RU2772637C2

RU2772637C2 - Restoration of the sensorimotor function using a neuroprosthetic system and method for implementation thereof

Info

Publication number: RU2772637C2
Application number: RU2020135886A
Authority: RU
Inventors: Игорь Александрович Лавров; Максим Олегович Таланов; Александр Сергеевич Тощев; Андрей Павлович Купцов
Original assignee: Игорь Александрович Лавров; Максим Олегович Таланов; Александр Сергеевич Тощев; Андрей Павлович Купцов
Filing date: 2020-11-02
Publication date: 2022-05-23

Abstract

FIELD: medicine.

SUBSTANCE: invention relates to medicine, namely, to a neuromorphic prosthetic system for facilitating the sensorimotor function in persons in need thereof. The system includes multiple stimulators with one or more channels configured so as to be potentially placed on various parts of the body of the patient for electrical stimulation: muscle groups, peripheral nerves, nerve plexuses, and/or the spinal cord. The system also includes multiple sensors configured to detect and transmit data of continuous or cyclic body weight distribution, angular movements of joints, and/or electrophysiological parameters, and multiple controllers configured to receive combined data from the multiple sensors. The controllers are also configured to process and transmit the combined data to an apparatus implementing an MEP-based artificial neural circuit. The apparatus of an artificial neural circuit is configured to implement and recreate the topology of the central pattern generator. The apparatus of an artificial neural circuit is configured to apply a biorealistic neural topology to generate a motor function pattern and coordinates the application of electrical signals through the multiple stimulators to the subject in need thereof, thus implementing the motor function pattern.

EFFECT: possibility of restoring the sensorimotor function in patients.

21 cl, 12 dwg

Description

Уровень техникиState of the art

[0001] Настоящее изобретение относится к системам активации сенсомоторной функции. Настоящее изобретение является системой для восстановления нарушенной локомоции после травмы спинного мозга и базируется на оценке в реальном времени функциональных моторных вызванных потенциалов (фМВП) и так же восстановленной топологии нейронного контура, а также включает метод воссоздания топологии нейронного контура.[0001] The present invention relates to activation systems for sensorimotor function. The present invention is a system for restoring impaired locomotion after a spinal cord injury and is based on real-time assessment of functional motor evoked potentials (fMEPs) and also reconstructed neuronal circuit topology, and also includes a method for reconstructing the neural circuit topology.

[0002] Травма спинного мозга (ТСМ), травма головного мозга, инсульт и другие неврологические заболевания прерывают связь между спинным мозгом и оставшейся частью тела, тем самым, влияя на произвольный контроль над функциями ниже уровня травмы. В исследованиях на других животных и людях было показано, что эпидуральная и/или интраспинальная электрическая стимуляция позволяет активировать спинномозговые локомоторные сети после ТСМ. Например, эпидуральная электрическая стимуляция (ЭЭС) восстанавливает скоординированную двигательную активность у животных после ТСМ и отдельные движения ног у лиц с двигательным параличом.[0002] Spinal cord injury (SCI), brain injury, stroke, and other neurological diseases interrupt communication between the spinal cord and the rest of the body, thereby affecting voluntary control of functions below the level of injury. In other animal and human studies, epidural and/or intraspinal electrical stimulation has been shown to activate spinal locomotor networks after SCI. For example, epidural electrical stimulation (EES) restores coordinated motor activity in animals after SCI and individual leg movements in individuals with motor paralysis.

[0003] Ранее было продемонстрировано, что структура спинного мозга включает в себя несколько микроконтуров. Эти микроконтуры обрабатывают сенсорную информацию, возникающую в ходе движения конечностей, и выходы из различных областей головного мозга для порождения локомоторных ответов и координации сложных двигательных паттернов. Схема формирования паттерна, отвечающего за ритмические двигательные выходы, такие как локомоция, предположительно включает множество ядер с взаимным ингибированием, генерирующим циклическую тормозную и/или возбуждающую активность. Ранее было показано, что использование симуляции учтойчивах паттернов центральной нервной системы (мотивов) микроконтуров способствует развитию технических решений для нейромодуляции на различных уровнях центральной нервной системы (ЦНС). В частности, реализация мотивов микроконтуров, ответственных за локомоцию, в системе нейропротезирования для компенсации утраченной моторной функции, может привести к восстановлению двигательных функций у пациентов с ТСМ.[0003] Previously it was demonstrated that the structure of the spinal cord includes several microcircuits. These microcircuits process sensory information from limb movement and output from various areas of the brain to generate locomotor responses and coordinate complex movement patterns. The scheme of pattern formation responsible for rhythmic motor outputs, such as locomotion, presumably includes many nuclei with mutual inhibition generating cyclic inhibitory and/or excitatory activity. Previously, it was shown that the use of simulation of responsive patterns of the central nervous system (motives) of microcircuits contributes to the development of technical solutions for neuromodulation at various levels of the central nervous system (CNS). In particular, the implementation of motifs of microcircuits responsible for locomotion in the system of neuroprosthetics to compensate for the lost motor function can lead to the restoration of motor functions in patients with SCI.

Сущность изобретенияThe essence of the invention

[0004] Настоящее изобретение представляет нейроморфную систему протезирования, для восстановления сенсомоторной функции у лиц, нуждающихся в этом. Система включает множество стимуляторов, имеющих 1 или более каналов, для расположения в различных местах на теле пациента для обеспечения скоординированной электрической стимуляции групп мышц, периферических нервов, нервных сплетений и стимуляции спинного мозга. Кроме этого система имеет множество датчиков, установленных для обнаружения и передачи непрерывного или циклического распределения веса тела, угловых движений суставов, кинетики и электрофизиологических параметров. В дополнение, система включает контроллеры, настроенные для получения данных с множества датчиков и сконфигурированные для обработки собранных данных и передачи их на устройство, реализующее искусственный нейронный контур на основании фМВП. Устройство, реализующее искусственный нейронный контур на основании фМВП, сконфигурировано для реализации воссоздания топологии центрального генератора упорядоченной активности (ЦГУА). Устройство, реализующее искусственный нейронный контур на основании фМВП, использует биореалистичную топологию для генерации паттерна двигательной функции и координирует применение электрических сигналов через множество биосовместимых стимуляторов, к субъекту, нуждающемуся в этом, для реализации паттерна моторной функции.[0004] The present invention provides a neuromorphic prosthetic system for restoring sensorimotor function in individuals in need thereof. The system includes a plurality of stimulators having 1 or more channels for placement at various locations on the patient's body to provide coordinated electrical stimulation of muscle groups, peripheral nerves, nerve plexuses, and spinal cord stimulation. In addition, the system has a plurality of sensors installed to detect and report continuous or cyclic distribution of body weight, joint angular movements, kinetics and electrophysiological parameters. In addition, the system includes controllers configured to receive data from a plurality of sensors and configured to process the collected data and transmit it to a device that implements an artificial neural circuit based on fMVP. A device that implements an artificial neural circuit based on fMTP is configured to implement the topology reconstruction of the central generator of ordered activity (CGUA). An fMVP-based artificial neural circuit device uses a biorealistic topology to generate a motor function pattern and coordinates the application of electrical signals through a variety of biocompatible stimuli to a subject in need to implement the motor function pattern.

[0005] Настоящее изобретение описывает способ активации моторной функции в конечностях, на нескольких уровнях, таких как мышцы, периферические нервы, нервные сплетения и центрального контура на уровне спинного мозга субъекта, нуждающегося в этом. Способ включает множество стимуляторов, имеющих 1 или более каналов, для размещения в различных местах на теле субъекта для обеспечения скоординированной электрической стимуляции групп мышц, периферических нервов, нервных сплетений и стимуляции спинного мозга электростимуляцией для множественной целевой иннервации. Способ дополнительно включает множество датчиков, настроенных для обнаружения и передачи непрерывного или циклического распределения веса тела, угловых движений суставов, кинетики и электрофизиологических параметров. В дополнение, способ включает контроллеры, настроенные для получения данных с множества датчиков, обработки собранных данных и передачи собранных данных устройству, реализующему искусственный нейронный контур на основании фМВП; устройство, реализующее искусственный нейронный контур на основании фМВП, сконфигурировано для реализации воссоздания топологии центрального генератора упорядоченной активности (ЦГУА). Далее, способ включает стимуляцию субъекта, нуждающегося в этом, для выполнения двигательной функции через электрические сигналы, передаваемые множеством стимуляторов субъекту. Устройство, реализующее искусственный нейронный контур на основании фМВП, применяет биореалистичную нейронную топологию для паттерна моторной функции и координирования применения электрических сигналов.[0005] The present invention describes a method for activating motor function in the limbs, at several levels, such as muscles, peripheral nerves, nerve plexuses, and a central circuit at the level of the spinal cord of a subject in need thereof. The method includes a plurality of stimulators having 1 or more channels for placement at various locations on the subject's body to provide coordinated electrical stimulation of muscle groups, peripheral nerves, nerve plexuses, and stimulation of the spinal cord with electrical stimulation for multiple target innervation. The method further includes a plurality of sensors configured to detect and report continuous or cyclic body weight distribution, joint angular movements, kinetics, and electrophysiological parameters. In addition, the method includes controllers configured to receive data from a plurality of sensors, process the collected data, and transmit the collected data to a device that implements an artificial neural circuit based on fMVP; a device that implements an artificial neural circuit based on fMVP is configured to implement the topology reconstruction of the central ordered activity generator (CGAG). Further, the method includes stimulating a subject in need thereof to perform a motor function via electrical signals transmitted by a plurality of stimulators to the subject. An fMVP-based artificial neural circuit device uses biorealistic neural topology to pattern motor function and coordinate the application of electrical signals.

[0006] Настоящее изобретение обеспечивает способ воссоздания нейронной топологии, отвечающей за активацию моторной функции в конечностях и основанной на оценке функциональных моторных вызванных потенциалов. Способ включает обнаружение паттерна нейронного ответа в соответствии с входными стимуляционными параметрами, анализ паттерна нейронного ответа для выделения стабильного паттерна, стабильный паттерн нейронного ответа определяется на основе множества пиков, каждый пик имеет максимальное и минимальное значения, амплитуду и время. Способ дополнительно включает оценку топологии нейронной цепи с помощью сравнения паттена нейронного ответа с известным биологическим нейронным ответом, который формирует выходной сигнал для активации моторной функции в конечностях.[0006] The present invention provides a method for recreating the neuronal topology responsible for the activation of motor function in the limbs and based on the assessment of functional motor evoked potentials. The method includes detecting a neural response pattern in accordance with input stimulation parameters, analyzing the neural response pattern to isolate a stable pattern, a stable neural response pattern is determined based on a plurality of peaks, each peak has a maximum and minimum values, amplitude and time. The method further includes evaluating the neural circuit topology by comparing the neural response pattern with a known biological neural response that generates an output signal for activation of motor function in the limbs.

[0007] В настоящем изобретении, осцилляторный мотив (ОМ) используется для генерации паттерна нейронного ответа, где ОМ включает компонент взаимного возбуждения и компонент ингибирующей обратной связи.[0007] In the present invention, an oscillatory motif (OM) is used to generate a neural response pattern, where the OM includes a mutual excitation component and an inhibitory feedback component.

[0008] В настоящем изобретении, модель многоуровневой спинномозговой локомоторной сети (мСЛС) используется для генерации паттерна нейронного ответа, мСЛС включает моносинаптический и полисинаптический слои.[0008] In the present invention, a multilayer spinal locomotor network (mSLN) model is used to generate a neural response pattern, mSLN includes monosynaptic and polysynaptic layers.

Краткое описание чертежейBrief description of the drawings

[0009] Для понимания изобретения в подробном описании, кратко изложенном выше, будут раскрыты частные варианты реализации, изображенные на прилагаемых чертежах. Данные чертежи изображают только типовые варианты реализации изобретения, поэтому их не следует считать ограничивающими сферу его применения, частные варианты реализации изобретения будут описаны и объяснены с дополнительной конкретикой и детализацией с помощью использования прилагаемых чертежей.[0009] In order to understand the invention, in the detailed description summarized above, the particular embodiments shown in the accompanying drawings will be disclosed. These drawings represent only exemplary embodiments of the invention and are therefore not to be considered as limiting the scope of its application, particular embodiments of the invention will be described and explained with additional specificity and detail using the accompanying drawings.

[0010] Фиг. 1(A) - 1(C) изображают осцилляторный мотив (ОМ) в соответствии с вариантом реализации изобретения;[0010] FIG. 1(A) - 1(C) depict an oscillatory motif (OM) in accordance with an embodiment of the invention;

[0011] Фиг. 2 изображает модель многоуровневой спинномозговой локомоторной сети (мСЛС) в соответствии с вариантом реализации изобретения;[0011] FIG. 2 depicts a model of a multilevel spinal locomotor network (mSLN) in accordance with an embodiment of the invention;

[0012] Фиг. 3 изображает миограммы паттернов функциональных моторных вызванных потенциалов (фМВП) в ответ на импульсы эпидуральной электрической стимуляции для мышцы-разгибателя (камбаловидной мышцы) и мышцы-сгибателя (передней большеберцовой мышцы) в соответствии с вариантом реализации изобретения;[0012] FIG. 3 depicts myograms of functional motor evoked potential (fMEP) patterns in response to epidural electrical stimulation pulses for the extensor (soleus) and flexor (tibialis anterior) muscles in accordance with an embodiment of the invention;

[0013] Фиг. 4 изображает обнаруженный паттерн нейронного ответа на основе концепции пиков в соответствии с вариантом реализации изобретения;[0013] FIG. 4 depicts the detected neural response pattern based on the concept of spikes in accordance with an embodiment of the invention;

[0014] Фиг. 5 изображает паттерн полисинаптических фМВП, имеющих пирамидальную природу плотности пиков, в соответствии с вариантом реализации изобретения;[0014] FIG. 5 depicts a pattern of polysynaptic fMVPs having a pyramidal nature of peak density, in accordance with an embodiment of the invention;

[0015] Фиг. 6 иллюстрирует задержку, определяемую как время (расстояние) между моно- и полисинаптическими фМВП в соответствии с вариантом реализации изобретения;[0015] FIG. 6 illustrates latency, defined as the time (distance) between mono- and polysynaptic fMVPs, in accordance with an embodiment of the invention;

[0016] Фиг. 7 изображает нейроморфную систему протезирования в соответствии с вариантом реализации изобретения;[0016] FIG. 7 depicts a neuromorphic prosthetic system in accordance with an embodiment of the invention;

[0017] Фиг. 8 изображает цифровую нейроморфную систему протезирования в соответствии с вариантом реализации изобретения;[0017] FIG. 8 depicts a digital neuromorphic prosthetic system in accordance with an embodiment of the invention;

[0018] Фиг. 9 изображает спайковую (аналоговую) нейроморфную систему протезирования в соответствии с вариантом реализации изобретения;[0018] FIG. 9 depicts a spiked (analogue) neuromorphic prosthetic system in accordance with an embodiment of the invention;

[0019] Фиг. 10 иллюстрирует разнообразие спайковой активности в соответствии с вариантом реализации изобретения;[0019] FIG. 10 illustrates the variety of spike activity in accordance with an embodiment of the invention;

[0020] Фиг. 11 иллюстрирует форму спайка в (a1) модели Ижикевича, (a2) «интегрировать-и-сработать» с утечками (a3) упрощенный цифровой нерон, и[0020] FIG. 11 illustrates the spike shape in (a1) the Izhikevich model, (a2) integrate-and-work with leaks, (a3) simplified digital neron, and

[0021] Фиг. 12 изображает упрощённую цифровую модель нейрона в соответствии с вариантом реализации изобретения.[0021] FIG. 12 depicts a simplified digital model of a neuron in accordance with an embodiment of the invention.

Подпробное описаниеSubtest description

[0022] Ссылка на “конкретный вариант реализации” или аналогичное выражение в описании означает, что специфические свойства, структуры или характеристики, указанные в конкретных вариантах реализации, включены как минимум в один вариант реализации настоящего изобретения. Следовательно, словосочетание “конкретный вариант реализации” или аналогичное выражение в описании не обязательно ссылается на один и тот же конкретный вариант реализации.[0022] Reference to a "specific implementation" or similar expression in the description means that the specific properties, structures, or characteristics specified in specific implementations are included in at least one implementation of the present invention. Therefore, the phrase "specific implementation" or a similar expression in the description does not necessarily refer to the same specific implementation.

[0023] В дальнейшем, различные варианты реализации настоящего изобретения будут описаны более детально со ссылками на прилагаемые чертежи. Тем не менее, следует понимать, что настоящее изобретение может быть модифицировано специалистами в данной области в соответствие с нижеследующим описанием для достижения превосходных результатов настоящего изобретения. Поэтому нижеследующее описание должно рассматриваться как всеобъемлющее и пояснительное описание, связанное с настоящим изобретением, для специалистов в данной области, не предназначенное для ограничения формулы настоящего изобретения.[0023] In the following, various embodiments of the present invention will be described in more detail with reference to the accompanying drawings. However, it should be understood that the present invention may be modified by those skilled in the art as described below to achieve the excellent results of the present invention. Therefore, the following description should be considered as a comprehensive and explanatory description in connection with the present invention for those skilled in the art, not intended to limit the claims of the present invention.

[0024] Ссылка на “вариант реализации”, “определённый вариант реализации” или аналогичное выражение в описании означает, что связанные свойства, структуры или характеристики, описанные в варианте реализации, включены как минимум в один вариант реализации настоящего изобретения. Следовательно, словосочетания “в варианте реализации”, “в определённом варианте реализации” или аналогичные выражения в данном описании не обязательно ссылаются на один и тот же конкретный вариант реализации.[0024] Reference to “an implementation option”, “a specific implementation option”, or a similar expression in the description means that the related properties, structures, or characteristics described in the implementation option are included in at least one implementation of the present invention. Therefore, the phrases “in an embodiment”, “in a particular embodiment”, or similar expressions in this specification do not necessarily refer to the same particular embodiment.

[0025] Система для восстановления локомоции, повреждённой вследствие травмы спинного мозга (ТСМ) основана на воссоздании топологии нейронного контура, обеспечивающего её. Структура спинного мозга включает различные нейронные микроконтуры. Эти нейронные микроконтуры обрабатывают сенсорную информацию, например, возникающую вследствие движения конечностей, и входы из различных областей головного мозга для генерации локомоторных ответов. Формирование паттерна двигательной активности производится набором ядер, обычно с взаимными ингибирующими и циклическими ингибирующими и /или возбуждающими проекциями и активностью. Воссоздание и/или симуляция мотивов нейронных микроконтуров может способствовать развитию нейромодуляционных решений для восстановления локомоторного контроля у пациентов с ТСМ.[0025] The system for restoring locomotion damaged due to spinal cord injury (SCI) is based on recreating the topology of the neural circuit that provides it. The structure of the spinal cord includes various neuronal microcircuits. These neural microcircuits process sensory information, such as that resulting from limb movement, and inputs from various areas of the brain to generate locomotor responses. Patterning of motor activity is produced by a set of nuclei, usually with mutual inhibitory and cyclic inhibitory and/or excitatory projections and activity. Recreation and/or simulation of neuronal microcircuit motifs may contribute to the development of neuromodulation solutions to restore locomotor control in patients with SCI.

