Processing and classification of sensory nerve responses measured in the sciatic nerve

Impairments resulting from a peripheral nerve injury can dramatically affect an individual’s quality of life. In recent years, scientific and technological efforts have been made toward the development of neuroprostheses with the aim of bypassing the site of the injury and restoring the information flow both from and to the central nervous system Although interesting results have been achieved in the open-loop control of lower and upper extremities' motion, the incorporation of sensory neural feedback in prosthetic devices is still a challenge. A number of techniques to decode and classify naturally evoked sensory neural activity have been explored, but a well-suited classification modality has yet to be established and the field is still open to exploration. In this context, the contributions of this work were two-fold. Firstly, because the electroneurography (ENG) is a low-amplitude (uV) signal often affected by powerline interference (PLI) and other distortions generated by non-idealities of the acquisition system, a preprocessing clean-up strategy able to facilitate the development of any downstream classifier has been delineated. This included the development of a novel signal regridding method that exploits the presence of PLI for correcting the distortions caused by the sampling jitter of the acquisition system. Secondly, two different classification strategies to decode naturally evoked sensory peripheral nerve responses have been evaluated. The first one is based on spiking neural networks (SNN), a novel class of artificial neural networks inspired by the information processing solutions of the biological neurons which seems to be promising for the classification of temporal patterns in stochastic signals. The second one is based on convolutional neural networks (CNN), which are the state-of-the-art classifiers for structured two-dimensional data and thus allow performance comparisons. The classifiers were trained to separate 10 different types of mechanical stimuli applied on the hind paw of rat animal models. Results demonstrated the feasibility of applying SNNs for the classification of naturally evoked ENG. Even if the SNN performed slightly worse than the CNN on this problem, postprocessing considerations suggested that spiking neurons may have high computational capabilities while the lower performance may be ascribable to the inefficiency of the algorithms currently available to train SNNs. These findings pave the way for future studies on ENG classification using SNNs.

Quando si verifica una lesione di un nervo periferico, le funzionalità motorie e sensoriali relative alle zone innervate dalle fibre nervose danneggiate possono essere parzialmente o totalmente perse, causando un consistente deterioramento della qualità della vita di un individuo. Per questo motivo, negli ultimi anni sono stati condotti notevoli sforzi per lo sviluppo di protesi neurali che possano bypassare il sito della lesione e ripristinare il flusso di informazioni dal sistema nervoso centrale a quello periferico e viceversa. Sebbene siano stati raggiunti risultati interessanti per quanto riguarda l'attivazione nervosa in modalità open-loop degli arti inferiori e il controllo dei movimenti delle mani, incorporare i feedback sensoriali nei dispositivi protesici neurali rimane una sfida. A questo proposito, in letteratura sono state indagate numerose tecniche per la decodifica dell'informazione sensoriale afferente registrata in un nervo periferico, tuttavia, una strategia adeguata per la classificazione di questo tipo di segnali deve ancora essere stabilita e il campo di esplorazione rimane ampio. In questo contesto, i contributi del presente lavoro sono stati duplici. In primo luogo, poiché i segnali elettroneurografici (ENG) hanno ampiezza limitata (uV) e sono spesso sporcati dal rumore di linea e da distorsioni generate dalle non-idealità del sistema di acquisizione, è stata delineata una strategia di ripulitura/preprocessing in grado di facilitare il successivo sviluppo di un algoritmo di classificazione. Ciò comprende lo sviluppo di un nuovo metodo di regridding del segnale che sfrutta la presenza del rumore di linea per correggere le distorsioni causate dal jitter dell’oscillatore presente nel sistema di acquisizione dei dati. In secondo luogo, sono state valutate due diverse strategie di classificazione con l’obiettivo di decodificare le risposte evocate naturali dei nervi periferici sensoriali. La prima strategia prevede l’utilizzo di spiking neural networks (SNN), una tipologia innovativa di artificial neural networks che è ritenuta particolarmente adatta alla classificazione dei pattern temporali contenuti in segnali stocastici poiché si ispira alle modalità di trasmissione ed elaborazione di informazioni dei neuroni biologici. La seconda strategia prevede l’utilizzo di convolutional neural networks (CNN), le quali costituendo lo stato dell’arte attuale per la classificazione di strutture dati bidimensionali ordinate (come nel caso di multivariate time-series), hanno fornito un termine di paragone. I classificatori sono stati trainati con il fine di separare 10 diverse classi di stimoli meccanici applicate alla zampa posteriore di un ratto. I risultati ottenuti hanno dimostrato la fattibilità di applicare le SNN su segnali ENG naturali. La performance dell'SNN è risultata leggermente inferiore rispetto a quella della CNN, tuttavia, alcune considerazioni ricavate dal post-processing dei risultati hanno suggerito che i neuroni artificiali di tipo spiking potrebbero essere computazionalmente più potenti, e che le prestazioni inferiori potrebbe essere ascrivibili all'inefficienza degli algoritmi per il training di SNN attualmente disponibili. I risultati ottenuti in questo lavoro spianano la strada a futuri studi riguardanti la classificazione di segnali ENG utilizzando SNN.