9 月 7 日，影響因子比主刊 Nature 還高的《自然生物技術（Nature Biotechnology）》，發表了加州大學舊金山分校的一項突破性進展。

  加州大學舊金山威爾研究所的神經科學研究人員通過一個人腦控制假肢的研究證明，機器學習技術可以幫助癱瘓患者通過大腦活動學習控制電腦光標，而不需要大量的日常再訓練。

  這項可以讓大腦和機器學習系統隨著時間推移建立穩定“伙伴關系”的“即插即用”技術的成功，正是過去所有腦機接口(BCI)研究工作一直追求的目標。

  “腦機接口領域近年來取得了很大的進步，但由于現有的系統每天都要重新設置和校準，它們還不能進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。”加州大學舊金山分校神經學系副教授、研究資深作者、醫學博士 Karunesh Ganguly 說，“讓人工學習系統適應大腦復雜的長期學習模式，這在癱瘓患者身上是前所未有的。”

  皮層腦電圖（ECoG）陣列包括一個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，并已被批準用于癲癇患者的癲癇發作監測。

  相比之下，過去的腦機接口技術往往使用的是“針墊”式的鋒利電極陣列，這種陣列穿透腦組織能夠獲得更敏感的記錄，但隨著時間的推移，信號往往會轉移或丟失。

  為了證明了 ECoG 電極陣列在腦機接口應用中的價值，Ganguly 研究團隊獲得了在癱瘓患者中長期慢性植入 ECoG 陣列設備的批準，以其作為長期、穩定的 BCI 植入物的安全性和有效性。

  在這項最新研究論文中，Ganguly 的團隊記錄了在四肢癱瘓患者身上使用 ECoG 電極陣列的情況。受試者還參與了一項臨床試驗，該試驗旨在使用 ECoG 陣列來讓癱瘓患者控制假肢手臂和手，不過在這篇新論文中，參與者使用植入物實現的是控制屏幕上的電腦光標。

  此外，研究人員還開發了一種腦機接口算法，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，研究人員遵循每天重置算法的標準做法。參與者首先想象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，計算機算法開始自我更新，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。

  由于患者每天都要開始這個過程，就會給在可以達到的控制水平上設置一個嚴格的限制。因為掌握設備的控制可能需要幾個小時，有時參與者甚至不得不完全放棄。

  然后，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，而不用每天重新設置它。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，會在許多天內導致性能的持續改善。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頂級水平的表現。

  “我們認為這是試圖在大腦和計算機這兩個學習系統之間建立伙伴關系，最終讓人工界面成為用戶的延伸，就像他們自己的手或手臂一樣。”

  研究人員表示，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接口，同時消除不太有效的信號，而這一過程很像大腦學習復雜任務的過程。

  他們觀察到，參與者的大腦活動似乎形成了一種根深蒂固的、一致的大腦“模式”來控制腦機接口，這種情況在日常的重置和重新校準中從未發生過。

  經過幾周的持續學習，當界面重新設置時，參與者迅速重新建立起控制設備的相同的神經活動模式——有效地將算法重新訓練到原來的狀態。

  “一旦用戶建立了控制界面的解決方案的持久記憶，就不需要重新設置，”Ganguly 說。“大腦很快就會匯聚到同一個解決方案上。”

  研究表明，他們可以完全停止算法的自我更新，參與者可以簡單地每天開始使用界面，而不需要再培訓或重新校準。在沒有再訓練的 44 天里，表現沒有下降，參與者甚至可以連續幾天不練習，表現也幾乎沒有下降。

  “我們一直注意到，我們需要設計出一種技術，它不會被束之高閣，而是能夠切實改善癱瘓患者的日常生活。”Ganguly 說，這些數據表明，基于 ECoG 的腦機接口可以作為此類技術的基礎。

  而這種即時“即插即用”的腦機接口技術一直是該領域的重要挑戰，因為大多數研究人員使用的“針形”電極往往會隨時間移動，從而改變每個電極所捕獲的信號。而且，由于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 陣列雖然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 記錄的穩定性對于更復雜的機器人系統(如假肢)的長期控制可能更為重要，這也是Ganguly 研究下一階段的關鍵目標。

  排版：趙辰霞

  編審：王新凱

  資料來源：

   >