[0026] Топология нейронных контуров, отвечающих за генерацию сложных ритмических паттернов, центральный генератор упорядоченной активности (ЦГУА), в значительной степени не определена. Однако было показано, что эпидуральная электрическая стимуляция (ЭЭС) может способствовать сложным движениям у животных с ТСМ и пациентов путём применения сенсорного (например, электрического) воздействия к контурам ЦГУА. Варианты реализации настоящего изобретения предусматривают, что, поскольку топология контуров ЦГУА в основном остаётся неизвестной, основанное на фМВП воссоздание (т.е. реверсивно-инжиниринговый подход) нейронной схемы ЦГУА спинного мозга, который отвечает за формирование двигательного паттерна, позволяет спроектировать вычислительную модель (in silico), которая может быть реализована на одноплатном компьютере (in cyberico). Полученная в результате вычислительная модель топологии нейронов in silico выполнена в устройстве реализации ЦГУА, которое позволяет генерировать электрические сигналы, совместимые с биологической нейростимуляцией мышц пациента с ТСМ для активации двигательной функции конечностей у таких пациентов.[0026] The topology of the neural circuits responsible for the generation of complex rhythmic patterns, the central generator of ordered activity (CGAG), is largely undefined. However, it has been shown that epidural electrical stimulation (EES) can facilitate complex movements in SCI animals and patients by applying sensory (eg electrical) stimulation to the CGU circuits. Embodiments of the present invention provide that, since the topology of the CGU circuits remains largely unknown, fMVP-based reconstruction (i.e., a reverse engineering approach) of the neural circuitry of the CGU of the spinal cord, which is responsible for the formation of the motor pattern, allows you to design a computational model (in silico), which can be implemented on a single board computer (in cyberico). The resulting in silico neuronal topology computational model is implemented in a CGUA implementation device that allows generating electrical signals compatible with biological neurostimulation of the muscles of a patient with SCI to activate the motor function of the limbs in such patients.

[0027] С целью воссоздания нейронной топологии, отвечающей за двигательный паттерн у пациента с ТСМ, в соответствии с вариантом реализации настоящего изобретения паттерн нейронного ответа определён на основе известных входов (т.е. сенсорной модуляции и параметров стимуляции) и электрофизиологических выходов в корреляции со специфическим паттерном. Затем паттерн нейронного ответа анализируется в зависимости от времени и амплитуды модуляции ответов. На основе анализа паттерна нейронного ответа воссоздаётся топология нейронного микроконтура. Топология нейронного микроконтура затем реализуется в схеме формирования паттерна, который может генерировать электрический сигнал, совместимый с биологической нейронной стимуляцией для активации моторной функции конечности.[0027] In order to recreate the neural topology responsible for the motor pattern in a patient with SCI, in accordance with an embodiment of the present invention, the neural response pattern is determined based on known inputs (i.e., sensory modulation and stimulation parameters) and electrophysiological outputs in correlation with specific pattern. The neural response pattern is then analyzed as a function of the timing and amplitude of response modulation. Based on the analysis of the neural response pattern, the topology of the neural microcircuit is recreated. The topology of the neural microcircuit is then implemented in a patterning circuit that can generate an electrical signal compatible with biological neural stimulation to activate the motor function of the limb.

Обнаружение паттернов нейронных ответов в корреляции с входной стимуляциеDetection of patterns of neural responses in correlation with input stimulation

[0028] В соответствии с вариантом реализации настоящего изобретения паттерн нейронного ответа определяется на основе известных или частично известных параметров стимуляции, таких как амплитуда, частота и скважность изолированного нейронного контура. Нижеследующие модели in vivo могут быть использованы для того чтобы вызвать двигательные ответы: AIR (т.е. биологическая модель, при которой субъект выполняет шаги в воздухе, не касаясь беговой дорожки, с полной поддержкой с помощью системы поддержки веса тела (ПВС), TOE (модель, при которой субъект едва касается беговой дорожки и выполняет шаги), (plantar - биологическая модель, при которой субъект выполняет бипедальный шаг с поддержкой системой ПВС только для обеспечения вертикального положения). В дополнение, биологическая модель с различными скоростями беговой дорожки, модели, которые включают фармакологическое воздействие квипазином (QPZ) и стрихнином (STR), и модели с различной известной эпидуральной стимуляцией могут быть использованы для определения паттернов нейронных ответов. Различные входы и выходы, проанализированы в экспериментальных моделях in vivo, были детально описаны в статье [Islam et al., 2019]. Мы реализовали подход для оценки топологии нейронного контура и функциональной организации, основанной на различных моторных ответах при различных сенсорных входах. Для того, чтобы записать вызванные моторные ответы, может быть использован некоторый известный метод, например, электромиография с помощью размещения проводников на следующих мышцах: большая ягодичная мышца, прямая мышца бедра, четырёхглавая мышца бедра, большеберцовая мышца, камбаловидная мышца и икроножная мышца.[0028] In accordance with an embodiment of the present invention, a neural response pattern is determined based on known or partially known stimulation parameters such as amplitude, frequency, and duty cycle of an isolated neural circuit. The following in vivo models can be used to elicit motor responses: AIR (i.e. a biological model in which the subject steps in the air without touching the treadmill, with full support from a body weight support system (BWS), TOE (model in which the subject barely touches the treadmill and steps), (plantar is a biological model in which the subject performs a bipedal step with the support of the PVA system only to ensure an upright position) In addition, a biological model with different speeds of the treadmill, the models , which include the pharmacological effects of quipazine (QPZ) and strychnine (STR), and models with various known epidural stimulation can be used to determine patterns of neural responses.The various inputs and outputs analyzed in experimental in vivo models have been described in detail in [Islam et al., 2019]. We implemented an approach to evaluate the topology of the neural circuit and onal organization based on different motor responses to different sensory inputs. In order to record evoked motor responses, some known method can be used, such as electromyography by placing wires on the following muscles: gluteus maximus, rectus femoris, quadriceps femoris, tibia, soleus, and gastrocnemius.

[0029] В дальнейшем, вычислительные модели in silico могут быть использованы для обнаружения и симуляции паттернов нейронных ответов для известных входных параметров, например, с помощью симуляторов NEURON, NEST и/или GRAS. В соответствии с одним вариантов реализации модель нейрона Ходжкина-Хаксли может быть использована с помощью симулятора NEURON. См. Hodgkin, A.L., Huxley, A.F.: A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology 117(4), 500, 544 (1952). Также может быть использован симулятор NEST. NEST - это симулятор для моделирования импульсных нейронных контуров, который сосредоточен на динамике, размере и структуре нейронных систем, а не на точном строении отдельного нейрона. См. Jordan, J., Ippen, T., Helias, M., Kitayama, I., Sato, M., Igarashi, J., Diesmann, M., Kunkel, S.: Extremely scalable spiking neuronal network simulation code: From laptops to exascale computers. Frontiers in Neuroinformatics 12, 2 (2018).[0029] Further, in silico computational models can be used to discover and simulate neural response patterns for known inputs, for example, using NEURON, NEST, and/or GRAS simulators. According to one embodiment, the Hodgkin-Huxley neuron model can be used with the NEURON simulator. See Hodgkin, AL, Huxley, AF: A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology 117(4), 500, 544 (1952). The NEST simulator can also be used. NEST is a neural circuit firing simulator that focuses on the dynamics, size, and structure of neural systems rather than the exact structure of an individual neuron. See Jordan, J., Ippen, T., Helias, M., Kitayama, I., Sato, M., Igarashi, J., Diesmann, M., Kunkel, S.: Extremely scalable spiking neuronal network simulation code: From laptops to exascale computers. Frontiers in Neuroinformatics 12, 2 (2018).

[0030] Стимулятор GRAS применяет GPU-обработку био-реалистичного нейронного контура, используя язык программирования C++ и технологию Nvidia CUDA. Более конкретно, симулятор GRAS - это стимулятор нейрональной активности в реальном времени с заданной нейронной топологией. Он может поддерживать 3 различных модели нейрона: (1) Упрощенная модель нейрона работающая в режиме реального времени (см. Leukhin, A., Talanov, M., Suleimanova, A., Toschev, A. & Lavrov, I.: Even simpler real-time model of neuron. Bio-NanoScience 1–4 (2020); (2) модель нейрона Ходжкина-Хаксли (см. Hodgkin, A. L. & Huxley, A. F.: A quantitative description of membrane current and its application to conduction and excitation in nerve. The J. Physiol. 117, 500–544); (3) модель нейрона Ижикевича (см. Izhikevich, E. M. Polychronization: Computation with spikes. Neural Comput. (2006)). Моделирование в GRAS сконцентрировано на полной модели нейронной топологии, в отличие от отдельных нейронов в симуляторе NEST. GRAS также использует GPU-обработку для его вычислений, для повышения уровня эффективности.[0030] The GRAS stimulator employs GPU processing of a bio-realistic neural circuit using the C++ programming language and Nvidia CUDA technology. More specifically, the GRAS simulator is a real-time neuronal activity stimulator with a given neural topology. It can support 3 different neuron models: (1) Real-time simplified neuron model ( see Leukhin, A., Talanov, M., Suleimanova, A., Toschev, A. & Lavrov, I.: Even simpler real -time model of neuron Bio-NanoScience 1–4 (2020) (2) Hodgkin-Huxley neuron model ( see Hodgkin, AL & Huxley, AF: A quantitative description of membrane current and its application to conduction and excitation in nerve The J. Physiol. 117, 500–544 ); Unlike individual neurons in the NEST simulator, GRAS also uses GPU processing for its computations to improve efficiency levels.

[0031] В соответствии с вариантами реализации настоящего изобретения для обнаружения и симуляции паттернов нейронных ответов, может быть использована упрощённая симуляционная модель нейрона (простая модель нейрона работающая в режиме реального времени), которую можно использовать для обработки в реальном времени во встроенном биосовместимом устройстве. Одной из основных проблем биореалистичной нейросимуляции является время вычисления носных нейропротезов, требующих обработки в режиме реального времени топологий из тысяч нейронов и сотен тысяч синапсов на одноплатном компьютере с ограниченным весом. Упрощённая цифровая модель нейрона соответствует следующим требованиям: обработка в реальном времени на одноплатном компьютере, принимая в расчёт только биореалистичные времёна спайков, рефракторных периодов, ингибирующих влияний и основанной на пороговых значениях обработки входных спайков. В соответствии с вариантом реализации настоящего изобретения упрощённая симуляционная модель включает следующие предложения оптимизации кода модели нейрона для обработки в реальном времени большого количества нейронов (тысяча и более) и большого количества (сотни тысяч и более) синапсов: моделируются только двигательные нейроны и интернейроны, а амплитуда спайков не учитывается, но вместо неё используется биореалистичные длительности спайка и рефракторного периода. Для того, чтобы выполнить вычисления в реальном времени, используется следующая упрощённая формула уровня мембранного потенциала:[0031] In accordance with embodiments of the present invention, for detecting and simulating neural response patterns, a simplified neuron simulation model (simple real-time neuron model) can be used, which can be used for real-time processing in an embedded biocompatible device. One of the main problems of biorealistic neurosimulation is the computation time of wearable neuroprostheses, which require real-time processing of topologies of thousands of neurons and hundreds of thousands of synapses on a single-board computer with limited weight. The simplified digital neuron model meets the following requirements: real-time processing on a single-board computer, taking into account only biorealistic spike times, refractory periods, inhibitory effects, and threshold-based processing of input spikes. In accordance with an embodiment of the present invention, the simplified simulation model includes the following proposals for optimizing the neuron model code for real-time processing of a large number of neurons (a thousand or more) and a large number (hundreds of thousands or more) of synapses: only motor neurons and interneurons are modeled, and the amplitude spikes are not taken into account, but biorealistic spike and refractory durations are used instead. In order to perform real-time calculations, the following simplified membrane potential level formula is used:

L= ∑W ± ток утечки+шум, L= ∑W ± leakage current + noise,

где уровень вычисляется как сумма весов проекций (влияния синаптических токов), тока утечки и шума.where the level is calculated as the sum of the projection weights (influence of synaptic currents), leakage current and noise.

[0032] В соответствии с вариантами реализации настоящего изобретения при определении и анализе паттерне нейронного ответа, осцилляторный мотив (ОМ), как показано на фиг.1(A)-1(C), используется в качестве основы (строительных блоков) нейронных цепей и структуры их микроконтуров, найденных, например, в спинном мозге. ОМ включает 4 часто встречающихся мотивов в центральной нервной системе (ЦНС): (i) ингибирующая обратная связь; (ii) ритмичное возбуждение; (iii) расхождение; и (iv) сходимость. Более точно, ОМ состоит из двух функциональных компонентов: (i) взаимного возбуждения (1, 2) (показано на фиг. 1(B)) и (ii) ингибирующей обратной связи (1, 3) (показано на фиг. 1(C)). ОМ может генерировать нейрональную активность разной продолжительности. Длительность нейрональной активности зависит от баланса весов между возбуждающими и ингибирующими ядрами, как показано на фиг. 1(A)-1(C). Входное ядро 1 получает сигналы, например, от афферентов и/или ЭЭС, и запускает взаимное возбуждение со вторым ядром 2. Первое и второе возбуждающие ядра 1, 2 имеют сильные взаимные проекции для выработки выходной активности, завершающейся ингибирующей проекцией из третьего ядра 3, которое имеет слабые проекции к возбуждающим ядрам 1, 2. В дополнение, выходная активность может быть завершена внешним возбуждающим стимулом третьего ядра (как показано на фиг.1A). Другими словами, в соответствии с вариантами реализации настоящего изобретения, ОМ генерирует нейрональную активность с предопределёнными длительностью и амплитудой посредством баланса между ингибирующими и возбуждающими проекциями.[0032] According to embodiments of the present invention, in determining and analyzing a neural response pattern, an oscillatory motif (OM) as shown in FIGS. 1(A)-1(C) is used as the basis (building blocks) of neural circuits and structures of their microcontours found, for example, in the spinal cord. OM includes 4 frequently occurring motifs in the central nervous system (CNS): (i) inhibitory feedback; (ii) rhythmic excitement; (iii) discrepancy; and (iv) convergence. More precisely, OM consists of two functional components: (i) mutual excitation (1, 2) (shown in Fig. 1(B)) and (ii) inhibitory feedback (1, 3) (shown in Fig. 1(C )). OM can generate neuronal activity of varying duration. The duration of neuronal activity depends on the balance of weights between excitatory and inhibitory nuclei, as shown in FIG. 1(A)-1(C). The input nucleus 1 receives signals, for example, from afferents and/or EES, and triggers mutual excitation with the second nucleus 2. The first and second excitatory nuclei 1, 2 have strong mutual projections to generate output activity, culminating in an inhibitory projection from the third nucleus 3, which has weak projections to excitatory nuclei 1, 2. In addition, the output activity can be completed by an external excitatory stimulus of the third nucleus (as shown in Fig. 1A). In other words, in accordance with embodiments of the present invention, OM generates neuronal activity with a predetermined duration and amplitude through a balance between inhibitory and excitatory projections.

[0033] Как показано на фиг. 1(A)-1(C), Ом воспроизводит динамику нейрональной активности функциональных моторных вызванных потенциалов (фМВП). Функциональные МВП могут быть измерены, например, через: (i) задержку после каждого импульса ЭЭС; (ii) длительность; (iii) амплитуду; и (iv) количество пиков между марой максимального и минимального экстремумов (как показано на фиг. 4).[0033] As shown in FIG. 1(A)-1(C), Om reproduces the dynamics of neuronal activity of functional motor evoked potentials (fMEPs). Functional MEPs can be measured, for example, through: (i) the delay after each pulse of the EPS; (ii) duration; (iii) amplitude; and (iv) the number of peaks between the maximum and minimum extreme mara (as shown in Fig. 4).

[0034] Фиг. 2 показывает детальную диаграмму модели многоуровневой спинномозговой локомоторной сети (мСЛС) в соответствии с вариантами реализации настоящего изобретения. В течение шагательных движений генерация фМВП вызывается последовательной активацией моносинаптического и полисинаптического уровней через комплексные входы от кожных вентральных (CV) чувствительных афферентов и импульсов ЭЭС, тем самым усиливая нейронную активность CV с 1 по 5 (как показано на фиг. 2). Многоуровневая СЛЦ включает полисинаптический уровень 20 (связанный с полисинаптическими фМВП) и моносинаптический уровень 30 (связанный с моносинаптическими фМВП). Моносинаптический уровень 30 включает мотонейроны (MN-E, MN-F), афферентные волокна (Iaf-E, Iaf-F), интернейроны, которые связаны с Ia-афферентами, ингибирующие мотонейроны (Ia-E, Ia-F) мышцы-антагониста и клетки Реншоу (R-E, R-F), которые защищают мышцы от сильных сокращений, формируя отрицательную обратную связь. Как показано на фиг. 2, этот уровень возбуждается Ia-афферентами, активирующимися, например, ЭЭС. Полисинаптический уровень 20 формирует полисинаптические ответы, которые обычно длиннее, чем моносинаптические, но имеют меньшие максимальные амплитуды, тем самым создавая сложные нейронные структуры. Полисинаптический уровень 20 состоит из 5 слоёв, показанных на фиг. 2.[0034] FIG. 2 shows a detailed diagram of a multilevel spinal locomotor network (mSLN) model in accordance with embodiments of the present invention. During stepping movements, fMVP generation is induced by successive activation of the monosynaptic and polysynaptic levels through complex inputs from cutaneous ventral (CV) sensory afferents and EES impulses, thereby enhancing the neural activity of CV 1 to 5 (as shown in Fig. 2). Multilevel FLC includes polysynaptic level 20 (associated with polysynaptic fMVPs) and monosynaptic level 30 (associated with monosynaptic fMVPs). Monosynaptic level 30 includes motor neurons (MN-E, MN-F), afferent fibers (Iaf-E, Iaf-F), interneurons that are associated with Ia afferents, inhibitory motor neurons (Ia-E, Ia-F) of the antagonist muscle and Renshaw cells (R-E, R-F), which protect muscles from strong contractions by forming negative feedback. As shown in FIG. 2, this level is excited by Ia-afferents, which are activated, for example, by EES. Polysynaptic level 20 generates polysynaptic responses that are typically longer than monosynaptic responses but have lower maximum amplitudes, thus creating complex neuronal structures. Polysynaptic layer 20 consists of 5 layers shown in FIG. 2.

