今年以來,腦機接口領域取得了很多進步。
比如,今年3月26日,Cell上發布一篇論文,研究人員報導了他們將微電極列陣植入兩組人腦,從而將運動功能定位到了低至單個神經細胞的水平上。揭示了被認為只控制某一身體部位的某一區域實際上操控著廣泛的運動功能,並闡明了不同神經元如何彼此協調。首次發現先前被認為只與胳膊及手部關聯的大腦區域有著整個身體的信息。
今年4月23日,Cell上發表文章,研究人員成功利用腦-機接口(BCI)系統幫一位脊髓嚴重損傷的受試者恢復了手部觸覺。這項技術能捕捉到人所無法感知的微弱神經信號,並通過發回受試者大腦的人工感覺反饋來增強這些信號,從而極大地優化受試者的運動功能。
這項技術在於捕捉人感知不到的觸覺刺激,把它加強至人能感知到的強度
2020年9月7日發表在《Nature Biotechnology》上的論文中,加州大學舊金山威爾神經科學研究所(UCSF)的研究人員在腦控假肢取得了重要進展:機器學習技術幫助癱瘓者通過大腦活動來學習控制電腦光標,而不需要大量的重複訓練。
「雖然BCI領域近年來取得了很大的進步,但由於現有的系統每天都要重置和校準,它們還不能融入大腦的自然學習過程。這就像讓一個人從頭開始一遍又一遍地學習騎自行車,」UCSF神經學系副教授、研究資深作者、醫學博士Karunesh Ganguly說,「讓人工系統適應人大腦複雜的長期學習模式,這在癱瘓患者身上是前所未有的。」
ECoG陣列是一個約便利貼大小的電極墊,通過手術放置在大腦表面。它們可以長期、穩定地記錄神經活動,並已被批准用於癲癇患者的癲癇發作監測。過去的BCI技術使用的是「針墊」式的鋒利電極陣列,這種陣列穿透腦組織獲得更敏感的記錄,但隨著時間的推移,信號往往會轉移或丟失。在這個案例中,作者獲得了在癱瘓患者中長期的、慢性植入ECoG陣列的研究批准,以測試其作為長期穩定的BCI植入物的安全性和有效性。
Fig. 1 | ltCLDA drives performance improvements.
研究人員開發了一種BCI算法,利用機器學習將ECoG電極記錄的大腦活動與用戶所需的光標移動相匹配。最初,研究人員需每天重置算法。參與者首先想像特定的脖子和手腕動作,同時看著光標在屏幕上移動。漸漸地,計算機算法會自我更新,使光標的運動與由此產生的大腦活動相匹配,有效地將光標的控制權轉交給用戶。然而,每天都開始這個過程,掌握設備的控制可能需要幾個小時,那麼參與者有時就不得不完全放棄。
Fig. 2 | Emergence of a refined decoder map for cursor control.
然後,研究人員切換到允許算法繼續更新以匹配參與者的大腦活動,而不用每天重置它。他們發現,大腦信號和機器學習增強算法之間的持續相互作用導致了許多天的性能的持續改善。最初,每天都有一些需要彌補的損失,但很快參與者就能夠立即達到最好水平。
隨著時間的推移,參與者的大腦能夠放大神經活動模式,它可以利用ECoG陣列最有效地驅動人工界面,同時消除不太有效的信號,這一「修剪過程」很像大腦學習任何複雜任務的過程。經過幾周的持續學習,當界面重置時,參與者迅速重新建立了相同的神經活動模式,從而有效地控制設備,將算法訓練到原來的狀態。在沒有再訓練的44天裡,表現力沒有下降。參與者甚至可以連續幾天不練習,表現也幾乎沒有下降。
這種「即插即用」的BCI性能一直是該領域的目標,但一直達不到,因為大多數研究人員使用的「針形」電極易隨時間而發生位移,改變每個電極所檢測到的信號。而且,由於這些電極穿透腦組織,免疫系統往往會排斥它們,逐漸削弱它們的信號。ECoG陣列比傳統植入物的敏感度低,但其長期穩定性似乎彌補了這一缺陷。ECoG記錄的穩定性對於更複雜的機器人系統(如假肢)的長期控制可能更為重要,這是Ganguly團隊 研究下一階段的關鍵目標。
參考資料:
1. Plug-and-play control of a brain–computer interface through neural map stabilization, Nature Biotechnology (2020). DOI: 10.1038/s41587-020-0662-5
2.https://www.ucsf.edu/news/2020/09/418396/first-plug-and-play-brain-prosthesis-demonstrated-paralyzed-person
編譯作者:CholeFu(brainnews創作團隊)
校審:Simon(brainnews編輯部)