第一个“即插即用”的大脑假体在瘫痪患者身上进行了演示
在一个重大进展中，加州大学旧金山分校威尔神经科学研究所的研究人员正在研究一种大脑控制的假肢，他们已经表明，机器学习技术帮助瘫痪患者学会使用他们的大脑活动来控制电脑光标，而不需要大量的日常再训练，这是所有过去的脑机接口(BCI)工作的要求。
“近年来，BCI领域取得了巨大进步，但由于现有系统必须每天重置和重新校准，它们无法进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一样，”该研究的资深作者、加州大学旧金山分校神经学系副教授Karunesh Ganguly说。“让人工学习系统与大脑复杂的长期学习模式顺利工作，这在瘫痪患者身上从未出现过。”
“即插即用”性能的成就证明了所谓的ECoG电极阵列在BCI应用中的价值。ECoG阵列包括一个便签纸大小的电极垫，通过外科手术将其放置在大脑表面。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。相比之下，过去的BCI研究使用的是“针垫”式的锋利电极阵列，这种电极可以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。在本病例中，作者获得了用于瘫痪受试者长期慢性植入ECoG阵列的研究设备批准，以测试其作为长期稳定BCI植入物的安全性和有效性。
他们的新论文发表于2020年9月7日自然生物技术， Ganguly的团队记录了ECoG电极阵列在四肢瘫痪患者(四肢瘫痪)中的应用。该参与者还参加了一项临床试验，旨在测试ECoG阵列的使用，以让瘫痪患者控制假肢手臂和手，但在新论文中，参与者使用植入物控制电脑光标在屏幕上。
研究人员开发了一种BCI算法，该算法使用机器学习将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，研究人员遵循每天重置算法的标准做法。参与者在观看光标在屏幕上移动时，首先想象特定的颈部和手腕运动。渐渐地，计算机算法会自我更新，使光标的移动与由此产生的大脑活动相匹配，从而有效地将光标的控制权传递给用户。然而，每天重新开始这一过程会严重限制我们所能达到的控制水平。掌握设备的控制可能需要几个小时，有时参与者不得不完全放弃。
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，而不必每天重置它。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在许多天内性能的持续提高。刚开始的时候，每天都有一些需要弥补的不足，但很快参与者就能立即达到顶级水平的表现。
“我们发现，通过确保算法的更新速度不会超过大脑的跟上速度(大约每10秒更新一次)，我们可以进一步提高学习能力，”冈古利说，他是加州大学旧金山分校健康中心和旧金山退伍军人管理医疗中心神经病学与康复服务的执业神经学家。“我们认为这是试图在大脑和计算机这两个学习系统之间建立合作关系，最终让人工界面成为用户的延伸，就像他们自己的手或手臂一样。”
随着时间的推移，参与者的大脑能够通过ECoG阵列放大最有效地驱动人工界面的神经活动模式，同时消除不那么有效的信号——一个修剪过程很像大脑学习任何复杂任务的方式，研究人员说。他们观察到参与者的大脑的活动似乎形成了一种根深蒂固的、一致的控制BCI接口的心理“模式”，这在日常重置和重新校准中从未发生过。经过几周的持续学习后，当界面被重置时，参与者迅速重新建立了控制设备的相同神经活动模式——有效地将算法重新训练到以前的状态。
Ganguly说:“一旦用户对控制界面的解决方案有了持久的记忆，就不需要重新设置了。”“大脑会迅速收敛到相同的解决方案。”
最终，一旦专业知识建立起来，研究人员表明，他们可以完全关闭算法自我更新的需求，参与者可以简单地开始每天使用界面，而不需要再培训或重新校准。在没有再训练的44天里，表现没有下降，参与者甚至可以几天不练习，但表现几乎没有下降。在BCI控制的一种形式(移动光标)中建立稳定的专业知识，也允许研究人员开始“堆积”额外的学习技能——比如“点击”一个虚拟按钮——而不损失性能。
这种即时的“即插即用”BCI性能一直是该领域的目标，但一直无法实现，因为大多数研究人员使用的“针垫式”电极往往会随着时间的推移而移动，改变每个电极看到的信号。此外，由于这些电极穿透脑组织，免疫系统倾向于排斥它们，逐渐削弱它们的信号。ECoG阵列的灵敏度低于这些传统植入物，但他们的长期稳定性似乎弥补了这一缺点。ECoG记录的稳定性对于长期控制更复杂的机器人系统(如假肢)可能更为重要，这是Ganguly下一阶段研究的关键目标。
甘古利说:“可以说，我们一直注意到设计技术的必要性，这种技术不会被扔进抽屉里，而是能够真正改善瘫痪患者的日常生活。”“这些数据表明，基于ecog的bci可能是这种技术的基础。”
进一步探索