[0035] Количество слоёв полисинаптического уровня 20 соответствует количеству задержек полисинаптических фМВП. Каждый из 5 слоёв содержит его собственный ОМ (как показано на фиг. 1) и формируется через 2 мотива: взаимное возбуждение (фиг. 1(B)) и ингибирующую обратную связь (фиг. 1(C)), который, в свою очередь, содержит ингибирующее ядро, регулирующее длительность нейрональной активности ОМ и обеспечивающее своевременную генерацию нейронных выходов. То есть полисинаптический уровень 20 включает, как показано на фиг. 2, CV с 1 по 5, ОМ с 1 по 5, возбуждающую (e) и ингибирующую (i) части интернейронального пула: IP-E, IP-F, где верхний регистр буквы E означает ядра мышцы-разгибателя, F - мышцы-сгибателя. Каждый CV представляет собой набор восходящих волокон, которые активируются кожным входом и формирующие базовую активность соответствующего CV, и также активируемые, например, усилением ЭЭС электрической активности волокон и ядер. [0035] The number of layers of the polysynaptic level 20 corresponds to the number of delays of polysynaptic fMVPs. Each of the 5 layers contains its own OM (as shown in Fig. 1) and is formed through 2 motifs: mutual excitation (Fig. 1(B)) and inhibitory feedback (Fig. 1(C)), which in turn , contains an inhibitory core that regulates the duration of OM neuronal activity and ensures timely generation of neuronal outputs. That is, the polysynaptic layer 20 includes, as shown in FIG. 2, CV from 1 to 5, OM from 1 to 5, excitatory ( e ) and inhibitory ( i ) parts of the interneuronal pool: IP-E, IP-F, where the upper case of the letter E means the nuclei of the extensor muscle, F - muscle- flexor. Each CV is a set of ascending fibers that are activated by skin input and form the base activity of the corresponding CV, and are also activated, for example, by increasing the EES of the electrical activity of the fibers and nuclei.

[0036] Повышенная задержка между моносинаптическими и полисинаптическими ответами формируется за счёт ингибирования нижних слоёв верхними слоями (как показано на фиг. 2), возбуждающих проекций на ингибирующее ядро. Более высокие CV с 3 по 5 ингибируют более низкие ОМ с 1 по 3. Каждый слой активируется сенсорными афферентами или кожными вентральными CV с 1 по 5 и/или ЭЭС.[0036] An increased delay between monosynaptic and polysynaptic responses is formed due to the inhibition of the lower layers by the upper layers (as shown in Fig. 2), excitatory projections to the inhibitory nucleus. Higher CVs 3 to 5 inhibit lower OMs 1 to 3. Each layer is activated by sensory afferents or cutaneous ventral CVs 1 to 5 and/or EES.

[0037] Существует 2 модели режима полисинаптического уровня мышцы-разгибателя. Первый режим - это режим стояния, где каждый ОМ активируется совместным воздействием CV с 1 по 5 и ЭЭС. Кожные афференты активируются в зависимости от распределения веса тела от носка к пятке. Во второй модели (режим взмаха) полисинаптический уровень 20 работает последовательно независимо от активации CV, потому что кожный вход (CV) не активируется, когда стопа находится в воздухе. Таким образом, ОМ 1 (показанный на фиг. 2) активируется от ЭЭС и CV 1 другой ноги.[0037] There are 2 models of the mode of the polysynaptic level of the extensor muscle. The first mode is the standing mode, where each OM is activated by the joint action of CV from 1 to 5 and the EPS. Skin afferents are activated depending on the distribution of body weight from toe to heel. In the second model (swing mode), polysynaptic level 20 operates consistently regardless of CV activation because cutaneous input (CV) is not activated when the foot is in the air. Thus, OM 1 (shown in Fig. 2) is activated from the EPS and CV 1 of the other leg.

[0038] Фиг. 3 показывает миограмму паттернов фМВП в ответ на импульсы ЭЭС для мышцы-разгибателя (камбаловидная мышца) и мышцы-сгибателя (передняя большеберцовая мышца) с выраженной задержкой для каждого среза (период между импульсами ЭЭС составляет 40 Гц). Во время режима стояния первый импульс ЭЭС и кожные афференты активирует ОМ 1 посредством нейронных групп CV 1 (как показано на фиг. 2). Это вызывает нейронную активность первого среза (от 13 до 15 миллисекунд (мс)), как показано на фиг. 3. Следующий импульс ЭЭС и вес тела, перенесённый с пятки к носку, активируют группы нейронов CV 1 и CV 2 и вызывают (через проекции CV) активацию Ом 1 и Ом 2, тем самым генерируя расширенные фПМВ с высокими амплитудами на следующем срезе (с 13 до 21 мс). Третий импульс ЭЭС и перенос веса активируют CV 3, что задействует ОМ 2 и позднее Ом 3, которые генерируют длительные фМВП (от 15 до 23 мс) и фМВП (от 0 до 3 мс) на 4-м срезе. CV 3 ингибирует ОМ 1, подающий ингибирующую обратную связь.[0038] FIG. 3 shows a myogram of fMVP patterns in response to EES pulses for the extensor muscle (soleus muscle) and flexor muscle (tibialis anterior muscle) with a pronounced delay for each slice (the period between EES pulses is 40 Hz). During standing mode, the first pulse of EES and skin afferents activates OM 1 via neuronal groups CV 1 (as shown in Fig. 2). This triggers neural activity in the first slice (13 to 15 milliseconds (ms)), as shown in FIG. 3. The next EES impulse and the weight of the body transferred from heel to toe activate groups of neurons CV 1 and CV 2 and cause (through CV projections) the activation of Om 1 and Om 2, thereby generating extended high-amplitude fPMV on the next slice (s 13 to 21 ms). The third EES pulse and weight transfer activate CV 3, which activates OM 2 and later OM 3, which generate long-term fMTP (from 15 to 23 ms) and fMTP (from 0 to 3 ms) on the 4th slice. CV 3 inhibits OM 1, which provides inhibitory feedback.

[0039] Четвёртый и пятый импульсы ЭЭС и переносы веса приближаются к проекциям кожных афферентов носка на CV 4 - ОМ 3 и ОМ 4 (19 мс), что создаёт короткую и интенсивную активность срезов 4 и 5 и срезов 5 и 6 (от 19 до 25 мс и от 0 до 3 мс соответственно) и ингибирует ОМ 1 и ОМ 2. Шестой импульс ЭЭС имеет специальную функцию, которая активирует ОМ 5 с помощью CV 5 совместно с переносом веса на носок и ингибирует ОМ 1 через ОМ 3 (как показано на фиг. 2), тем самым эффективно предотвращая генерацию ими ранних ответов и проецируя короткую нейрональную активность с относительно высокой амплитудой.[0039] The fourth and fifth EES pulses and weight transfers approach the projections of the sock skin afferents on CV 4 - OM 3 and OM 4 (19 ms), which creates short and intense activity of slices 4 and 5 and slices 5 and 6 (from 19 to 25 ms and 0 to 3 ms respectively) and inhibits OM 1 and OM 2. The sixth EES pulse has a special function that activates OM 5 with CV 5 in conjunction with weight transfer to the toe and inhibits OM 1 through OM 3 (as shown in Fig. 2), thereby effectively preventing them from generating early responses and projecting short neuronal activity with a relatively high amplitude.

[0040] Во время режима взмаха, учитывая отсутствие кожного входа, на фиг. 3 показаны 3 задержки, а именно: 17 мс, 12 мс и 20 мс, и длительности - 17 мс, 44 мс и 5 мс. Структура 5-го слоя, изображённая на фиг. 2, порождает паттерн функциональных МВП мышцы-сгибателя, показанный на миограмме фиг. 3. Более точно, первый импульс ЭЭС через CV 1 активирует ОМ первого и второго слоя. Сначала активируется ОМ 1 и 0-й и 1-й возбуждающие ядра ОМ 1 (как показано на фиг. 2) задействуют второе ядро ОМ 2. Это вызывает начало сильной активности фМВП с 17 мс на 7 срезе и пока 3 мс на 8 срезе (показано на фиг. 3TA). Второй импульс ЭЭС активирует CV 2 вместе с CV 1, что эффективно усиливает выходной фМВП с 17 мс до 25 мс среза 8 (показано на фиг. 3TA). Третий и четвёртый импульсы ЭЭС активируют ОМ 3 через CV 3 и CV 4, и ядро 2 третьего ОМ задействует ОМ 4 (как показано на фиг. 2). Эта пара образует длинные и интенсивные фМВП, начинающиеся с 12 мс на 9 срезе до 6 мс на 11 срезе (показано на фиг. 3TA). Затем, 5 импульс ЭЭС задействует CV 5, производит проекцию из ядра 0 ОМ 4 к ядру 0 ОМ 5 и активирует ОМ 5 (как показано на фиг. 2). Это производит нейронные импульсы от 20 до 25 мс на 11 срезе.[0040] During the sweep mode, given the lack of skin entry, in FIG. 3 shows 3 delays, namely: 17 ms, 12 ms and 20 ms, and durations - 17 ms, 44 ms and 5 ms. The structure of the 5th layer, depicted in Fig. 2 generates the pattern of functional MEPs of the flexor muscle shown in the myogram of FIG. 3. More precisely, the first pulse of the EES through CV 1 activates the OM of the first and second layers. First, OM 1 is activated and the 0th and 1st excitatory nuclei of OM 1 (as shown in Fig. 2) activate the second core of OM 2. This causes the onset of strong fMVP activity from 17 ms at slice 7 and until 3 ms at slice 8 ( shown in Fig. 3TA). The second EES pulse activates CV 2 together with CV 1, which effectively amplifies the output fMVP from 17 ms to 25 ms of slice 8 (shown in FIG. 3TA). The third and fourth pulses of the EES activate OM 3 through CV 3 and CV 4, and the core 2 of the third OM activates OM 4 (as shown in Fig. 2). This pair forms long and intense fMVPs starting from 12 ms at slice 9 to 6 ms at slice 11 (shown in Fig. 3TA). Then, the 5th pulse of the EES activates CV 5, makes a projection from the core 0 OM 4 to the core 0 OM 5 and activates OM 5 (as shown in Fig. 2). This produces neural impulses of 20 to 25 ms at slice 11.

[0041] Режим сгибателя организован последовательным способом активации ОМ, когда вторые ядра запускают следующие ОМ (как показано на фиг. 2). Правый IP-E и левый IP-E имеют тормозные пресинаптические проекции, которые ингибируют возбуждающие проекции на вторые ядра ОМ во время режима стояния, который активируется через CV 1-5. Во время режима взмаха эти проекции играют важную роль в формировании паттерна сгибателя.[0041] The flexor mode is organized in a sequential way of activating the OM, when the second cores start the next OM (as shown in Fig. 2). Right IP-E and left IP-E have inhibitory presynaptic projections that inhibit excitatory projections to the second OM nuclei during standing, which is activated via CV 1-5. During swing mode, these projections play an important role in flexor patterning.

[0042] В соответствии с вариантами реализации настоящего изобретения для обнаружения паттерна нейронных ответов на ЭЭС и кожные входы используются 2 основных модели входной стимуляции мСЛС. Главным образом, воздействие кожных входов применяется к моносинаптическому уровню 30, который работает одновременно для правой и левой ноги. Равновесие между правой и левой ногой имеет диагональную природу - когда разгибатель правой ноги активируется в ответ на кожный вход, сгибатель левой ноги также активен. С другой стороны, когда разгибатель левой ноги активен, сгибатель правой ноги активируется, а всё остальное ингибируется.[0042] In accordance with embodiments of the present invention, 2 main models of input stimulation mSLS are used to detect the pattern of neural responses to EES and skin inputs. Mainly, the effect of skin inputs is applied to the monosynaptic level 30, which works simultaneously for the right and left legs. The balance between the right and left leg is of a diagonal nature - when the right leg extensor is activated in response to skin input, the left leg flexor is also active. On the other hand, when the left leg extensor is active, the right leg flexor is activated and everything else is inhibited.

Анализ выявленных паттернов нейронных ответовAnalysis of the identified patterns of neural responses

[0043] В соответствии с вариантом реализации настоящего изобретения анализ выявленного паттерна нейронного ответа описан выше на основе вычисления функциональных моторных вызванных потенциалов (фМВП) и анализа сложных паттернов, произведённых нейронной сетью. В частности, пики рассматриваются как пары экстремумов: сначала максимум, а потом минимум, как это изображено на фиг. 4. Разница (Δ) между максимальным и минимальным значениями есть амплитуда пика, длительность пика=tmin-tmax (как показано на dA фиг. 4). В соответствии с вариантами реализации настоящего изобретения для использования в качестве пика длительность пика должна быть в диапазоне между 0,15 мс и 4 мс и амплитуда должна составлять не менее 3% от максимальной амплитуды фМВП, как показано на фиг. 4. Самые низкие пороги времени и амплитуды могут быть определены путём взятия 15-го и 25-го процентилей всех пиков и сравнения различных порогов времени и амплитуды. Интервалы, указанные здесь, позволяют избежать на миограммах длинных волн, которые не являются пиками или “шумоподобными” пиками.[0043] In accordance with an embodiment of the present invention, the analysis of the detected neural response pattern is described above based on the calculation of functional motor evoked potentials (fMEPs) and analysis of the complex patterns produced by the neural network. In particular, the peaks are considered as pairs of extremes: first the maximum and then the minimum, as shown in Fig. 4. The difference (Δ) between the maximum and minimum values is the peak amplitude, peak duration=tmin-tmax (as shown in dA of FIG. 4). In accordance with embodiments of the present invention, to be used as a peak, the duration of the peak must be in the range between 0.15 ms and 4 ms and the amplitude must be at least 3% of the maximum amplitude of the fMPT, as shown in FIG. 4. The lowest time and amplitude thresholds can be determined by taking the 15th and 25th percentiles of all peaks and comparing different time and amplitude thresholds. The intervals indicated here avoid long waves on the myograms that are not peaks or "noise-like" peaks.

[0044] В соответствии с вариантами реализации настоящего изобретения миограммы анализируют для определения устойчивых паттернов любым подходящим методом, например, ядерная оценка плотности (ЯОП). Как показано на фиг. 3 и 5, использование данных in vivo и in silico из различных моделей, например, AIR, TOE, PLT, QPZ, STR, NEURON и/или GRAS, устойчивый паттерн может быть идентифицирован с определённым количеством пиков, относительной объединённой амплитудой и задержкой.[0044] In accordance with embodiments of the present invention, myograms are analyzed to determine stable patterns by any suitable method, for example, nuclear density assessment (NDA). As shown in FIG. 3 and 5, using in vivo and in silico data from various models such as AIR, TOE, PLT, QPZ, STR, NEURON and/or GRAS, a stable pattern can be identified with a certain number of peaks, relative combined amplitude and latency.

[0045] В соответствии с вариантами реализации настоящего изобретения, данные могут быть валидированы с помощью KDE-теста. В частности, валидация данных in silico с помощью миограмм in vivo требует универсального представления наборов данных. Данные in vivo или пакеты миограмм записываются с биологической модели (животного) во время его движения, что само по себе потенциально создаёт нежелательные артефакты, например, сдвиг нулевой точки, что является неприемлемым в контексте валидации данных in silico, поскольку симуляционные данные не включают его, так как модель in silico не предусматривает сдвига электродов. Чтобы компенсировать сдвиг нулевой точки, собственные векторы PCA могут быть использованы для поворота центральных точек в пакетах миограмм в модели in silico.[0045] In accordance with embodiments of the present invention, data can be validated using a KDE test. In particular, the validation of in silico data with in vivo myograms requires a universal representation of datasets. In vivo data or myogram packets are recorded from a biological model (animal) during its movement, which in itself potentially creates unwanted artifacts, such as zero point shift, which is unacceptable in the context of in silico data validation, since the simulation data does not include it, since the in silico model does not provide for electrode shifting. To compensate for zero point shift, PCA eigenvectors can be used to rotate the center points in the myogram stacks in the in silico model.

[0046] В соответствии с вариантами реализации настоящего изобретения, в свете различной природы полисинаптических и моносинаптических фМВП, могут быть использованы 2 различных способа анализа паттернов нейронных ответов. Во-первых, фМВП указывают на регулярность пиков в диапазоне от 3 мс до 8 мс на каждом срезе данных in vivo и in silico (как показано на фиг. 3). С другой стороны, паттерн полисинаптических фМВП имеет пирамидальную природу плотности пиков, например, в режиме PLT в диапазоне от 8 мс до 25 мс и от 0 мс до 3 мс следующего среза (как показано через KDE и изображено на фиг. 5). Граница между моно- и полисинаптическими фМВП выбрана с помощью анализа плотности пиков, которые не попадают в интервал моносинаптических фМВП, например, в диапазоне от 8 мс до 25 мс.[0046] In accordance with embodiments of the present invention, in light of the different nature of polysynaptic and monosynaptic fMVPs, 2 different methods for analyzing neural response patterns can be used. First, fMPPs indicate peak regularity ranging from 3 ms to 8 ms on each slice of in vivo and in silico data (as shown in FIG. 3). On the other hand, the polysynaptic fMVP pattern has a pyramidal nature of peak density, for example in PLT mode ranging from 8 ms to 25 ms and from 0 ms to 3 ms of the next slice (as shown via KDE and depicted in Fig. 5). The boundary between mono- and polysynaptic fMVPs is selected by analyzing the density of peaks that do not fall within the interval of monosynaptic fMVPs, for example, in the range from 8 ms to 25 ms.

[0047] В дальнейшем задержка между ответами определяет наличие более чем 1 ядра, генерирующего ответы, а её значение определяет число синапсов между активацией каждого ядра из расчёта одной синаптической задержки 2 мс. Число пиков определяет распределение задержек и весов проекций в ядре (как показано на фиг. 5). Разница относительных амплитуд определяет наличие более чем одного ядра с разной нейрональной активностью (как показано на фиг. 5). Длительность ответа скоррелирована с числом пиков и определяет распределение задержек и, если общая длительность больше, чем 1 синаптическая задержка, наличие внутренней топологии ядра с несколькими синаптическими связями.[0047] Further, the delay between responses determines the presence of more than 1 nucleus generating responses, and its value determines the number of synapses between the activation of each nucleus, based on one synaptic delay of 2 ms. The number of peaks determines the distribution of delays and projection weights in the kernel (as shown in FIG. 5). The difference in relative amplitudes determines the presence of more than one nucleus with different neuronal activity (as shown in Fig. 5). The response duration is correlated with the number of peaks and determines the distribution of delays and, if the total duration is greater than 1 synaptic delay, the presence of an internal nuclear topology with several synaptic connections.

