|
今年以来，脑机接口领域取得了很多进步。 比如，今年3月26日，Cell上发布一篇论文，研究人员报道了他们将微电极列阵植入两组人脑，从而将运动功能定位到了低至单个神经细胞的水平上。揭示了被认为只控制某一身体部位的某一区域实际上操控着广泛的运动功能，并阐明了不同神经元如何彼此协调。首次发现先前被认为只与胳膊及手部关联的大脑区域有着整个身体的信息。 今年4月23日，Cell上发表文章，研究人员成功利用脑-机接口（BCI）系统帮一位脊髓严重损伤的受试者恢复了手部触觉。这项技术能捕捉到人所无法感知的微弱神经信号，并通过发回受试者大脑的人工感觉反馈来增强这些信号，从而极大地优化受试者的运动功能。 这项技术在于捕捉人感知不到的触觉刺激，把它加强至人能感知到的强度。 2020年9月7日发表在《Nature Biotechnology》上的论文中，加州大学旧金山威尔神经科学研究所（UCSF）的研究人员在脑控假肢取得了重要进展：机器学习技术帮助瘫痪者通过大脑活动来学习控制电脑光标，而不需要大量的重复训练。 “虽然BCI领域近年来取得了很大的进步，但由于现有的系统每天都要重置和校准，它们还不能融入大脑的自然学习过程。这就像让一个人从头开始一遍又一遍地学习骑自行车，”UCSF神经学系副教授、研究资深作者、医学博士Karunesh Ganguly说，“让人工系统适应人大脑复杂的长期学习模式，这在瘫痪患者身上是前所未有的。” ECoG阵列是一个约便利贴大小的电极垫，通过手术放置在大脑表面。它们可以长期、稳定地记录神经活动，并已被批准用于癫痫患者的癫痫发作监测。过去的BCI技术使用的是“针垫”式的锋利电极阵列，这种阵列穿透脑组织获得更敏感的记录，但随着时间的推移，信号往往会转移或丢失。在这个案例中，作者获得了在瘫痪患者中长期的、慢性植入ECoG阵列的研究批准，以测试其作为长期稳定的BCI植入物的安全性和有效性。 Fig. 1 | ltCLDA drives performance improvements. 研究人员开发了一种BCI算法，利用机器学习将ECoG电极记录的大脑活动与用户所需的光标移动相匹配。最初，研究人员需每天重置算法。参与者首先想象特定的脖子和手腕动作，同时看着光标在屏幕上移动。渐渐地，计算机算法会自我更新，使光标的运动与由此产生的大脑活动相匹配，有效地将光标的控制权转交给用户。然而，每天都开始这个过程，掌握设备的控制可能需要几个小时，那么参与者有时就不得不完全放弃。 Fig. 2 | Emergence of a refined decoder map for cursor control. 然后，研究人员切换到允许算法继续更新以匹配参与者的大脑活动，而不用每天重置它。他们发现，大脑信号和机器学习增强算法之间的持续相互作用导致了许多天的性能的持续改善。最初，每天都有一些需要弥补的损失，但很快参与者就能够立即达到最好水平。 随着时间的推移，参与者的大脑能够放大神经活动模式，它可以利用ECoG阵列最有效地驱动人工界面，同时消除不太有效的信号，这一“修剪过程”很像大脑学习任何复杂任务的过程。经过几周的持续学习，当界面重置时，参与者迅速重新建立了相同的神经活动模式，从而有效地控制设备，将算法训练到原来的状态。在没有再训练的44天里，表现力没有下降。参与者甚至可以连续几天不练习，表现也几乎没有下降。 这种“即插即用”的BCI性能一直是该领域的目标，但一直达不到，因为大多数研究人员使用的“针形”电极易随时间而发生位移，改变每个电极所检测到的信号。而且，由于这些电极穿透脑组织，免疫系统往往会排斥它们，逐渐削弱它们的信号。ECoG阵列比传统植入物的敏感度低，但其长期稳定性似乎弥补了这一缺陷。ECoG记录的稳定性对于更复杂的机器人系统(如假肢)的长期控制可能更为重要，这是Ganguly团队 研究下一阶段的关键目标。 期待后面的研究！ 参考资料： 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./news/2020/09/418396/first-plug-and-play-brain-prosthesis-demonstrated-paralyzed-person 作者信息 编译作者：CholeFu（brainnews创作团队） 校审：Simon（brainnews编辑部） 前 文 阅 读 1，Cell重磅：利用微电极列阵记录人脑信号，结果“推翻了”教科书，助力脑机接口开发  欢迎加入超过 18000人的 全球最大的华人脑科学社群矩阵 |
|
|
