描述为“示范性”的任何实施例并非必须理解成比其它实施例优选或有利。

除非特别说明，否则以单数形式提到的元件并非打算意指“一个且仅仅一个”而是“一个或多个”。关于男性的代词(例如他的)包括女性和中性性别(例如她的和它的)，并且反过来也如此。术语“一些”是指一个或多个。带下划线和/或斜体的标题和子标题仅为了方便起见而使用，不限制本发明技术，并且不涉及关于本发明技术的描述的解读。所属领域的普通技术人员已知或日后将知晓的本发明通篇描述的多个构型的元件的所有结构和功能等效物以引用的方式明确地并入本文中，且打算由本发明技术涵盖。此外，本文揭露的任何内容都不打算奉献给公众，无论上文描述中是否明确列举了此类揭露内容。

尽管已描述本发明技术的某些方面和实施例，但这些仅借助于实例提出，并且不打算限制本发明技术的范围。实际上本文所述的新颖方法和系统可以用多种其它形式实施而不不脱离其精神。所附权利要求书和其等效物打算涵盖将处于本发明技术的范围和精神内的此类形式或修改。