[0048] Как показано на фиг. 6, задержка определяется как время (расстояние) между моно- и полисинаптическими фМВП во временном промежутке между 5 мс и 20 мс, где есть наложение с моносинаптическими фМВП, которые имеют место между 3 мс и 8 мс, и гарантированными полисинаптическими фМВП, находящимися между 8 мс и 25 мс. Для определения и измерения общего значения задержки каждого набора фМВП каждой модели in vivo в каждом режиме может быть использована 3D-карта KDE методом сравнения величин ниже пороговой горизонтали. Пороговая горизонталь определяется нижеследующей формулой для моделей QPZ/STR:[0048] As shown in FIG. 6, latency is defined as the time (distance) between mono- and polysynaptic fMVPs in the time span between 5 ms and 20 ms, where there is overlap with monosynaptic fMVPs that occur between 3 ms and 8 ms, and guaranteed polysynaptic fMVPs that are between 8 ms and 25 ms. The KDE 3D map can be used to determine and measure the total delay value of each set of fMVPs of each in vivo model in each mode by comparing values below the threshold horizontal. The threshold horizontal is determined by the following formula for QPZ/STR models:

горизонталь _порог = 2/3 (max+min) horizontal _threshold =2/3(max+min)

и моделей AIR/TOE/PLT:and AIR/TOE/PLT models:

горизонтальhorizontal _{порогthreshold} = 1/2 (max+min), = 1/2 (max + min),

где max есть максимальное значение плотности пиков, а min - минимальное значение плотности пиков в текущем наборе данных фМВП.where max is the maximum peak density value and min is the minimum peak density value in the current fMPT dataset.

[0049] В соответствии с вариантами реализации настоящего изобретения паттерн нейронного ответа может быть в дальнейшем валидирован с учётом низкоуровневых деталей объёма задержек моно- и полисинаптических фМВП между моно- и полисинаптическими фМВП, числом пиков, амплитуд моно- и полисинаптических фМВП, а также формы полисинаптических паттернов (показана на фиг. 3) любым подходящим методом, например, с помощью KDE-теста.[0049] In accordance with embodiments of the present invention, the neural response pattern can be further validated taking into account low-level details of the volume of delays of mono- and polysynaptic fMVPs between mono- and polysynaptic fMVPs, the number of peaks, the amplitudes of mono- and polysynaptic fMVPs, and the shape of polysynaptic patterns (shown in Fig. 3) by any suitable method, for example, using the KDE test.

Воссоздание паттернов/топологии нейронной цепиRecreating Patterns/Topology of a Neural Circuit

[0050] В соответствии с вариантами реализации настоящего изобретения результаты, описанные выше, такие как (i) приближенное число ядер, (ii) приближённые задержки между активацией каждого ядра, (iii) диапазон распределения весов и задержек каждой проекции (синаптической связи) и (iv) типы нейронов для каждого ядра, используются для воссоздания топологии нейронного контура с известными типами нейронов, которые формируют выходной сигнал. В соответствии с вариантами реализации настоящего изобретения для воссоздания топологии нейронного контура могут быть использованы 2 уровня абстракции - высокоуровневая топология и низкоуровневая топология. В частности, высокоуровневая топология ядер учитывает задержку между ответами нейронов, относительную амплитуду и количество пиков каждого ответа. Для воссоздания низкоуровневой топологии определяются продолжительность, совокупная амплитуда и число пиков ответа, распределение весов проекций и латентностей в пределах одной синаптической задержки. Например, если продолжительность превышает 1 синаптическую задержку, предполагается нейронная топология внутри ядра, с учётом числа нейронов на ядро и распределения параметров их связей. Затем, используя время активации ядра с учётом входной активности определяются взаимно возбуждающие проекции ядра. В дополнение, возможно использование кластеризации для определения нейронов, которые производят спайк, в случае высокой частоты дискретизации записи нейрональной активности. При применении упомянутых методов нейронная топология может быть воссоздана с использованием известных мотивов нейронов, например в ЦНС. Топология нейронного микроконтура может быть реализована в устройстве ЦГУА, которое может генерировать электрические сигналы, совместимые с биологической нейронной стимуляцией, для активации двигательной функции конечности.[0050] In accordance with embodiments of the present invention, the results described above, such as (i) the approximate number of nuclei, (ii) the approximate delays between the activation of each nucleus, (iii) the range of distribution of weights and delays of each projection (synaptic connection) and ( iv) the types of neurons for each nucleus are used to recreate the topology of the neural circuit with known types of neurons that form the output signal. In accordance with embodiments of the present invention, 2 levels of abstraction can be used to recreate the topology of a neural circuit - a high-level topology and a low-level topology. In particular, the high-level topology of the nuclei takes into account the delay between neuron responses, the relative amplitude and the number of peaks of each response. To recreate the low-level topology, the duration, total amplitude and number of response peaks, the distribution of projection weights and latencies within one synaptic delay are determined. For example, if the duration exceeds 1 synaptic delay, a neural topology within the nucleus is assumed, taking into account the number of neurons per nucleus and the distribution of their connection parameters. Then, using the activation time of the nucleus, taking into account the input activity, mutually exciting projections of the nucleus are determined. In addition, it is possible to use clustering to determine the neurons that produce a spike in the case of a high sampling rate of the recording of neuronal activity. Using the above methods, the neural topology can be reconstructed using known neuronal motifs, for example in the CNS. The topology of the neural microcircuit can be implemented in a CGU device that can generate electrical signals compatible with biological neural stimulation to activate the motor function of a limb.

[0051] Фиг. 7 иллюстрирует нейроморфную систему протезирования 100. В соответствии с вариантами реализации настоящего изобретения нейроморфная система протезирования 100 сконфигурирована для облегчения ходьбы у пациентов с полной или частичной ТСМ и парализованными ногами. Нейроморфная система протезирования 100 включает для каждой конечности контроллер голеностопа 110 и контроллер бедра 115, устройство ЦГУА 130 и стимуляторы 150. Контроллеры 110, 115 - это устройства обработки данных, которые получают входные данные с датчиков давления 160, которые могут быть расположены на стельке, и с датчиков изгиба 170, которые могут быть расположены вокруг голеностопа и/или колена. Контроллер голеностопа 110 может быть расположен вокруг щиколотки и может передавать данные на контроллер бедра 115. Контроллер бедра 115 осуществляет предобработку данных, полученных из контроллера щиколотки 110, и объединяет данные, полученные из контроллера голеностопа 110, с данными, полученными контроллером бедра 115 от датчиков изгиба 170. Затем контроллер бедра 115 передаёт объединённые данные центральному устройству реализации ЦГУА 130.[0051] FIG. 7 illustrates a neuromorphic prosthetic system 100. In accordance with embodiments of the present invention, the neuromorphic prosthetic system 100 is configured to facilitate walking in patients with complete or partial SCI and paralyzed legs. The neuromorphic prosthetic system 100 includes, for each limb, an ankle controller 110 and a hip controller 115, a GCU device 130, and stimulators 150. Controllers 110, 115 are data processing devices that receive input from pressure sensors 160 that may be located on the insole, and with flexion sensors 170, which may be located around the ankle and/or knee. The ankle controller 110 may be positioned around the ankle and may communicate data to the thigh controller 115. The thigh controller 115 pre-processes the data received from the ankle controller 110 and combines the data received from the ankle controller 110 with the data received by the thigh controller 115 from the flexion sensors. 170. Next, the thigh controller 115 transmits the combined data to the central implementation unit CGUA 130.

[0052] Центральное устройство ЦГУА 130 может быть реализовано как синхронизированный набор одноплатных цифровых компьютеров (например, PINE A 64) (как показано на фиг. 8) или спайковых (аналоговых) схем (как показано на фиг. 9), реализующий центральный генератор упорядоченной активности топологии сегмента спинного мозга или интегральной схемы с той же функциональностью. Устройство ЦГУА 130 реализует биореалистичную топологию генератора паттерна хождения, который способен подавать электрические сигналы, совместимые с биологической нейронной стимуляцией, на мышцы нижних конечностей. Нейронная топология ЦГУА описана детально на фиг. 2 как 2 уровня топологии (моносинаптический и полисинаптический) генератора двигательного паттерна с пятью слоями полисинаптического уровня генератора двигательного паттерна. Устройство ЦГУА 130 может также устанавливать равновесие между парами мышц сгибатель-разгибатель и левой и правой ногами.[0052] The central unit of the GCU 130 can be implemented as a synchronized set of single-board digital computers (for example, PINE A 64) (as shown in Fig. 8) or spike (analog) circuits (as shown in Fig. 9), implementing a central ordered generator topology activity of a segment of the spinal cord or an integrated circuit with the same functionality. The CGUA 130 implements a biorealistic walking pattern generator topology that is capable of delivering electrical signals compatible with biological neural stimulation to the muscles of the lower extremities. The neural topology of the GCU is described in detail in FIG. 2 as 2 topology levels (monosynaptic and polysynaptic) of the motor pattern generator with five layers of the polysynaptic level of the motor pattern generator. The GCU device 130 can also balance the flexor-extensor muscle pairs and the left and right legs.

[0053] Стимуляторы 150 могут включать стимулятор спины 158, стимулятор левого голеностопа 151, стимулятор правого голеностопа 153, стимулятор правого бедра 157 и стимулятор левого бедра 159. Стимуляторы 150 могут быть электродами, размещёнными на мышцах, нервах, сплетениях, или для чрескожной стимуляции спинного мозга. Стимуляторы 150, 250 могут быть одноканальными или многоканальными стимуляторами, предназначенными для стимуляции в соответствии с вариантами реализации настоящего изобретения.[0053] Stimulators 150 may include a back stimulator 158, a left ankle stimulator 151, a right ankle stimulator 153, a right thigh stimulator 157, and a left thigh stimulator 159. The stimulators 150 may be electrodes placed on muscles, nerves, plexuses, or for transcutaneous spinal stimulation. brain. Stimulators 150, 250 may be single-channel or multi-channel stimulators designed to stimulate in accordance with embodiments of the present invention.

[0054] Выход CPG запускает стимуляторы 151, 153, 157, 158, 159, которые иннервируют мышцы нижних конечностей (бедра и стопы) через восходящие нервы или непосредственно, тем самым передавая паттерн ходьбы индивидуально каждой паре мышц сгибатель-разгибатель. Мышцы, в свою очередь, устанавливают баланс веса в направлении движения, что изменяет распределение веса, регистрируемое датчиками давления 160, и углы сгибания суставов, регистрируемые датчиками сгибания 170.[0054] The output of the CPG triggers stimulators 151, 153, 157, 158, 159, which innervate the muscles of the lower extremities (thighs and feet) via the ascending nerves or directly, thereby transmitting the walking pattern individually to each flexor-extensor muscle pair. The muscles, in turn, balance the weight in the direction of motion, which changes the distribution of weight recorded by the pressure sensors 160 and the angles of joint flexion recorded by the flexion sensors 170.

[0055] Система 100 может быть разомкнутой или замкнутой системой обратной связи. В некоторых вариантах реализации контроллеры 110, 115 могут взаимодействовать с внешней вычислительной системой (не показана). Например, на внешней вычислительной системе пользователь может определить программу стимуляции, которая затем может быть загружена на контроллеры 110, 115 или, альтернативно, на центральное устройство реализации CPG 130.[0055] System 100 may be an open-loop or closed-loop system. In some embodiments, controllers 110, 115 may interact with an external computing system (not shown). For example, on an external computer system, the user may define a stimulation program, which may then be downloaded to the controllers 110, 115, or alternatively to the central implementation device CPG 130.

[0056] В соответствии с другим вариантом реализации настоящего изобретения цифровая нейроморфная система протезирования 200 показана на фиг. 8. Цифровая нейроморфная система протезирования 200 включает контроллер голеностопа 210 и контроллер стельки 225, устройство ЦГУА 230, стимулятор 250, датчики давления 260, цифроаналоговый преобразователь (ЦАП) 220 и последовательный порт 240 универсального асинхронного приёмника-передатчика (УАПП). Согласно этому варианту реализации устройство ЦГУА 230 может быть одноплатным компьютером.[0056] In accordance with another embodiment of the present invention, a digital neuromorphic prosthetic system 200 is shown in FIG. 8. The digital neuromorphic prosthetic system 200 includes an ankle controller 210 and an insole controller 225, a CGUA device 230, a stimulator 250, pressure sensors 260, a digital-to-analog converter (DAC) 220, and a universal asynchronous receiver-transmitter (UART) serial port 240. According to this embodiment, the GCU device 230 may be a single board computer.

[0057] При этом входные сигналы формируются через распределение веса “от носка к пятке” и обрабатываются контроллером стельки 225. От контроллера стельки 225 данные датчиков давления передаются через последовательный порт 240 УАПП на центральное устройство генератора паттернов 230 (одноплатный компьютер), где разница весов данных “от носка к пятке” с датчиков используется в качестве входа для устройства реализации ЦГУА 230. Устройство ЦГУА 230 генерирует цифровые локомоторные паттерны в режиме реального времени для мышц задних конечностей и запускает стимулятор 250 через ЦАП 220. То есть ЦАП 220 преобразует электрические сигналы стимуляторов 250 в сигналы тока в безопасном для человека диапазоне стимуляции нервов/мышц, например, от -100 до +100мА.[0057] In this case, the input signals are generated through the toe-to-heel weight distribution and processed by the insole controller 225. From the insole controller 225, pressure sensor data is transmitted through the serial port 240 of the UART to the central device of the pattern generator 230 (single board computer), where the difference in weights The toe-to-heel data from the sensors is used as an input to the implementation device of the GCU 230. The GCU 230 generates real-time digital locomotor patterns for the muscles of the hind limbs and triggers the stimulator 250 through the DAC 220. That is, the DAC 220 converts the electrical signals of the stimulators 250V current signals in the human-safe nerve/muscle stimulation range, e.g. -100 to +100mA.

[0058] В соответствии с ещё одним вариантом реализации настоящего изобретения спайковая (аналоговая) нейроморфная система протезирования показана на фиг. 9. Спайковая (аналоговая) нейроморфная система протезирования включает контроллер голеностопа 310 и контроллер стельки 325, спайковое устройство ЦГУА 330, стимулятор 350, датчики давления 360 и цифроаналоговый преобразователь (ЦАП) 340. [0058] In accordance with another embodiment of the present invention, a spiked (analogue) neuromorphic prosthetic system is shown in FIG. 9. The spike (analogue) neuromorphic prosthetic system includes an ankle controller 310 and an insole controller 325, a CGUA spike device 330, a stimulator 350, pressure sensors 360, and a digital-to-analog converter (DAC) 340.

[0059] При этом входные сигналы формируются через распределение веса “от носка к пятке” и обрабатываются контроллером стельки 325. От контроллера стельки 325 данные датчиков давления передаются на спайковое устройство ЦГУА 330 через ЦАП 340. Спайковое устройство ЦГУА генерирует паттерн хождения с определенной частотой и длительностью, которые соответствуют скорости ходьбы. Паттерн ходьбы генерируется аналоговым устройством ЦГУА 330 и передаётся на стимулятор 350, который иннервирует нисходящие нервы, для активации мышцы.[0059] In this case, the input signals are generated through the distribution of weight "from toe to heel" and processed by the insole controller 325. From the insole controller 325, pressure sensor data is transmitted to the CGUA spike device 330 through the DAC 340. The CGUA spike device generates a walking pattern with a certain frequency and duration corresponding to walking speed. The walking pattern is generated by the CGUA 330 analog device and transmitted to the stimulator 350, which innervates the descending nerves, to activate the muscle.

Пример # 1 (Осцилляторный мотив)Example #1 (Oscillatory motive)

[0060] Краткий обзор [0060] Overview

[0061] Для воссоздания базового контурного мотива более сложных нейронных сетей в центральной нервной системе (ЦНС) вводится новый подход симуляции осцилляторного мотива. Микроконтур осцилляторного мотива строится на основе четырёх частых мотивов в центральной нервной системе: ингибирующей обратной связи, ритмичного возбуждения, дивергенции и конвергенции. Симуляция показывает четыре основных режима генерации нейронной активности с минимальными весами связей между четырьмя ядрами, максимальными весами между ядрами, весами между максимальным и минимальным и участием ингибирующих ядер, которые эффективно подавляют выходную нейрональную активность. Для тестирования осцилляторного мотива сравнением генерируемой активности использовались 2 нейросимулятора - NEURON и GRAS.[0061] To recreate the basic contour motif of more complex neural networks in the central nervous system (CNS), a new oscillatory motif simulation approach is introduced. The microcircuit of the oscillatory motive is built on the basis of four frequent motives in the central nervous system: inhibitory feedback, rhythmic excitation, divergence and convergence. The simulation shows four main modes of generating neuronal activity with minimal weights of connections between four nuclei, maximum weights between nuclei, weights between maximum and minimum, and the participation of inhibitory nuclei that effectively suppress the output neuronal activity. To test the oscillatory motif by comparing the generated activity, 2 neurosimulators were used - NEURON and GRAS.

[0062] Введение [0062] Introduction

[0063] Мы используем одно из возможных решений для воссоздания микроконтура базового осцилляторного мотива (ОМ), которая может быть использована в центральном генераторе упорядоченной активности (ЦГУА) спинного мозга, его обоснование и валидацию через нейросимуляцию с использованием двух симуляторов: NEURON (См. Hines, M., Carnevale, N.: Среда симуляции NEURON., 2nd edn. (2003)); NEST (Jordan, J., Ippen, T., Helias, M., Kitayama, I., Sato, M., Igarashi, J., Diesmann, M., Kunkel, S.: Extremely scalable spiking neuronal network simulation code: From laptops to exascale computers. Frontiers in Neuroinformatics 12, 2 (2018)) и новый симулятор GRAS, запрограммированный на языке C++.[0063] We use one of the possible solutions to recreate the microoutline of the basic oscillatory motif (OM), which can be used in the central generator of ordered activity (CGU) of the spinal cord, its justification and validation through neurosimulation using two simulators: NEURON ( See Hines , M., Carnevale, N.: NEURON simulation environment., 2nd edn. (2003)); NEST (Jordan, J., Ippen, T., Helias, M., Kitayama, I., Sato, M., Igarashi, J., Diesmann, M., Kunkel, S.: Extremely scalable spiking neuronal network simulation code: From laptops to exascale computers Frontiers in Neuroinformatics 12, 2 (2018)) and a new GRAS simulator programmed in C++.

