Cortically-controlled prosthetic systems aim to help disabled patients by translating neural signals from the brain into control signals for guiding prosthetic devices. Recent reports have demonstrated reasonably high levels of performance and control of computer cursors and prosthetic limbs, but to achieve true clinical viability, the long-term operation of these systems must be better understood. In particular, the quality and stability of the electrically-recorded neural signals require further characterization. Here, we quantify action potential changes and offline neural decoder performance over 382 days of recording from four intracortical arrays in three animals. Action potential amplitude decreased by 2.4% per month on average over the course of 9.4, 10.4, and 31.7 months in three animals. During most time periods, decoder performance was not well correlated with action potential amplitude (p > 0.05 for three of four arrays). In two arrays from one animal, action potential amplitude declined by an average of 37% over the first 2 months after implant. However, when using simple threshold-crossing events rather than well-isolated action potentials, no corresponding performance loss was observed during this time using an offline decoder. One of these arrays was effectively used for online prosthetic experiments over the following year. Substantial short-term variations in waveforms were quantified using a wireless system for contiguous recording in one animal, and compared within and between days for all three animals. Overall, this study suggests that action potential amplitude declines more slowly than previously supposed, and performance can be maintained over the course of multiple years when decoding from threshold-crossing events rather than isolated action potentials. This suggests that neural prosthetic systems may provide high performance over multiple years in human clinical trials.

Peripheral nerves provide a promising source of motor control signals for neuroprosthetic devices. Unfortunately, the clinical utility of current peripheral nerve interfaces is limited by signal amplitude and stability. Here, we showed that the regenerative peripheral nerve interface (RPNI) serves as a biologically stable bioamplifier of efferent motor action potentials with long-term stability in upper limb amputees. Ultrasound assessments of RPNIs revealed prominent contractions during phantom finger flexion, confirming functional reinnervation of the RPNIs in two patients. The RPNIs in two additional patients produced electromyography signals with large signal-to-noise ratios. Using these RPNI signals, subjects successfully controlled a hand prosthesis in real-time up to 300 days without control algorithm recalibration. RPNIs show potential in enhancing prosthesis control for people with upper limb loss.

Individual carbon fiber microelectrodes can record unit activity in both acute and semi-chronic (∼1 month) implants. Additionally, new methods have been developed to insert a 16 channel array of carbon fiber microelectrodes. Before assessing the in vivo long-term viability of these arrays, accelerated soak tests were carried out to determine the most stable site coating material. Next, a multi-animal, multi-month, chronic implantation study was carried out with carbon fiber microelectrode arrays and silicon electrodes.

Abstract Background Conventional neural probes are primarily fabricated in a cleanroom, requiring the use of multiple expensive and highly specialized tools. New method We propose a cleanroom “light” fabrication process of carbon fiber neural electrode arrays that can be learned quickly by an inexperienced cleanroom user. This carbon fiber electrode array fabrication process requires just one cleanroom tool, a parylene-c deposition machine, that can be learned quickly or outsourced to a commercial processing facility at marginal cost. Our fabrication process also includes hand-populating printed circuit boards, insulation, and tip optimization. Results The three different tip optimizations explored here (Nd:YAG laser, blowtorch, and UV laser) result in a range of tip geometries and 1kHz impedances, with blowtorched fibers resulting in the lowest impedance. While previous experiments have proven laser and blowtorch electrode efficacy, this paper also shows UV laser cut fibers can record neural signals in vivo . Comparison with existing methods Existing carbon fiber arrays either do not have individuated electrodes in favor of bundles or require cleanroom fabricated guides for population and insulation. The proposed arrays use only tools that can be used at a benchtop for fiber population. Conclusions This carbon fiber electrode array fabrication process allows for quick customization of bulk array fabrication at a reduced price compared to commercially available probes.

Abstract Despite the rapid progress and interest in brain-machine interfaces that restore motor function, the performance of prosthetic fingers and limbs has yet to mimic native function. The algorithm that converts brain signals to a control signal for the prosthetic device is one of the limitations in achieving rapid and realistic finger movements. To achieve more realistic finger movements, we developed a shallow feed-forward neural network, loosely inspired by the biological neural pathway, to decode real-time two-degree-of-freedom finger movements. Using a two-step training method, a recalibrated feedback intention–trained (ReFIT) neural network achieved a higher throughput with higher finger velocities and more natural appearing finger movements than the ReFIT Kalman filter, which represents the current standard. The neural network decoders introduced herein are the first to demonstrate real-time decoding of continuous movements at a level superior to the current state-of-the-art and could provide a starting point to using neural networks for the development of more naturalistic brain-controlled prostheses.

SUMMARY Modern brain-machine interfaces can return function to people with paralysis, but current hand neural prostheses are unable to reproduce control of individuated finger movements. Here, for the first time, we present a real-time, high-speed, linear brain-machine interface in nonhuman primates that utilizes intracortical neural signals to bridge this gap. We created a novel task that systematically individuates two finger groups, the index finger and the middle-ring-small fingers combined, presenting separate targets for each group. During online brain control, the ReFIT Kalman filter demonstrated the capability of individuating movements of each finger group with high performance, enabling a nonhuman primate to acquire two targets simultaneously at 1.95 targets per second, resulting in an average information throughput of 2.1 bits per second. To understand this result, we performed single unit tuning analyses. Cortical neurons were active for movements of an individual finger group, combined movements of both finger groups, or both. Linear combinations of neural activity representing individual finger group movements predicted the neural activity during combined finger group movements with high accuracy, and vice versa. Hence, a linear model was able to explain how cortical neurons encode information about multiple dimensions of movement simultaneously. Additionally, training ridge regressing decoders with independent component movements was sufficient to predict untrained higher-complexity movements. Our results suggest that linear decoders for brain-machine interfaces may be sufficient to execute high-dimensional tasks with the performance levels required for naturalistic neural prostheses.

