新火種
2024-12-31 
意念操控電腦，如手掌般精準！MIT腦機接口新技術登Nature子刊
編輯 | 2049
想象一下，僅憑思維就能自如地操控電腦鼠標，就像健全人使用手部一樣精準和流暢。這聽起來像科幻片中的場景，但在加州理工學院（MIT）的最新研究中，這樣的未來正在成為現實。
研究人員開發出了一種名為「FENet」的突破性技術，讓癱瘓患者能夠更精準地用意念控制電腦設備。
該研究以「Enhanced control of a brain-computer interface by tetraplegic participants via neural-network-mediated feature extraction」為題，于 2024 年 12 月 6 日發布在《Nature Biomedical Engineering》。
研究背景
腦機接口技術通過在大腦皮層植入電極陣列，讓人類思維可以直接控制計算機，為截癱患者重獲活動能力帶來希望。然而，當前的植入式腦機接口在精準度和可靠性方面還遠未達到健全人手部操控的水平。
其核心挑戰在于神經信號的提取和解碼。這就像在嘈雜的音樂節現場要準確捕捉某個特定樂器的聲音，如何從充滿噪聲的神經活動中識別出有效的控制信號。
隨著時間推移，植入電極周圍的組織變化會導致信號質量逐漸下降，而傳統的信號處理方法如閾值檢測（TCs）和小波變換（WTs）難以適應這種動態變化。這凸顯了開發更智能、更穩健的特征提取方法的必要性。
技術創新
該團隊提出的 FENet（Feature Extraction Network）框架通過深度學習方法實現了對這一技術瓶頸的突破。其核心創新在于構建了一個約束性端到端訓練架構，通過以下機制實現了特征提取的優化：
統一參數映射
FENet 采用一維卷積神經網絡架構，創新性地對所有電極采用相同的特征提取參數。這一設計基于神經元活動的生物物理特性——動作電位波形主要取決于電極尖端與神經元的相對位置，而非神經元在行為中的具體功能。這種約束不僅降低了參數數量，提高了模型的泛化能力，更重要的是使得提取的特征具有跨電極、跨腦區的一致性。
雙階段優化策略
系統采用創新的雙階段優化架構：第一階段將寬帶神經信號轉換為神經特征，第二階段建立特征到行為的解碼映射。這種分離設計確保了特征提取過程獨立于具體的行為解碼任務，提高了方法的通用性和穩定性。
自適應特征學習
FENet 通過深度學習框架，能夠自適應地從原始信號中學習最具信息量的特征模式，而不是依賴預設的特征提取規則。這種數據驅動的方法顯著提升了對復雜神經信號模式的捕獲能力。
圖 2：閉環訓練和管道以及BCI 系統的結構和性能。（來源：論文）
實驗驗證
研究團隊在三名截癱患者身上進行了實驗驗證：54 歲的 JJ（C5-C6），32 歲的 EGS（C5-C6）和 62 歲的 NS（C3-C4）。JJ 提供了 54 次會話數據，時間跨度從 2019 至 2022 年；EGS 提供了 175 次會話數據，時間跨度從 2014 至 2018 年；而 NS 完成了 9 次會話的手指網格任務測試。
在閉環控制任務中，FENet 相比現有方法顯著改善了多項指標：減少了瞬時角度誤差，提高了路徑效率，縮短了到達目標所需時間。
在8x8網格任務中，相比閾值檢測法（t = -11.850, P < 0.0001）和小波變換法（t = -4.252, P < 0.0001），FENet 在成功率和信息傳輸率方面都取得顯著提升。每次測試中，參與者都表示強烈偏好使用基于 FENet 的解碼器。
研究還表明，FENet 展示了出色的泛化能力，可以在不同時期、不同腦區（如運動皮層和頂葉皮層）和不同受試者之間保持穩定性能。
雖然系統存在試驗間的變異性，但這種變異性主要源于行為因素對單電極水平神經活動的影響，可以通過多電極記錄和潛變量估計來緩解。這些發現為 FENet 在臨床中的實際應用提供了重要支持。
圖 3：JJ 的閉環性能評估。（來源：論文原圖 Figure 2）
總之，FENet 的突破不僅開創了腦機接口優化的新范式，更讓「用思維控制設備」的愿景更近一步。這項將神經科學與深度學習相結合的創新，證明了跨學科方法能帶來顯著突破。
論文鏈接：https://www.nature.com/articles/s41551-024-01297-1
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