[0064] Обзор мотивов [0064] Review of motives

[0065] Существует несколько работ, посвящённых структуре спинного мозга и описывающих микроконтуры (см. Ampatzis, K., Song, J., Ausborn, J., El Manira, A.: Separate Microcircuit Modules of Distinct V2a Interneurons and Motoneurons Control the Speed of Locomotion. Neuron 83(4), 934{943 (2014)); Chopek, J.W., Nascimento, F., Beato, M., Brownstone, R.M., Zhang, Y.: Subpopulations of Spinal V3 Interneurons Form Focal Modules of Layered Pre-motor Microcircuits. Cell Reports 25(1), 146156.e3 (2018); Deska-Gauthier, D., Zhang, Y.: The functional diversity of spinal interneurons and locomotor control. Current Opinion in Physiology 8, 99-108 (2019)), начиная с базовых исследований, описывающих рефлекторную дугу (см. Ilya A. Rybak, Kimberly J. Dougherty, Natalia A. Shevtsova: Organization of the Mammalian Locomotor CPG: Review of Computational Model and Circuit Architectures Based on Genetically Identifed Spinal Interneurons. eNeuro (2015); Markin, S.N., Klishko, A.N., Shevtsova, N.A., Lemay, M.A., Prilutsky, B.I., Rybak I.A.: Afferent control of locomotor CPG: insights from a simple neuromechanical model: Afferent control of locomotor CPG. Annals of the New York Academy of Sciences 1198(1), 21-34 (2010); Rybak, I.A., Shevtsova, N.A., Lafreniere-Roula, M., McCrea, D.A.: Modelling spinal circuitry involved in locomotor pattern generation: insights from deletions during fictive locomotion. The Journal of physiology 577(2), 617-639 (2006)), до наиболее прогрессивных подходов, включающих многоуровневые модели генераторов ритмических паттернов (см., напр., van den Brand, R., Heutschi, J., Barraud, Q., DiGiovanna, J., Bartholdi, K., Huerlimann, M., Friedli, L., Vollenweider, I., Moraud, E.M., Duis, S., Dominici, N., Micera, S., Musienko, P., Courtine, G.: Restoring Voluntary Control of Locomotion after Paralyzing Spinal Cord Injury. Science 336(6085), 1182-1185 (2012); Capogrosso, M., Wenger, N., Raspopovic, S., Musienko, P., Beauparlant, J., Bassi Luciani, L., Courtine, G., Micera, S.: A Computational Model for Epidural Electrical Stimulation of Spinal Sensorimotor Circuits. Journal of Neuroscience 33(49), 19326-19340 (2013); Moraud, E.M., Capogrosso, M., Formento, E., Wenger, N., DiGiovanna, J., Courtine, G., Micera, S.: Mechanisms Underlying the Neuromodulation of Spinal Circuits for Correcting Gait and Balance Deficits after Spinal Cord Injury. Neuron 89(4), 814-828 (2016); Wagner, F.B., Mignardot, J.B., Go-Mignardot, C.G.L., Demesmaeker, R., Komi, S., Capogrosso, M., Rowald, A., Se_a~nez, I., Caban, M., Pirondini, E., Vat, M., McCracken, L.A., Heimgartner, R., Fodor, I., Watrin, A., Seguin, P., Paoles, E., Keybus, K.V.D., Eberle, G., Schurch, B., Pralong, E., Becce, F., Prior, J., Buse, N., Buschman, R., Neufeld, E., Kuster, N., Carda, S., Zitzewitz, J.v., Delattre, V., Denison, T., Lambert, H., Minassian, K., Bloch, J., Courtine, G.: Targeted neurotechnology restores walking in humans with spinal cord injury. Nature 563(7729), 65 (2018)). Формирование двигательного паттерна исторически было объяснено набором ядер, обычно с взаимным ингибированием или цикличным ингибированием и/или возбуждающими проекциями и активностью (см., напр., Ampatzis, K., Song, J., Ausborn, J., El Manira, A.: Separate Microcircuit Modules of Distinct V2a Interneurons and Motoneurons Control the Speed of Locomotion. Neuron 83(4), 934-943 (2014)); Chopek, J.W., Nascimento, F., Beato, M., Brownstone, R.M., Zhang, Y.: Subpopulations of Spinal V3 Interneurons Form Focal Modules of Layered Pre-motor Microcircuits. Cell Reports 25(1), 146156.e3 (2018)). В то же время структура формирования паттерна и организация микроконтура, применяемого для генерации двигательного паттерна, остаются неизученными (см., напр., Gad, P., Lavrov, I., Shah, P., Zhong, H., Roy, R.R., Edgerton, V.R., Gerasimenko, Y.: Neuromodulation of motor-evoked potentials during stepping in spinal rats. Journal of Neurophysiology 110(6), 1311-1322 (2013)). Повторяющиеся устойчивые мотивы нейронных микроконтуров (см. English, D.F., McKenzie, S., Evans, T., Kim, K., Yoon, E., Buzs_aki, G.:Pyramidal Cell-Interneuron Circuit Architecture and Dynamics in Hippocampal Networks. Neuron 96(2), 505-520 (2017)) найдены в головном и/или спинном мозге (см., напр., Chopek, J.W., Nascimento, F., Beato, M., Brownstone, R.M., Zhang, Y.: Subpopulations of Spinal V3 Interneurons Form Focal Modules of Layered Pre-motor Microcircuits. Cell Reports 25(1), 146156.e3 (2018)). В ходе анализа были использованы следующие критерии: (1) генератор с взаимным возбуждением как минимум двух ядер (2) управление должно осуществляться через третьи ядра, чтобы после периода активности ингибировать нейрональную активность генератора (3) весь мотив должен быть саморегулируемым и самоорганизующимся с помощью обучения пластичности, зависящей от времени спайка (см., напр., van den Brand, R., Heutschi, J., Barraud, Q., DiGiovanna, J., Bartholdi, K., Huerlimann, M., Friedli, L., Vollenweider, I., Moraud, E.M., Duis, S., Dominici, N., Micera, S., Musienko, P., Courtine, G.: Restoring Voluntary Control of Locomotion after Paralyzing Spinal Cord Injury. Science 336 (6085), 1182-1185 (2012)).[0065] There are several works on the structure of the spinal cord and describing microcircuits ( see Ampatzis, K., Song, J., Ausborn, J., El Manira, A.: Separate Microcircuit Modules of Distinct V2a Interneurons and Motoneurons Control the Speed of Locomotion Neuron 83(4), 934{943 (2014)); Chopek, JW, Nascimento, F., Beato, M., Brownstone, RM, Zhang, Y.: Subpopulations of Spinal V3 Interneurons Form Focal Modules of Layered Pre-motor Microcircuits. Cell Reports 25(1), 146156.e3 (2018); Deska-Gauthier, D., Zhang, Y.: The functional diversity of spinal interneurons and locomotor control. Current Opinion in Physiology 8, 99-108 (2019)), starting with basic research describing the reflex arc ( see Ilya A. Rybak, Kimberly J. Dougherty, Natalia A. Shevtsova: Organization of the Mammalian Locomotor CPG: Review of Computational Model and Circuit Architectures Based on Genetically Identified Spinal Interneurons eNeuro (2015) Markin, SN, Klishko, AN, Shevtsova, NA, Lemay, MA, Prilutsky, BI, Rybak IA: Afferent control of locomotor CPG: insights from a simple neuromechanical model: Afferent control of locomotor CPG Annals of the New York Academy of Sciences 1198(1), 21-34 (2010) Rybak, IA, Shevtsova, NA, Lafreniere-Roula, M., McCrea, DA: Modeling spinal circuitry involved in locomotor pattern generation: insights from deletions during fictive locomotion The Journal of physiology 577(2), 617-639 (2006)), to the most advanced approaches involving multilevel models of rhythmic pattern generators ( see e.g. van den Brand, R., Heutschi, J., Barraud, Q., DiG iovanna, J., Bartholdi, K., Huerlimann, M., Friedli, L., Vollenweider, I., Moraud, EM, Duis, S., Dominici, N., Micera, S., Musienko, P., Courtine , G.: Restoring Voluntary Control of Locomotion after Paralyzing Spinal Cord Injury. Science 336(6085), 1182-1185 (2012); Capogrosso, M., Wenger, N., Raspopovic, S., Musienko, P., Beauparlant, J., Bassi Luciani, L., Courtine, G., Micera, S.: A Computational Model for Epidural Electrical Stimulation of Spinal Sensorimotor Circuits. Journal of Neuroscience 33(49), 19326-19340 (2013); Moraud, EM, Capogrosso, M., Formento, E., Wenger, N., DiGiovanna, J., Courtine, G., Micera, S.: Mechanisms Underlying the Neuromodulation of Spinal Circuits for Correcting Gait and Balance Deficits after Spinal Cord injury. Neuron 89(4), 814-828 (2016); Wagner, FB, Mignardot, JB, Go-Mignardot, CGL, Demesmaeker, R., Komi, S., Capogrosso, M., Rowald, A., Se_a~nez, I., Caban, M., Pirondini, E. , Vat, M., McCracken, LA, Heimgartner, R., Fodor, I., Watrin, A., Seguin, P., Paoles, E., Keybus, KVD, Eberle, G., Schurch, B., Pralong , E., Becce, F., Prior, J., Buse, N., Buschman, R., Neufeld, E., Kuster, N., Carda, S., Zitzewitz, Jv, Delattre, V., Denison, T., Lambert, H., Minassian, K., Bloch, J., Courtine, G.: Targeted neurotechnology restores walking in humans with spinal cord injury. Nature 563(7729), 65 (2018)). Motor pattern formation has historically been explained by a set of nuclei, usually with mutual inhibition or cyclical inhibition and/or excitatory projections and activity ( see, e.g., Ampatzis, K., Song, J., Ausborn, J., El Manira, A. : Separate Microcircuit Modules of Distinct V2a Interneurons and Motoneurons Control the Speed of Locomotion Neuron 83(4), 934-943 (2014)); Chopek, JW, Nascimento, F., Beato, M., Brownstone, RM, Zhang, Y.: Subpopulations of Spinal V3 Interneurons Form Focal Modules of Layered Pre-motor Microcircuits. Cell Reports 25(1), 146156.e3 (2018)). At the same time, the structure of pattern formation and the organization of the microcircuit used to generate a motor pattern remain unexplored ( see, for example, Gad, P., Lavrov, I., Shah, P., Zhong, H., Roy, RR, Edgerton, VR, Gerasimenko, Y.: Neuromodulation of motor-evoked potentials during stepping in spinal rats, Journal of Neurophysiology 110(6), 1311-1322 (2013)). Repetitive stable motifs in neuronal microcircuits 96(2), 505-520 (2017)) are found in the brain and/or spinal cord ( see e.g. Chopek, JW, Nascimento, F., Beato, M., Brownstone, RM, Zhang, Y.: Subpopulations of Spinal V3 Interneurons Form Focal Modules of Layered Pre-motor Microcircuits Cell Reports 25(1), 146156.e3 (2018)). The following criteria were used during the analysis: (1) the generator with mutual excitation of at least two nuclei (2) control must be through third nuclei in order to inhibit the neuronal activity of the generator after a period of activity (3) the entire motive must be self-regulating and self-organizing through learning plasticity dependent on spike time Vollenweider, I., Moraud, EM, Duis, S., Dominici, N., Micera, S., Musienko, P., Courtine, G.: Restoring Voluntary Control of Locomotion after Paralyzing Spinal Cord Injury Science 336 (6085) , 1182-1185 (2012)).

[0066] Способ [0066] Method

[0067] Учитывая специфику генерации нейрональной активности, предлагается ключевой низкоуровневый компонент сложной цепи, называемый осцилляторным мотивом (ОМ) (фиг. 1a). Исходный проект был открыт в работах Паза (Paz, J.T., Huguenard, J.R.: Microcircuits and their interactions in epilepsy: is the focus out of focus? Nature Neuroscience 18(3), 35-359 (2015)); Уомелсдорфа (Womelsdorf, T., Valiante, T.A., Sahin, N.T., Miller, K.J., Tiesinga, P.: Dynamic circuit motifs underlying rhythmic gain control, gating and integration. Nature Neuroscience 17(8), 1031-1039 (2014)) и … (English, D.F., McKenzie, S., Evans, T., Kim, K., Yoon, E., Buzs_aki, G.: Pyramidal Cell-Interneuron Circuit Architecture and Dynamics in Hippocampal Networks. Neuron 96(2), 505-520 (2017)) и основан на повторяющемся или ритмическом возбуждении двух ядер (фиг. 1b), ингибирующей обратной связи (фиг. 1c), дивергенции (фиг. 1d) и конвергенции (фиг. 1e). Основная функция ОМ заключается в генерации нейрональной активности в течение заданного периода от 2 мс до 15 мс. С этой целью используется ритмический возбуждающий мотив, который включает 2 ядра с взаимными возбуждающими проекциями (фиг. 1b, ядра 1,2), которые производят расширенную нейрональную активность. Для прекращения активности используются 2 мотива с ингибирующей обратной связью (фиг. 1c, ядра 1,3) со слабыми возбуждающими и сильными ингибирующими проекциями, которые определяют продолжительность нейрональной активности. Входная электрическая активность, указанная стрелкой на ядро 1, вызывает взаимное возбуждение 1 и 2, что обеспечивает выходную нейрональную активность и слабо возбуждает третье ядро. Когда нейроны третьего ядра достигают их порога, эти нейроны сильно тормозят активность первого и второго ядер. Баланс слабых входных проекций и сильных выходных проекций ядра 3 определял длительность выходной нейрональной активности ОМ.[0067] Given the specificity of the generation of neuronal activity, a key low-level component of the complex circuit is proposed, called the oscillatory motif (OM) (Fig. 1a). The original project was opened by Paz (Paz, J.T., Huguenard, J.R.: Microcircuits and their interactions in epilepsy: is the focus out of focus? Nature Neuroscience 18(3), 35-359 (2015)); Womelsdorf, T., Valiante, T.A., Sahin, N.T., Miller, K.J., Tiesinga, P.: Dynamic circuit motifs underlying rhythmic gain control, gating and integration. Nature Neuroscience 17(8), 1031-1039 (2014)) and … (English, D.F., McKenzie, S., Evans, T., Kim, K., Yoon, E., Buzs_aki, G.: Pyramidal Cell-Interneuron Circuit Architecture and Dynamics in Hippocampal Networks. Neuron 96(2), 505-520 (2017)) and is based on repetitive or rhythmic excitation of two nuclei (Fig. 1b), inhibitory feedback (Fig. 1c), divergence (Fig. 1d), and convergence (Fig. 1e). The main function of OM is to generate neuronal activity during a given period from 2 ms to 15 ms. For this purpose, a rhythmic excitatory motif is used, which includes 2 nuclei with mutual excitatory projections (Fig. 1b, nuclei 1,2), which produce extended neuronal activity. To terminate activity, 2 inhibitory feedback motifs are used (Fig. 1c, nuclei 1,3) with weak excitatory and strong inhibitory projections that determine the duration of neuronal activity. The input electrical activity, indicated by the arrow on nucleus 1, causes mutual excitation of 1 and 2, which provides output neuronal activity and weakly excites the third nucleus. When the neurons of the third nucleus reach their threshold, these neurons strongly inhibit the activity of the first and second nuclei. The balance of weak input projections and strong output projections of nucleus 3 determined the duration of output neuronal activity of the OM.

[0068] Результаты [0068] Results

[0069] С помощью нейросимулятора NEURON модель нейрона Ходжкина-Хаксли (см. Hodgkin, A.L., Huxley, A.F.: A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology 117(4), 500-544 (1952)) была использована со следующими параметрами: ёмкость мембраны 1 мкФ/см2, удельное сопротивление 100 Ом/см, натриевые и калиевые каналы использовались с проводимостью 0:2 См/см2 и 0:4 См/см2 (см. Dougherty, K., Kiehn, O.: Firing and Cellular Properties of V2a Interneurons in the Rodent Spinal Cord. The Journal of neuroscience : the official journal of the Society for Neuroscience 30, 24-37 (2010)). Модель является многоуровневой и содержит сому, дендриты и аксон, каждая часть представлена в виде одного уровня. Диаметр сомы нейрона находятся в интервале от 3 мкм до 8 мкм (см. Chen, S., Yang, G., Zhu, Y., Liu, Z., Wang, W., Wei, J., Li, K., Wu, J., Chen, Z., Li, Y., Mu, S., OuYang, L., Lei, W.: A Comparative Study of Three Interneuron Types in the Rat Spinal Cord. PLOS ONE 11(9), e0162969 (2016)). ОМ сочетает 2 типа компонентов: 2 ядра, которые активируют друг друга, генерируя таким образом расширенную активность (фиг. 1b) и 3 ядра, формирующие отрицательную обратную связь (фиг. 1c), а также дивергенцию (фиг. 1d) и конвергенцию (фиг. 1e). Каждое ядро содержит 50 нейронов с синапсами в диапазоне от 30 до 50 для каждой проекции. Баланс между возбуждающими и ингибирующими весами обеспечивает множество спайковой активности (фиг. 10). Ом создаёт последовательность спайков со слабыми ингибирующими проекциями, а также слабыми возбуждающими к третьему ядру (фиг. 10a). Частота выходного сигнала из второго ядра приблизительно равна 120 Гц, пока третье ядро находится в подпороговом состоянии. Активность продолжается 50 мс и не уменьшается. Когда ингибирующие и возбуждающие проекции сильные, нейрональная активность резко сокращается, так как 1 ядро активирует второе, которое порождает 1 выходной сигнал, а третье ядро затем сильно подавляет одновременно оба возбуждающих ядра (показано на фиг. 10b). Число спайков регулируется разницей между возбуждающими и ингибирующими весами, когда связи между возбуждающими ядрами (1 и 2) и 3-м ядром слабые. В то время, когда ингибирующие проекции являются сильными, выходное ядро производит два усредненных пика от 7 мс до 20 мс. Возбуждающие ядра постепенно увеличивают потенциал третьего ядра. Когда он превышает пороговое значение активирует и ингибирует первое и второе ядра (показано на фиг. 10c). Продолжительность выходной нейрональной активности также зависит от внешних сигналов, которые запускают третье ядро. Если вес ингибирующего соединения достаточный, выходная активность останавливается (фиг. 10d).[0069] Using the NEURON neurosimulator, the Hodgkin-Huxley neuron model ( see Hodgkin, AL, Huxley, AF: A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology 117(4), 500- 544 (1952)) was used with the following parameters: membrane capacitance 1 μF/cm2, resistivity 100 Ω/cm, sodium and potassium channels were used with conductivities of 0:2 S/cm2 and 0:4 S/cm2 ( see Dougherty, K., Kiehn, O.: Firing and Cellular Properties of V2a Interneurons in the Rodent Spinal Cord The Journal of neuroscience : the official journal of the Society for Neuroscience 30, 24-37 (2010)). The model is multilevel and contains soma, dendrites and axon, each part is represented as one level. Neuronal soma diameters range from 3 µm to 8 µm ( see Chen, S., Yang, G., Zhu, Y., Liu, Z., Wang, W., Wei, J., Li, K., Wu, J., Chen, Z., Li, Y., Mu, S., OuYang, L., Lei, W.: A Comparative Study of Three Interneuron Types in the Rat Spinal Cord, PLOS ONE 11(9), e0162969 (2016)). OM combines 2 types of components: 2 nuclei that activate each other, thus generating extended activity (Fig. 1b) and 3 nuclei that form negative feedback (Fig. 1c), as well as divergence (Fig. 1d) and convergence (Fig. .1e). Each nucleus contains 50 neurons with synapses ranging from 30 to 50 for each projection. The balance between excitatory and inhibitory weights provides a lot of spike activity (Fig. 10). Om creates a sequence of spikes with weak inhibitory projections as well as weak excitatory ones to the third nucleus (Fig. 10a). The frequency of the output signal from the second core is approximately 120 Hz while the third core is in the subthreshold state. The activity continues for 50ms and does not decrease. When both inhibitory and excitatory projections are strong, neuronal activity is drastically reduced as nucleus 1 activates the second one, which generates 1 output, and the third nucleus then strongly suppresses both excitatory nuclei simultaneously (shown in Fig. 10b). The number of spikes is regulated by the difference between the excitatory and inhibitory weights when the connections between the excitatory nuclei (1 and 2) and the 3rd nucleus are weak. At the time when inhibitory projections are strong, the exit nucleus produces two averaged peaks from 7 ms to 20 ms. The excitatory nuclei gradually increase the potential of the third nucleus. When it exceeds the threshold value, it activates and inhibits the first and second nuclei (shown in Fig. 10c). The duration of output neuronal activity also depends on external signals that trigger the third nucleus. If the weight of the inhibitory compound is sufficient, the output activity is stopped (FIG. 10d).