ABSTRACT Brain-machine interfaces have shown promise in extracting upper extremity movement intention from the thoughts of nonhuman primates and people with tetraplegia. Attempts to restore a user’s own hand and arm function have employed functional electrical stimulation (FES), but most work has restored discrete grasps. Little is known about how well FES can control continuous finger movements. Here, we use a low-power brain-controlled functional electrical stimulation (BCFES) system to restore continuous volitional control of finger positions to a monkey with a temporarily paralyzed hand. In a one-dimensional, continuous, finger-related target acquisition task, the monkey improved his success rate to 83% (1.5s median acquisition time) when using the BCFES system during temporary paralysis from 8.8% (9.5s median acquisition, equivalent to chance) when attempting to use his temporarily paralyzed hand. With two monkeys under general anesthesia, we found FES alone could control the monkeys’ fingers to rapidly reach targets in a median 1.1s but caused oscillation about the target. Finally, when attempting to perform a virtual two-finger continuous target acquisition task in brain-control mode following temporary hand paralysis, we found performance could be completely recovered by executing recalibrated feedback-intention training one time following temporary paralysis. These results suggest that BCFES can restore continuous finger function during temporary paralysis using existing low-power technologies and brain-control may not be the limiting performance factor in a BCFES neuroprosthesis.

Brain-machine interfaces (BMI) aim to restore function to persons living with spinal cord injuries by 'decoding' neural signals into behavior. Recently, nonlinear BMI decoders have outperformed previous state-of-the-art linear decoders, but few studies have investigated what specific improvements these nonlinear approaches provide. In this study, we compare how temporally convolved feedforward neural networks (tcFNNs) and linear approaches predict individuated finger movements in open and closed-loop settings. We show that nonlinear decoders generate more naturalistic movements, producing distributions of velocities 85.3% closer to true hand control than linear decoders. Addressing concerns that neural networks may come to inconsistent solutions, we find that regularization techniques improve the consistency of tcFNN convergence by 194.6%, along with improving average performance, and training speed. Finally, we show that tcFNN can leverage training data from multiple task variations to improve generalization. The results of this study show that nonlinear methods produce more naturalistic movements and show potential for generalizing over less constrained tasks.

Abstract Peripheral nerve mapping tools with higher spatial resolution are needed to advance systems neuroscience, and potentially provide a closed-loop biomarker in neuromodulation applications. Two critical challenges of microscale neural interfaces are (i) how to apply them to small peripheral nerves, and (ii) how to minimize chronic reactivity. We developed a flexible mi croneedle n erve a rray (MINA), which is the first high-density penetrating electrode array made with axon-sized silicon microneedles embedded in low-modulus thin silicone. We present the design, fabrication, acute recording, and chronic reactivity to an implanted MINA. Distinctive units were identified in the rat peroneal nerve. We also demonstrate a long-term, cuff-free, and suture-free fixation manner using rose bengal as a light-activated adhesive for two timepoints. The tissue response at 1-week included a sham (N=5) and MINA-implanted (N=5) group, and the response at 6-week also included a sham (N=3) and MINA-implanted (N=4) group. These conditions were quantified in the left vagus nerve of rats using histomorphometry. Micro-CT was added to visualize and quantify tissue encapsulation around the implant. MINA demonstrated a reduction in encapsulation thickness over previously quantified interfascicular methods. Future challenges include techniques for precise insertion of the microneedle electrodes and demonstrating long-term recording.

Abstract To understand neural circuit dynamics, it is critical to manipulate and record from many neurons, ideally at the single neuron level. Traditional recording methods, such as glass microelectrodes, can only control a small number of neurons. More recently, devices with high electrode density have been developed, but few of them can be used for intracellular recording or stimulation in intact nervous systems, rather than on neuronal cultures. Carbon fiber electrodes (CFEs) are 8 micron-diameter electrodes that can be organized into arrays with pitches as low as 80 µm. They have been shown to have good signal-to-noise ratios (SNRs) and are capable of stable extracellular recording during both acute and chronic implantation in vivo in neural tissue such as rat motor cortex. Given the small fiber size, it is possible that they could be used in arrays for intracellular stimulation. We tested this using the large identified and electrically compact neurons of the marine mollusk Aplysia californica . The cell bodies of neurons in Aplysia range in size from 30 to over 250 µm. We compared the efficacy of CFEs to glass microelectrodes by impaling the same neuron’s cell body with both electrodes and connecting them to a DC coupled amplifier. We observed that intracellular waveforms were essentially identical, but the amplitude and SNR in the CFE were lower than in the glass microelectrode. CFE arrays could record from 3 to 8 neurons simultaneously for many hours, and many of these recordings were intracellular as shown by recording from the same neuron using a glass microelectrode. Stimulating through CFEs coated with platinum-iridium had stable impedances over many hours. CFEs not within neurons could record local extracellular activity. Despite the lower SNR, the CFEs could record synaptic potentials. Thus, the stability for multi-channel recording and the ability to stimulate and record intracellularly make CFEs a powerful new technology for studying neural circuit dynamics.