[0070] Вторая серия экспериментов (фиг. 10 a2, b2, c2, d2) посвящена тестированию ОМ в симуляторе GRAS. GRAS был создан для GPU-обработки биореалистичной нейронной сети с использованием языка программирования C++ и технологии Nvidia CUDA. С помощью нейросимулятора GRAS модель нейрона Ходжкина-Хаксли была использована со следующими параметрами: ёмкость мембраны 1 мкФ/см2, удельное сопротивление 100 Ом/см. Модель представляет собой одно отделение.[0070] The second series of experiments (FIGS. 10 a2, b2, c2, d2) is devoted to testing OM in the GRAS simulator. GRAS was created for GPU processing of a biorealistic neural network using the C++ programming language and Nvidia CUDA technology. Using the GRAS neurosimulator, the Hodgkin-Huxley neuron model was used with the following parameters: membrane capacitance 1 μF/cm2, resistivity 100 Ohm/cm. The model is one branch.

[0071] Третья серия экспериментов (фиг. 10 a3, b3, c3, d3) посвящена тестированию ОМ на нейросимуляторе NEST (см. Jordan, J., Ippen, T., Helias, M., Kitayama, I., Sato, M., Igarashi, J., Diesmann, M., Kunkel, S.: Extremely scalable spiking neuronal network simulation code: From laptops to exascale computers. Frontiers Neuroinformatics 12, 2 (2018)). Модель нейрона Ходжкина-Хаксли использовалась со следующими параметрами: ёмкость мембраны 1 мкФ/см2, удельное сопротивление 100 Ом/см, натриевые и калиевые каналы использовались с проводимостью по умолчанию. Модель представляет собой одно отделение.[0071] The third series of experiments (Fig. 10 a3, b3, c3, d3) is devoted to testing OM on the NEST neurosimulator (see Jordan, J., Ippen, T., Helias, M., Kitayama, I., Sato, M ., Igarashi, J., Diesmann, M., Kunkel, S.: Extremely scalable spiking neuronal network simulation code: From laptops to exascale computers Frontiers Neuroinformatics 12, 2 (2018)). The Hodgkin-Huxley neuron model was used with the following parameters: membrane capacitance 1 μF/cm2, resistivity 100 Ω/cm, sodium and potassium channels were used with default conductance. The model is one branch.

[0072] Обсуждение [0072] Discussion

[0073] Сравнение первого режима со слабыми проекциями между ядрами 1, 2, 3 (фиг. 10 a1, a2) указывает на более низкую синаптическую задержку, используемую в GRAS, и более высокие амплитуды спайков в симуляторе NEURON. Второй режим с самым высоким весом проекций между ядрами 1, 2 и 3 (фиг. 10 b1, b2) показывает более короткие спайки и рефракторные периоды, используемые в GRAS, хотя аналогично с симуляцией в NEURON оба ядра, 1 и 2, производят один спайк перед тем, как третье ядро интенсивно ингибирует их.[0073] Comparison of the first mode with weak projections between nuclei 1, 2, 3 (FIG. 10 a1, a2) indicates the lower synaptic delay used in GRAS and higher spike amplitudes in the NEURON simulator. The second mode with the highest projection weight between nuclei 1, 2, and 3 (Fig. 10 b1, b2) shows the shorter spikes and refractory periods used in GRAS, although similarly to NEURON simulations, both nuclei 1 and 2 produce a single spike. before the third nucleus intensely inhibits them.

[0074] В третьем режиме (фиг. 10 c1, c2), когда веса находятся между первым и вторым режимами симуляции NEURON, ядро 3 генерирует ингибирующую спайковую активность позже, чем аналогичную во втором режиме в GRAS. [0074] In the third mode (FIG. 10 c1, c2), when the weights are between the first and second NEURON simulation modes, core 3 generates inhibitory spike activity later than that in the second mode in GRAS.

[0075] В целом наблюдается высокая схожесть результатов симуляции в NEST и GRAS. Сравнение активности ОМ с низкими весами ядер 1, 2, 3 (фиг. 10 a1, a2, a3) указывает на более высокую частоту спайков 7 для NEST и 7 для GRAS, чем 6 для NEURON, За счёт более короткого рефрактерного периода в течение всей симуляции 50 мс. Самые высокие веса, используемые во втором эксперименте (фиг. 10 b1, b2, b3), показывают что результаты NEST, близкие к симулятору GRAS, с аналогичными равноудаленными спайками в течение 15 мс, что объясняется близкими моделями с относительно меньшим количеством деталей, чем в симуляторе NEURON. Фиг. 10 c1, c2, c3 представляют результаты симуляции ОМ с весами в середине интервала между первым и вторым экспериментами, где наблюдаются короткие серии спайков 2 в NEURON и 3 в NEST, симуляторы NEST с уменьшенной амплитудой в течение 20 мс. Проекция к ядру 3 увеличивает ингибирующее воздействие на ядра 1 и 2 и приводит к низкой амплитуде подпороговой нейрональной активности (фиг. 10 d1, d2, d3).[0075] In general, there is a high similarity of simulation results in NEST and GRAS. Comparison of OM activity with low weights of nuclei 1, 2, 3 (Fig. 10 a1, a2, a3) indicates a higher frequency of spikes 7 for NEST and 7 for GRAS than 6 for NEURON, due to a shorter refractory period throughout simulation 50ms. The highest weights used in the second experiment (Fig. 10 b1, b2, b3) show that the NEST results are close to the GRAS simulator with similar equidistant spikes over 15 ms, which is explained by close models with relatively less detail than in NEURON simulator. Fig. 10 c1, c2, c3 present the results of the OM simulation with weights in the middle of the interval between the first and second experiments, where short series of spikes 2 in NEURON and 3 in NEST are observed, reduced amplitude NEST simulators for 20 ms. Projection to nucleus 3 increases the inhibitory effect on nuclei 1 and 2 and leads to a low amplitude of subthreshold neuronal activity (Fig. 10 d1, d2, d3).

[0076] Заключение [0076] Conclusion

[0077] Данный пример 1 показывает, что ОМ, который является более сложным, чем предыдущие предложенные модели, может быть использован как базовый формирующий блок для сложных нейронных контуров, например, для генератора паттернов млекопитающего. Предложенная организация ОМ, использующая ранее описанные 4 мотива центральной нервной системы: ритмическое возбуждение, ингибирующая обратная связь, дивергенция и конвергенция, была подтверждена данными (см. фиг. 10). Были продемонстрированы результаты биореалистичной симуляции с использованием 3 нейросимуляторов. Результаты симуляции указывают, что предложенный ОМ может быть использован в сетях, отвечающих за генерацию нейрональной активности, т.е. в симуляции локомоции.[0077] This example 1 shows that OM, which is more complex than the previous proposed models, can be used as a basic building block for complex neural circuits, for example, for a mammalian pattern generator. The proposed organization of OM using the previously described 4 central nervous system motifs: rhythmic excitation, inhibitory feedback, divergence and convergence was supported by data (see Fig. 10). The results of biorealistic simulation using 3 neurosimulators were demonstrated. The simulation results indicate that the proposed OM can be used in networks responsible for generating neuronal activity, i.e. in locomotion simulation.

Пример # 2 (Упрощенная модель нейрона для обработки в реальном времени)Example #2 (Simplified neuron model for real-time processing)

[0078] Краткий обзор [0078] Overview

[0079] Данный пример #2 показывает упрощённую модель нейрона для обработки в реальном времени во встроенных биосовместимых устройствах. Биосовместимая модель нейрона включает работы Ижикевича (см. Izhikevich, E.: Simple model of spiking neurons. IEEE Transactions on Neural Networks 14(6), 1569-1572 (2003)) и Розенблатта (см. Rosenblatt, F.: The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review 65(6), 386 (1958)) представляет структурную схему и главные принципы обработки и обучения сигналов. Была валидирована предложенная упрощённая модель нейрона (УЦН), в сравнении с другими близкими к предложенной: интегрировать-и-сработать с утечкой (LIF) и модель Ижикевича. Более того, настоящая упрощённая модель показывает лучшую производительность, чем модели Ижикевича и интегрировать-и-сработать» с утечкой, и биосовместимость с точки зрения временных параметров.[0079] This example #2 shows a simplified neuron model for real-time processing in embedded biocompatible devices. The biocompatible neuron model includes the works of Izhikevich ( see Izhikevich, E.: Simple model of spiking neurons. IEEE Transactions on Neural Networks 14(6), 1569-1572 (2003)) and Rosenblatt ( see Rosenblatt, F.: The perceptron: a probabilistic model for information storage and organization in the brain Psychological review 65(6), 386 (1958)) presents a block diagram and the main principles of signal processing and learning. The proposed Simplified Neuron Model (SLN) was validated against others close to the proposed one: integrate-and-fire with leakage (LIF) and the Izhikevich model. Moreover, the present simplified model shows better performance than Izhikevich and integrate-and-work with leakage, and biocompatibility in terms of temporal parameters.

[0080] Введение [0080] Introduction

[0081] Существует несколько ранее опубликованных моделей нейрона (см., напр., Hodgkin, A.L., Huxley, A.F.: A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology 117(4), 500{544 (1952); McCulloch, W.S., Pitts, W.: A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics 5(4), 115-133 (1943)). База данных моделей нейронов, называемая “model DB” Йельского университета, имеет в настоящее время несколько тысяч опубликованных моделей (см. McDougal, R.A., Morse, T.M., Carnevale, T., Marenco, L., Wang, R., Migliore, M., Miller, P.L., Shepherd, G.M., Hines, M.L.: Twenty years of ModelDB and beyond: building essential modeling tools for the future of neuroscience. Journal of Computational. Neuroscience 42(1), 1-10 (2017)). Одна из критичных проблем биореалистичной нейросимуляции - это время вычисления. Это особенно актуально с учетом того, что основное влияние на время вычислений оказывают синапсы и нейронные модели. Например, автономный робот (см. Lobov, S., Kazantsev, V., Makarov, V.A.: Spiking neurons as universal building blocks for hybrid systems. Advanced Science Letters 22(10), 2633-2637 (2016)) или носимый нейропротез (см., напр., Deska-Gauthier, D., Zhang, Y.: The functional diversity of spinal interneurons and locomotor control. Current Opinion in Physiology 8, 99-108 (2019); Gill, M.L., Grahn, P.J., Calvert, J.S., Linde, M.B., Lavrov, I.A., Strommen, J.A., Beck,L.A., Sayenko, D.G., Straaten, M.G.V., Drubach, D.I., Veith, D.D., Thoreson, A.R., Lopez, C., Gerasimenko, Y.P., Edgerton, V.R., Lee, K.H., Zhao, K.D.: Neuromodulation of lumbosacral spinal networks enables independent stepping after complete paraplegia. Nature Medicine (2018); Wagner, F.B., Mignardot, J.B., Go-Mignardot, C.G.L., Demesmaeker, R., Komi, S., Capogrosso, M., Rowald, A., Senez, I., Caban, M., Pirondini, E., Vat, M., McCracken, L.A., Heimgartner, R., Fodor, I., Watrin, A., Seguin, P., Paoles, E., Keybus, K.V.D., Eberle, G., Schurch, B., Pralong, E., Becce, F., Prior, J., Buse, N., Buschman, R., Neufeld, E., Kuster, N., Carda, S., Zitzewitz, J.v., Delattre, V., Denison, T., Lambert, H., Minassian, K., Bloch, J., Courtine, G.: Targeted neurotechnology restores walking in humans with spinal cord injury. Nature 563(7729), 65 (2018)), требуют обработки в реальном времени топологии из тысяч нейронов и сотен тысяч синапсов на одноплатном компьютере с ограниченным весом и обычно без подключения к сети.[0081] There are several previously published neuron models ( see, e.g., Hodgkin, AL, Huxley, AF: A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology 117(4), 500 {544 (1952) McCulloch, W.S., Pitts, W.: A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics 5(4), 115-133 (1943)). The database of neuron models, called “model DB” of Yale University, currently has several thousand published models (see McDougal, RA, Morse, TM, Carnevale, T., Marenco, L., Wang, R., Migliore, M ., Miller, PL, Shepherd, GM, Hines, ML: Twenty years of ModelDB and beyond: building essential modeling tools for the future of neuroscience, Journal of Computational, Neuroscience 42(1), 1-10 (2017)). One of the critical problems of biorealistic neurosimulation is the computation time. This is especially true given that synapses and neural models have a major impact on computation time. For example, an autonomous robot (see Lobov, S., Kazantsev, V., Makarov, VA: Spiking neurons as universal building blocks for hybrid systems. Advanced Science Letters 22(10), 2633-2637 (2016)) or a wearable neuroprosthesis ( see, e.g., Deska-Gauthier, D., Zhang, Y.: The functional diversity of spinal interneurons and locomotor control Current Opinion in Physiology 8, 99-108 (2019); Gill, ML, Grahn, PJ, Calvert , JS, Linde, MB, Lavrov, IA, Strommen, JA, Beck, LA, Sayenko, DG, Straaten, MGV, Drubach, DI, Veith, DD, Thoreson, AR, Lopez, C., Gerasimenko, YP, Edgerton, VR, Lee, KH, Zhao, KD: Neuromodulation of lumbosacral spinal networks enables independent stepping after complete paraplegia Nature Medicine (2018) Wagner, FB, Mignardot, JB, Go-Mignardot, CGL, Demesmaeker, R., Komi, S ., Capogrosso, M., Rowald, A., Senez, I., Caban, M., Pirondini, E., Vat, M., McCracken, LA, Heimgartner, R., Fodor, I., Watrin, A. , Seguin, P., Paoles, E., Keybus, KVD, Eberle, G., Schurch, B., Pralong, E., Becce, F., Pri or, J., Buse, N., Buschman, R., Neufeld, E., Kuster, N., Carda, S., Zitzewitz, Jv, Delattre, V., Denison, T., Lambert, H., Minassian , K., Bloch, J., Courtine, G.: Targeted neurotechnology restores walking in humans with spinal cord injury. Nature 563(7729), 65 (2018)), require real-time processing of topologies of thousands of neurons and hundreds of thousands of synapses on a single-board computer with limited weight and usually no network connection.

[0082] Сравнение моделей [0082] Model Comparison

[0083] Для сравнения производительности были использованы 3 наиболее близких модели спайкового нейрона: LIF-модель, модель Ижикевича и упрощённый цифровой нейрон (УЦН), предложенный ниже. Три этих модели близки с точки зрения производительности, модель Ижикевича и УЦН специально разработаны для экономии времени вычислений.[0083] To compare performance, the 3 closest spike neuron models were used: the LIF model, the Izhikevich model, and the Simplified Digital Neuron (SDN) proposed below. These three models are close in terms of performance, the Izhikevich model and the UCN are specially designed to save computation time.

[0085] Модель Ижикевича является упрощённой моделью Ходжкина-Хаксли и имеет биореалистичные параметры, такие как время и амплитуда спайка (фиг. 11 a1), но в качестве порогового значения используется максимальная амплитуда спайка. Таким образом, ширина спайка может быть огромной (например, 5 мс) в случае низких весов входных синапсов. В дополнение, модель Ижикевича может работать в разных режимах в зависимости от типа нейрона.[0085] The Izhikevich model is a simplified Hodgkin-Huxley model and has biorealistic parameters such as spike time and amplitude (FIG. 11 a1), but the maximum spike amplitude is used as a threshold. Thus, the spike width can be huge (for example, 5 ms) in case of low input synapse weights. In addition, the Izhikevich model can work in different modes depending on the type of neuron.

[0086] LIF-модель использует входной ток для зарядки емкости, чтобы обновить мембранный потенциал. Эта модель считается более простой, чем модель Ижикевича. Параметры LIF-модели, такие как частота спайка или рефракторный период соответствуют параметрам биологического нейрона (фиг. 11 a2). Для модели УЦН временные параметры являются наиболее важным фактором для обработки в реальном времени по сравнению с амплитудой, которая использовалась в качестве единичных импульсов для сокращения времени расчёта при умножении синаптического веса на соответствующую амплитуду спайка. Поэтому в УЦН-модели используются биореалистичный рефракторный период и продолжительность спайка для обработки нейрона в реальном времени. В модели УЦН форма спайка схожа со спайком в LIF-модели, но траектория мембранного потенциала во время рефракторного периода и состояния покоя не является гладкой (фиг. 11 a3). Ток не используется для расчёта уровня (мембранного потенциала) в модели УЦН. Напротив, ток представляется суммой весов проекций, утечки и шума для увеличения производительности модели.[0086] The LIF model uses the input current to charge the capacitance to refresh the membrane potential. This model is considered to be simpler than the Izhikevich model. The parameters of the LIF model, such as spike frequency or refractory period, correspond to the parameters of a biological neuron (Fig. 11 a2). For the UCN model, timing is the most important factor for real-time processing compared to amplitude, which was used as single pulses to reduce computation time when synaptic weight is multiplied by the corresponding spike amplitude. Therefore, the UCN model uses a biorealistic refractory period and spike duration to process the neuron in real time. In the UCN model, the spike shape is similar to that in the LIF model, but the trajectory of the membrane potential during the refractory period and the resting state is not smooth (Fig. 11 a3). The current is not used to calculate the level (membrane potential) in the UCN model. On the contrary, the current is represented by the sum of the weights of projections, leakage and noise to increase the performance of the model.

[0087] УЦН [0087] UCN

[0088] Симуляция упрощённой нейронной модели, способной осуществлять обработку в реальном времени топологии из тысяч нейронов, так как время расчёта является критичной проблемой биореалистичных моделей нейрона. Здесь представлена модель упрощённого цифрового нейрона (УЦН), соответствующая следующим требованиям: обработка в реальном времени на одноплатном компьютере с учётом биореалистичных времён спайков, рефракторного периода, ингибирующего воздействия и обработки входящих спайков, основанной на пороговых значениях. Как показано на фиг. 12, сигналы, приходящие к возбуждающим синапсам, увеличивают вероятность генерации нейроном выходного спайка, в то время как входы к ингибирующим синапсам уменьшаются. Входы не могут влиять на уровень спайка (мембранный потенциал) в течение рефракторного периода. В модели УЦН были учтены следующие предположения для оптимизации кода модели нейрона для обработки в реальном времени нескольких тысяч нейронов и сотен тысяч синапсов:[0088] Simulation of a simplified neural model capable of real-time processing of the topology of thousands of neurons, since the calculation time is a critical problem in biorealistic neuron models. Here is a Simplified Digital Neuron (DLN) model that meets the following requirements: real-time single-board computer processing with biorealistic spike times, refractory period, inhibitory effect, and threshold-based processing of incoming spikes. As shown in FIG. 12, signals arriving at excitatory synapses increase the likelihood of the neuron generating an output spike, while inputs to inhibitory synapses decrease. The inputs cannot affect the spike level (membrane potential) during the refractory period. The following assumptions were taken into account in the UCN model to optimize the neuron model code for real-time processing of several thousand neurons and hundreds of thousands of synapses:

1. Рассматриваются только биологические нейроны спинного мозга (мотонейроны и интернейроны);1. Only biological neurons of the spinal cord (motoneurons and interneurons) are considered;

2. Амплитуда спайков исключена для эффективности вычислений;2. Spike amplitude excluded for computational efficiency;

3. Ингибирующее воздействие уменьшает вероятность генерации нейронами выходного спайка; и3. The inhibitory effect reduces the probability of generating an output spike by neurons; and

4. Для временных параметров выходного нейронного ответа были использованы биореалистичный спайк и продолжительность рефракторного периода.4. The biorealistic spike and the length of the refractory period were used for the time parameters of the neuronal output response.

L= ∑W ± ток утечки+шум L= ∑W ± leakage current + noise

[0089] С целью расчёта в реальном времени было приведено упрощенное уравнение для уровня, напоминающего мембранный потенциал (уравн. 1 выше), где уровень представляет собой сумму весов проекций, утечки и шума. Когда уровень превышает заданный порог, модель производит сигнал, который представлен единичным импульсом. Схематичная диаграмма УЦН представлена на фиг. 12. Входные единичные сигналы (спайки) обрабатываются маршрутизатором, который передаёт их соответствующему нейрону и его синапсу. Все синапсы УЦН хранят свой вес, поскольку каждый спайк представлен как “1”, нет необходимости умножения синаптического веса на вход. Динамика сомы поддерживается через параметр утечки, который представляет собой натриево-калиевые насосы и утечку калия через полупроницаемую мембрану. Было обнаружено, что шум является важным даже в этой упрощённой модели по причине стохастичности всех нейронных каналов даже в простой цепи в спинном мозге. Параметр утечки и шума - это набор, индивидуальный для каждого нейрона. Пороговая функция запускает выходной генератор спайков с заданной длительностью, когда уровень достигает порогового значения. Рефракторный период реализуется как отрицательная обратная связь с интегратором сомы, которая уменьшает уровень до текущего значения для заданного периода индивидуально для каждой клетки. Таблица синапсов хранит нейроны и их синапсы с аксональными и синаптическими задержками для отправления выходного спайка через маршрутизатор.[0089] For the purpose of real-time calculation, a simplified equation was given for a level resembling a membrane potential (eq. 1 above), where the level is the sum of the weights of projections, leakage and noise. When the level exceeds a given threshold, the model produces a signal that is represented by a single pulse. A schematic diagram of the UCN is shown in Fig. 12. Input single signals (spikes) are processed by the router, which transmits them to the corresponding neuron and its synapse. All UCN synapses store their weight, since each spike is represented as a “1”, there is no need to multiply the synaptic weight by the input. The dynamics of the soma is maintained through the leakage parameter, which is sodium-potassium pumps and potassium leakage across the semi-permeable membrane. It was found that noise is important even in this simplified model due to the stochasticity of all neural channels even in a simple circuit in the spinal cord. The leakage and noise parameter is a set that is individual for each neuron. The threshold function triggers an output spike generator with a specified duration when the level reaches the threshold. The refractory period is implemented as a negative feedback with the soma integrator, which reduces the level to the current value for a given period individually for each cell. The synapse table stores neurons and their synapses with axonal and synaptic delays for sending the output spike through the router.

[0090] Чтобы сократить требуемую оперативную память и уменьшить время расчёта, был использован тип переменных unsigned short (uint16_t) языка C++ (2 байта) для переменной уровня, поскольку операции с плавающей запятой выполняются медленнее, чем целочисленные операции (см., напр., Limare, N.: Integer and Floating-Point Arithmetic Speed vs Precision (2014)). Использование типа unsigned short позволяет балансировать между возможным количеством состояний уровня (в абстрактных беззнаковых единицах от 0 до 65 535) и сохранением в оперативной памяти. Таким образом, можно разместить дополнительные нейроны УЦН со скоростью, которая в два раза больше, чем у LIF и в четыре раза больше, чем у моделей Ижикевича (в 4 и 8 раз соответственно, если используется double). Это может быть важно для реализации одноплатных компьютеров сети.[0090] To reduce the required RAM and reduce the calculation time, the variable type unsigned short (uint16_t) of the C++ language (2 bytes) was used for the level variable, since floating point operations are slower than integer operations (see, for example, Limare, N.: Integer and Floating-Point Arithmetic Speed vs Precision (2014)). Using the unsigned short type allows you to balance between the possible number of level states (in abstract unsigned units from 0 to 65535) and storage in RAM. Thus, it is possible to place additional UCN neurons at a rate that is twice that of the LIF and four times that of the Izhikevich models (4 and 8 times, respectively, if double is used). This may be important for the implementation of network single board computers.

[0091] Модель УЦН позволяет снизить стоимость вычислений разнообразных параметров отдельного нейрона при сохранении обработки вычислений из тысяч нейронов с сотнями тысяч синапсов в реальном времени.[0091] The UCN model can reduce the cost of calculating a variety of parameters of a single neuron while maintaining the processing of calculations from thousands of neurons with hundreds of thousands of synapses in real time.

[0092] Результаты [0092] Results

[0093] Для сравнения трёх моделей был использован отдельный компьютер с параллельной (openMP) реализацией нейронной сети одинакового размера с разными моделями нейрона на процессоре (Intel® Xeon® Processor E5-2650 v2 (8 ядер, 2:60GHz)) с размером оперативной памяти 96 Гбайт. В течение симуляции все модели нейронов имели постоянные параметры, за исключением мембранного потенциала (U_m модели Ижикевича). Данные параметры хранились в массивах. Были протестированы два режима симуляции (покой и спайкование, влияющие на состояние нейронов). В течение режима покоя симуляции входной ток в нейрон не наблюдался. Напротив, в течение режима спайкования, спайковая активность производилась всеми нейронами каждые 7.5 мс (период спайка плюс рефракторный период для гарантии достижения потенциала покоя). Чтобы свести к минимуму побочные эффекты при измерении времени вычислений нейронного режима, не использовались ни синапсы, ни спайки, ни регистраторы потенциала.[0093] To compare the three models, a separate computer with a parallel (openMP) implementation of a neural network of the same size was used with different models of a neuron on a processor (Intel® Xeon® Processor E5-2650 v2 (8 cores, 2:60GHz)) with a size of RAM 96 GB. During the simulation, all neuron models had constant parameters, except for the membrane potential (U_m of the Izhikevich model). These parameters were stored in arrays. Two simulation modes were tested (rest and adhesion, which affect the state of neurons). During the simulation rest mode, the input current to the neuron was not observed. In contrast, during the spike regimen, spike activity was produced by all neurons every 7.5 ms (the spike period plus a refractory period to ensure that the resting potential was reached). To minimize side effects when measuring neural mode computation time, no synapses, spikes, or potential recorders were used.

[0094] Симуляция включала 10 тестов на нейрон, размер сетки составлял от 1,000 до 20,000 нейронов с размером шага 1,000. Всего 200 симуляций для одной модели.[0094] The simulation included 10 tests per neuron, mesh size ranged from 1,000 to 20,000 neurons with a step size of 1,000. Total 200 simulations for one model.

[0095] Полученные данные показаны на фиг. 11 и представлены как направленная линия (с использованием функции polyfit пакета NumPy). В режиме покоя (фиг. 11b) модели УЦН и LIF рассчитываются быстрее, чем в режиме реального времени (срабатывают биологические нейроны) с 20,000 нейронами. Модель Ижикевича показала время ниже порога реального времени, если число нейронов меньше 13,000. В режиме спайкования (фиг. 11c) УЦН и LIF соответствуют требованиям работы в режиме реального времени, в то время как модель Ижикевича находится выше отметки. Все три протестированные модели имеют линейные временные зависимости с разными наклонами на фиг. 11b и c, что обусловлено дополнительными арифметическими операциями и различным количеством переменных.[0095] The data obtained is shown in FIG. 11 and represented as a directed line (using NumPy's polyfit function). At rest (FIG. 11b), the UCN and LIF models are calculated faster than in real time (biological neurons firing) with 20,000 neurons. The Izhikevich model showed time below the real-time threshold if the number of neurons is less than 13,000. In the soldering mode (Fig. 11c), the UCN and LIF meet the requirements of real-time operation, while the Izhikevich model is above the mark. All three tested models have linear time dependences with different slopes in FIG. 11b and c, which is due to additional arithmetic operations and a different number of variables.

[0096] Заключение [0096] Conclusion

[0097] Была представлена упрощённая модель нейрона для вычислений в режиме реального времени, например, для ограниченного аппаратного обеспечения, или носимого устройства. Сравнение производительности моделей Ижикевича и LIF в двух режимах (покое и спайковании) показывает лучшую производительность модели УЦМ.[0097] A simplified neuron model has been presented for real-time computing, for example, for limited hardware, or a wearable device. Comparison of the performance of the Izhikevich and LIF models in two modes (at rest and soldering) shows the best performance of the UCM model.

[0098] Вышеупомянутое детальное описание вариантов реализации использовалось для дальнейшей ясной характеристики свойств настоящего изобретения. Вышеуказанное описание для каждого варианта реализации не ограничивает сферу настоящего изобретения. Следовательно, область применения настоящего изобретения должна быть объяснена наиболее широко в соответствии с формулой изобретения, указанной далее в связи с подробным описанием, и должна охватывать все возможные эквивалентные вариации и эквивалентные устройства.[0098] The above detailed description of the embodiments has been used to further clearly characterize the properties of the present invention. The above description for each implementation option does not limit the scope of the present invention. Therefore, the scope of the present invention should be explained most broadly in accordance with the claims below in connection with the detailed description, and should cover all possible equivalent variations and equivalent devices.

[0099] Настоящее изобретение может быть системой, способом и/или компьютерным программным продуктом. Компьютерный программный продукт может включать машиночитаемый носитель информации, имеющий машиночитаемые программные инструкции на нём для того, чтобы заставить процессор выполнять аспекты настоящего изобретения.[0099] The present invention may be a system, method, and/or computer program product. The computer program product may include a computer-readable storage medium having computer-readable program instructions thereon for causing the processor to perform aspects of the present invention.

[0100] Машиночитаемый носитель информации может быть реальным устройством, который может быть сохранять инструкции для использования устройством для выполнения команд. Машиночитаемый носитель информации может быть, например, запоминающим устройством, оптическим запоминающим устройством, электромагнитным запоминающим устройством, полупроводниковым запоминающим устройством или любой подходящей комбинацией вышеизложенного, но не ограничивается данным списком. Неисчерпывающий перечень более конкретных примеров машиночитаемого носителя информации включает в себя следующее: портативную компьютерную дискету, жёсткий диск, оперативно запоминающее устройство (ОЗУ), постоянно запоминающее устройство (ПЗУ), стираемое программируемое постоянно запоминающее устройство (СППЗУ или флеш-память), статическую память с произвольным доступом (СППД), портативную компакт-дисковую постоянно запоминающее устройство (КД-ПЗУ), цифровой универсальный диск (DVD), карту памяти, дискету, механически закодированное устройство, такое как перфокарты или виниловые диски с записанными на них инструкциями, и любая подходящая комбинация вышеизложенного. Машиночитаемый носитель информации, используемый в настоящем документе, не должен толковаться как транзиторные сигналы как таковые, такие как радиоволны или другие свободно распространяющиеся электромагнитные волны, электромагнитные волны, распространяющиеся через волновод или другие средства передачи (например, световые импульсы, проходящие через волоконно-оптический кабель), или электрические сигналы, передаваемые по проводу.[0100] A computer-readable storage medium may be an actual device that may store instructions for use by the device to execute instructions. The computer-readable storage medium may be, for example, a storage device, an optical storage device, an electromagnetic storage device, a semiconductor storage device, or any suitable combination of the foregoing, but is not limited to this list. A non-exhaustive list of more specific examples of a computer-readable storage medium includes the following: portable computer diskette, hard disk, random access memory (RAM), read-only memory (ROM), erasable programmable read-only memory (EPROM or flash memory), static memory with ROM, portable compact disc read-only memory (CD-ROM), digital versatile disk (DVD), memory card, floppy disk, mechanically coded device such as punched cards or vinyl discs with instructions recorded on them, and any suitable a combination of the above. The computer-readable medium used herein is not to be construed as transient signals per se, such as radio waves or other freely propagating electromagnetic waves, electromagnetic waves propagating through a waveguide or other transmission media (for example, light pulses passing through a fiber optic cable ), or electrical signals transmitted over a wire.

[0101] Машиночитаемые программные инструкции, описанные в настоящем документе, могут быть загружены на соответствующие вычислительные/обрабатывающие устройства с машиночитаемого носителя информации или на внешний компьютер или внешнее запоминающее устройство через сеть, например, Интернет, локальную сеть, глобальную сеть и/или беспроводную сеть. Сеть может включать медные кабели передачи, оптические волокна передачи, беспроводную передачу, маршрутизаторы, файерволы, коммутаторы, сетевые шлюзы и/или граничные серверы. Карта сетевого адаптера или сетевой интерфейс в каждом вычислительном/обрабатывающем устройстве получает машиночитаемые программные инструкции из сети и пересылает машиночитаемые программные инструкции для хранения на машиночитаемом носителе информации в соответствующем вычислительном/обрабатывающем устройстве.[0101] The computer-readable program instructions described herein may be downloaded to appropriate computing/processing devices from a computer-readable storage medium or to an external computer or external storage device via a network, such as the Internet, a local area network, a wide area network, and/or a wireless network. . The network may include copper transmission cables, optical transmission fibers, wireless transmission, routers, firewalls, switches, network gateways, and/or edge servers. The network adapter card or network interface in each computing/processing device receives computer-readable program instructions from the network and forwards the computer-readable program instructions for storage on a computer-readable storage medium in the corresponding computing/processing device.

[0102] Машиночитаемые программные инструкции для выполнения операций настоящего изобретения могут быть инструкциями ассемблера, инструкциями архитектуры набора команд (ISA), машинными инструкциями, машинно-зависимыми инструкциями, микрокодом, инструкциями микропрограммного обеспечения, данными настройки состояния или исходным кодом, либо объектным кодом, написанным на любой комбинации одного или более языков программирования, включая объектно-ориентированные языки программирования, такие как Smalltalk, C++ или тому подобные, и обычные процедурные языки программирования, такие как C или аналогичные языки программирования. Машиночитаемые программные инструкции могут выполняться полностью на компьютере пользователя, частично на компьютере пользователя, как автономный программный пакет, частично на компьютере пользователя и частично на удалённом компьютере или полностью на удалённом компьютере или сервере. В последнем случае удалённый компьютер может быть подключен к компьютеру пользователя через любой тип сети, включая локальную сеть (LAN) или глобальную сеть (WAN), или соединение может быть выполнено с внешним компьютером (например, через Интернет с использованием интернет-провайдера). В некоторых вариантах реализации электронные схемы, включающие, например, программируемые логические схемы, полевые программируемые логические схемы (ПЛС), программируемые вентильные матрицы (ПВМ) или программируемые логические матрицы (ПЛМ), могут выполнять машиночитаемые программные инструкции путём использования информации о состоянии машиночитаемых программных инструкций для индивидуальной настройки электронных схем, чтобы выполнять аспекты настоящего изобретения.[0102] Machine-readable software instructions for performing the operations of the present invention may be assembly language instructions, instruction set architecture (ISA) instructions, machine instructions, machine-specific instructions, microcode, firmware instructions, state setting data, or source code, or object code written in any combination of one or more programming languages, including object-oriented programming languages such as Smalltalk, C++ or the like, and conventional procedural programming languages such as C or similar programming languages. Machine-readable program instructions may be executed entirely on the user's computer, partially on the user's computer as a stand-alone software package, partially on the user's computer, and partially on a remote computer, or entirely on a remote computer or server. In the latter case, the remote computer can be connected to the user's computer through any type of network, including a local area network (LAN) or wide area network (WAN), or the connection can be made to an external computer (for example, via the Internet using an Internet service provider). In some implementations, electronic circuits, including, for example, programmable logic circuits, field programmable logic (PLC), field programmable gate arrays (FPAs), or field programmable logic arrays (PLAs), can execute computer readable program instructions by using state information of the computer readable program instructions. for customizing electronic circuits to perform aspects of the present invention.

[0103] Аспекты настоящего изобретения описаны здесь со ссылкой на иллюстрации блок-схем и/или схематичные диаграммы методов, устройств (систем) и компьютерных программных продуктов в соответствии с вариантами реализации настоящего изобретения. Следует понимать, что каждый блок иллюстраций блок-схемы и/или блок диаграмм, а также комбинации блоков в иллюстрациях блок-схемы и/или блоках диаграмм могут быть реализованы с помощью машиночитаемых программных инструкций.[0103] Aspects of the present invention are described herein with reference to flowchart illustrations and/or schematic diagrams of methods, devices (systems), and computer program products in accordance with embodiments of the present invention. It should be understood that each block of flowchart illustrations and/or block diagrams, as well as combinations of blocks in the flowchart illustrations and/or block diagrams, may be implemented using computer readable program instructions.

[0104] Данные машиночитаемые программные инструкции могут быть предоставлены процессору компьютера общего назначения, компьютера специального назначения или другого программируемого устройства обработки данных для производства машины, так что инструкции, которые выполняются через процессор компьютера или другого программируемого устройства обработки данных, создают средства для реализации функций/действий, указанных в блок-схеме и/или схематичной диаграмме блока или блоках. Эти машиночитаемые программные инструкции могут также храниться на машиночитаемом носителе информации, который может направлять компьютер, программируемое устройство обработки данных и/или другие устройства на функционирование определённым образом, так что машиночитаемый носитель информации, содержащий хранящиеся на нем инструкции, включает предмет производства, содержащий инструкции, которые реализуют аспекты функции/действия, указанные в блок-схеме и/или схематичной диаграмме блока или блоков. [0105] Машиночитаемые программные инструкции также могут быть загружены на компьютер, другое программируемое устройство обработки данных или другое устройство, чтобы вызвать выполнение ряда операционных шагов на компьютере, другом программируемом устройстве или другом устройстве для получения компьютерно-реализованного процесса, так что инструкции, которые выполняются на компьютере, другом программируемом устройстве или другом устройстве, реализуют функции/действия, указанные в блок-схеме и/или схематичной диаграмме блока или блоков.[0104] These machine-readable program instructions may be provided to the processor of a general purpose computer, special purpose computer, or other programmable data processing device to manufacture the machine, such that the instructions that are executed through the processor of the computer or other programmable data processing device create the means to implement the functions/ the actions indicated in the block diagram and/or schematic diagram of the block or blocks. These computer-readable program instructions may also be stored on a computer-readable storage medium that can direct a computer, a programmable processing device and/or other devices to function in a certain way, such that the computer-readable storage medium containing the instructions stored thereon includes an article of manufacture containing instructions, which implement aspects of the function/operation indicated in the block diagram and/or schematic diagram of the block or blocks. [0105] Computer-readable program instructions may also be downloaded to a computer, other programmable processing device, or other device to cause a series of operating steps to be performed on the computer, other programmable device, or other device to obtain a computer-implemented process such that the instructions that are executed on a computer, other programmable device or other device, implement the functions/actions indicated in the block diagram and/or schematic diagram of the block or blocks.

[0106] Блок-схема и диаграммы блоков на чертежах иллюстрируют архитектуру, функциональность и функционирование возможных реализаций систем, методов и компьютерных программных продуктов в соответствии с различными вариантами реализации настоящего изобретения. В связи с этим каждый блок в блок-схеме или диаграммах блока может представлять собой модуль, сегмент или часть инструкций, которая содержит одну или несколько исполняемых инструкций для реализации указанной логической функции (функций). В некоторых альтернативных реализациях функции, указанные в блоке, могут происходить не в том порядке, который указан на чертежах. Например, два блока, показанные последовательно, могут выполняться фактически одновременно, или блоки могут иногда выполняться в обратном порядке в зависимости от задействованной функциональности. Также следует отметить, что каждая часть блока диаграмм и/или иллюстраций блок-схем и комбинации частей в блок-схемах и/или иллюстрациях блок-схем могут быть реализованы аппаратно-ориентированными системами специального назначения, выполняющими заданные функции или действия или выполняющими комбинации аппаратных средств специального назначения и компьютерных инструкций.[0106] The block diagram and block diagrams in the drawings illustrate the architecture, functionality, and operation of possible implementations of systems, methods, and computer program products in accordance with various embodiments of the present invention. In this regard, each block in the flowchart or block diagrams may be a module, segment, or portion of instructions that contains one or more executable instructions to implement the specified logical function(s). In some alternative implementations, the functions indicated in the block may not occur in the order shown in the drawings. For example, two blocks shown in sequence may actually be executed at the same time, or blocks may sometimes be executed in reverse order depending on the functionality involved. It should also be noted that each part of a block of diagrams and/or block diagram illustrations and combinations of parts in block diagrams and/or block diagram illustrations can be implemented by special purpose hardware-oriented systems performing specified functions or actions or performing combinations of hardware. special purpose and computer instructions.

[0107] Терминология, используемая в настоящем документе, предназначена только для описания конкретных вариантов реализации и не предназначена для ограничения настоящего изобретения. Используемые здесь формы единственного числа “a”, “an” и “the” предназначены также для включения форм множественного числа, если контекст явно не указывает иное. Также следует понимать, что термины “включает” и/или “включающий”, когда они используются в настоящей спецификации, определяют наличие указанных признаков, целых чисел, шагов, операций, элементов и/или компонентов, но не исключают наличия или добавления одного или нескольких других признаков, целых чисел, шагов, операций, компонентов элементов и/или их групп.[0107] The terminology used herein is only intended to describe specific embodiments and is not intended to limit the present invention. The singular forms “a”, “an”, and “the” as used herein are also intended to include plural forms, unless the context clearly indicates otherwise. It should also be understood that the terms “comprises” and/or “comprising”, when used in this specification, define the presence of the specified features, integers, steps, operations, elements and/or components, but do not exclude the presence or addition of one or more other signs, integers, steps, operations, components of elements and/or their groups.

[0108] Соответствующие структуры, материалы, действия и эквиваленты всех способов или функциональных элементов в формуле изобретения ниже предназначены для включения любой структуры, материала или действия для выполнения функции в сочетании с другими заявленными элементами, как специально заявлено. Описание настоящего изобретения было представлено в целях иллюстрации и описания, но не является исчерпывающим или ограничивающим изобретение в описанной форме. Многие модификации и вариации будут очевидны для тех, кто обладает обычными навыками в данной области, не отходя от сферы изобретения. Вариант реализации был выбран и описан для того, чтобы наилучшим образом объяснить принципы изобретения и практического применения, а также дать возможность другим специалистам в данной области понять изобретение для различных вариантов осуществления с различными модификациями, которые подходят для конкретного предполагаемого использования.[0108] Respective structures, materials, acts, and equivalents of all methods or functional elements in the claims below are intended to include any structure, material, or act to perform a function in combination with other claimed elements, as specifically stated. The description of the present invention has been presented for purposes of illustration and description, but is not intended to be exhaustive or limit the invention in the form described. Many modifications and variations will be apparent to those of ordinary skill in the art without departing from the scope of the invention. The embodiment has been selected and described in order to best explain the principles of the invention and practice, and to enable others skilled in the art to understand the invention for various embodiments with various modifications that are suitable for the specific intended use.

Claims

1. Способ воссоздания нейронной топологии, отвечающей за активацию двигательных функций в конечностях, содержащий:1. A method for recreating the neural topology responsible for the activation of motor functions in the limbs, comprising:

обнаружение моторных вызванных ответов в корреляции с входными стимуляционными параметрами и сенсорной модуляцией;detection of motor evoked responses in correlation with input stimulation parameters and sensory modulation;

анализ паттерна функциональных моторных вызванных ответов для паттерна нейронного ответа, определяемого на основе множества пиков, каждый из которых имеет максимальное и минимальное значения, амплитуду и время; иanalyzing a functional motor evoked response pattern for a neural response pattern determined based on a plurality of peaks, each of which has a maximum and minimum value, an amplitude, and a time; and

воссоздание топологии нейронного контура путем сравнения паттерна нейронного ответа с известной гипотетической нейронной топологией, которая формирует выходной сигнал для активации моторной функции в конечностях.recreating the topology of the neural circuit by comparing the neural response pattern with a known hypothetical neural topology that generates an output signal for activation of motor function in the limbs.

2. Способ воссоздания нейронной топологии по п.1, отличающийся тем, что дополнительно содержит моделирование паттерна нейронного ответа с использованием симулятора нейрональной активности.2. A method for recreating a neural topology according to claim 1, characterized in that it further comprises modeling a neural response pattern using a neuronal activity simulator.

3. Способ воссоздания нейронной топологии по п.2, в котором симулятором нейрональной активности выступает симулятор GRAS.3. The method of recreating the neural topology according to claim 2, wherein the GRAS simulator acts as a neuronal activity simulator.

4. Способ воссоздания нейронной топологии по п.3, в котором симулятор GRAS использует модель упрощенного цифрового нейрона (УЦН).4. The method for recreating the neural topology of claim 3, wherein the GRAS simulator uses a Simplified Digital Neuron (DLN) model.

5. Способ воссоздания нейронной топологии по п.1, в котором паттерн нейронного ответа определяется на основе амплитуды, частоты и скважности отдельной нейронной цепи.5. The method of recreating the neural topology of claim 1, wherein the neural response pattern is determined based on the amplitude, frequency, and duty cycle of an individual neural circuit.

6. Способ воссоздания нейронной топологии по п.1, в котором осцилляторный мотив (ОМ) используется для генерации паттерна нейронного ответа, где ОМ включает компонент взаимного возбуждения и компонент ингибирующей обратной связи.6. The method for recreating a neural topology according to claim 1, wherein an oscillatory motif (OM) is used to generate a neural response pattern, where the OM includes a mutual excitation component and an inhibitory feedback component.

7. Способ воссоздания нейронной топологии по п.1, в котором модель многоуровневой спинномозговой локомоторной сети (мСЛС) используется для генерации паттерна нейронного ответа, при этом мСЛС содержит моносинаптический уровень и полисинаптический уровень.7. The method for reconstructing the neural topology of claim 1, wherein a multilevel spinal locomotor network (mSLN) model is used to generate a neural response pattern, wherein the mSLN comprises a monosynaptic level and a polysynaptic level.

8. Система нейроморфного протеза для облегчения сенсомоторной функции у субъектов, нуждающихся в этом, которая содержит:8. A neuromorphic prosthesis system for facilitating sensorimotor function in subjects in need thereof, which comprises:

стимуляторы, имеющие по крайней мере один канал, сконфигурированный для обеспечения электрической стимуляции групп мышц, периферических нервов, нервных сплетений и/или спинного мозга;stimulators having at least one channel configured to provide electrical stimulation to muscle groups, peripheral nerves, nerve plexuses and/or spinal cord;

датчики, настроенные для обнаружения и передачи данных непрерывного или циклического распределения веса, угловых движений суставов и/или электрофизиологических параметров;sensors configured to detect and report continuous or cyclic weight distribution, joint angular movements, and/or electrophysiological parameters;

контроллеры, сконфигурированные для получения объединенных данных от датчиков и настроенных для обработки объединённых данных и их передачи в устройство, реализующее схему искусственного нейронного контура, для воспроизведения фМВП, сконфигурированное для реализации воссоздания топологии центрального генератора упорядоченной активности (ЦГУА),controllers configured to receive combined data from sensors and configured to process the combined data and transmit them to a device that implements an artificial neural circuit scheme for reproducing fMVP, configured to implement the topology reconstruction of the central ordered activity generator (CGUA),

в котором устройство искусственного нейронного контура, использует био-реалистичную нейронную топологию для генерации паттерна моторной функции и координирует применение электрических сигналов через стимуляторы, совместимые с биологической нейронной стимуляцией, к субъекту, нуждающемуся в этом, для реализации паттерна моторной функции.wherein the artificial neural circuit device uses a bio-realistic neural topology to generate a motor function pattern and coordinates the application of electrical signals through biological neural stimulation compatible stimulators to a subject in need thereof to realize the motor function pattern.

9. Система нейроморфного протеза по п.8, отличающаяся тем, что устройство, реализующее искусственный нейронный контур, основанное на фМВП, содержит синхронизированный набор одноплатных цифровых компьютеров.9. The neuromorphic prosthesis system according to claim 8, characterized in that the device that implements an artificial neural circuit based on fMVP contains a synchronized set of single-board digital computers.

10. Система нейроморфного протеза по п.8, отличающаяся тем, что устройство, реализующее искусственный нейронный контур, основанное на фМВП, содержит спайковые аналоговые схемы, реализующие центральный генератор упорядоченной активности сегмента спинного мозга, реализованный как интегральная схема.10. The neuromorphic prosthesis system according to claim 8, characterized in that the device that implements the fMVP-based artificial neural circuit contains analog spike circuits that implement the central generator of ordered activity of the spinal cord segment, implemented as an integrated circuit.

11. Система нейроморфного протеза по п.9, отличающаяся тем, что дополнительно содержит:11. The neuromorphic prosthesis system according to claim 9, characterized in that it additionally contains:

последовательный порт универсального асинхронного приемника-передатчика (УАПП); иserial port of the universal asynchronous receiver-transmitter (UART); and

цифроаналоговый преобразователь (ЦАП), где ЦАП сконфигурирован для преобразования сигналов по напряжению, полученных стимуляторами, в сигналы тока.a digital-to-analog converter (DAC), where the DAC is configured to convert the voltage signals received by the stimulators into current signals.

12. Система нейроморфного протеза по п.10, отличающаяся тем, что включает:12. The neuromorphic prosthesis system according to claim 10, characterized in that it includes:

цифроаналоговый преобразователь (ЦАП), где ЦАП сконфигурирован для преобразования сигналов напряжения, полученных стимуляторами, в сигналы тока.a digital-to-analog converter (DAC), where the DAC is configured to convert voltage signals received by the stimulators into current signals.

13. Система нейроморфного протеза по п.8, отличающаяся тем, что датчики содержат датчик давления, расположенный вокруг зоны стельки, и датчик изгиба, расположенный вокруг голеностопа субъекта.13. The neuromorphic prosthesis system of claim 8, wherein the sensors comprise a pressure sensor located around the area of the insole and a flex sensor located around the subject's ankle.

14. Система нейроморфного протеза по п.8, отличающаяся тем, что датчики содержат стимулятор спины, стимулятор левого голеностопа, стимулятор правого голеностопа, стимулятор правого бедра и стимулятор левого бедра.14. The neuromorphic prosthesis system of claim 8, wherein the sensors comprise a back stimulator, a left ankle stimulator, a right ankle stimulator, a right hip stimulator, and a left hip stimulator.

15. Способ для активации моторной функции в конечностях у субъектов, нуждающихся в этом, характеризующийся тем, что осуществляется с помощью системы нейроморфного протеза, содержащей:15. A method for activating motor function in the limbs in subjects in need thereof, characterized in that it is carried out using a neuromorphic prosthesis system containing:

датчики, настроенные для обнаружения и передачи данных непрерывного или циклического распределения веса тела, угловых движений суставов и/или электрофизиологических параметров;sensors configured to detect and report continuous or cyclic distribution of body weight, angular motion of joints and/or electrophysiological parameters;

контроллеры, сконфигурированные для получения объединённых данных от датчиков и настроенные для обработки объединённых данных и их передачи на устройство, устройство, реализующее искусственный нейронный контур, основанное на фМВП, сконфигурированное для реализации воссоздания топологии центрального генератора упорядоченной активности (ЦГУА);controllers configured to receive combined data from sensors and configured to process the combined data and transmit them to a device, a device that implements an artificial neural circuit based on fMVP, configured to implement a recreation of the topology of a central ordered activity generator (CGUA);

при этом осуществляют стимуляцию субъекта, нуждающегося в этом, для выполнения двигательной функции с помощью электрических сигналов, применяют стимуляторы к субъекту, в котором устройство, реализующее искусственный нейронный контур, основанное на фМВП, реализует био-реалистичную нейронную топологию для генерации паттерна моторной функции и координирует применение электрических сигналов.at the same time, a subject in need of it is stimulated to perform a motor function using electrical signals, stimulators are applied to the subject, in which a device that implements an artificial neural circuit based on fMVP implements a bio-realistic neural topology to generate a motor function pattern and coordinates application of electrical signals.

16. Способ для активации моторной функции в конечностях по п.15, отличающийся тем, что био-реалистичная нейронная топология определяется способом, содержащим:16. A method for activating motor function in limbs according to claim 15, characterized in that the bio-realistic neural topology is determined by a method comprising:

обнаружение паттерна нейронного ответа в корреляции с входными параметрами стимуляции;detecting a neural response pattern in correlation with stimulation input parameters;

анализ паттерна нейронного ответа, при этом паттерн нейронного ответа определяется на основе множества пиков, каждый пик имеет максимальное и минимальное значения, амплитуду и время; иanalyzing a neural response pattern, wherein the neural response pattern is determined based on a plurality of peaks, each peak having a maximum and minimum value, an amplitude, and a time; and

воссоздание топологии нейронного контура путем сравнения сгенерированного паттерна нейронного ответа с паттерном известной нейронной топологии, которая формирует выходной сигнал для активации моторной функции в конечностях.recreating the neural circuit topology by comparing the generated neural response pattern with a known neural topology pattern that generates an output signal for activation of motor function in the limbs.

17. Способ для активации моторной функции в конечностях по п.16, отличающийся тем, что дополнительно содержит моделирование паттерна нейронного ответа с использованием симулятора нейрональной активности.17. A method for activating motor function in limbs according to claim 16, further comprising modeling a neural response pattern using a neuronal activity simulator.

18. Способ для активации моторной функции в конечностях по п.17, отличающийся тем, что симулятором нейрональной активности выступает симулятор GRAS.18. A method for activating motor function in the limbs according to claim 17, characterized in that the GRAS simulator acts as a neuronal activity simulator.

19. Способ для активации моторной функции в конечностях по п.18, отличающийся тем, что симулятор GRAS использует ESRN (Even Simpler Real-Time Model of Neuron) модель нейрона.19. A method for activating motor function in limbs according to claim 18, characterized in that the GRAS simulator uses an ESRN (Even Simpler Real-Time Model of Neuron) neuron model.

20. Способ для активации моторной функции в конечностях по п.16, отличающийся тем, что паттерн нейронного ответа определяют на основе амплитуды, частоты и скважности отдельного нейронного контура.20. The method for activating motor function in the limbs according to claim 16, characterized in that the neural response pattern is determined based on the amplitude, frequency and duty cycle of an individual neural circuit.

21. Способ для активации моторной функции в конечностях по п.16, отличающийся тем, что модель многоуровневой спинномозговой локомоторной сети (мСЛС) используется для определения паттерна нейронного ответа, мСЛС содержит моносинаптический уровень и полисинаптический уровень.21. The method for activating motor function in the limbs according to claim 16, characterized in that the multilevel spinal locomotor network (mSLN) model is used to determine the neural response pattern, the mSLN contains a monosynaptic level and a polysynaptic level.