摘要：脑机接口（Brain–Machine Interfaces, BMIs）是一项革命性技术，它使一些无法移动或说话的测试参与者能够仅通过思考来沟通。这项技术通过植入大脑的设备捕捉与特定思维相关的神经信号，并将这些信号转换为控制信号，输入计算机或机器人肢体。例如，

脑机接口的现状与挑战

脑机接口（Brain–Machine Interfaces, BMIs）是一项革命性技术，它使一些无法移动或说话的测试参与者能够仅通过思考来沟通。这项技术通过植入大脑的设备捕捉与特定思维相关的神经信号，并将这些信号转换为控制信号，输入计算机或机器人肢体。例如，一个四肢瘫痪的人可以通过思考移动电脑屏幕上的光标来实现这一操作。

一旦BMI被训练识别出这种神经活动作为意图，人的思维就可以通过BMI传输以执行移动光标的动作。当前处于实验阶段的BMI还可能包括可以由残疾人的思想指令执行手动任务的机器人肢体。

要实现这一惊人的功能，所需的硬件包括一台计算机——无论是独立的还是内置于机器人设备中——以及一个植入使用BMI技术的大脑中的装置，用以通过思维传达意图。加州理工学院（Caltech）的研究人员使用的植入物是由100个微电极组成的阵列，安装在一个4x4毫米的芯片上。这些微电极通常长1.5毫米，深入大脑皮层，能够记录单个神经元的活动。

然而，这些微电极阵列的性能并不稳定，并且会随着时间推移而退化。为了克服这一挑战，加州理工学院的Azita Emami教授及其同事利用机器学习有效地解读了由较老植入物捕捉到的神经信号。

机器学习的应用与成果

图片来源：自然生物医学工程

“我们不仅观察到日复一日的变化，而且由于各种原因，脑-机接口的性能也会随时间下降。”Emami说，“这可能是植入物或其电极发生了微小位移，电极本身可能退化或被脑组织包裹。有些人认为，随着时间的推移，神经元可能会因为反应于植入物作为大脑中的异物而远离它。无论出于什么原因，我们接收到的信号变得越来越嘈杂。”

当BMI首次设置时，微电极阵列产生的信号特征是强烈的动作电位，在记录中看起来像尖峰。一旦这个强信号不再被微电极阵列检测到——即，当来自阵列的反馈变得更加嘈杂，神经尖峰不再清晰检测到时——将更远的神经元活动模式链接到可以成功传输给计算机或其他设备的具体意图就变得复杂得多。

研究人员尝试寻找替代信号，如所谓的阈值跨越或从远处神经元记录的局部场电位。一种方法是使用小波分析，测量神经活动中微小的振荡。但小波和其他方法的成功率有限。

现在，Emami和她的同事们发现，通过应用机器学习，BMIs可以被训练来解释即使在植入物信号变得不那么清晰的情况下，神经活动的数据。这项研究成果发表在《自然生物医学工程》（Nature Biomedical Engineering）期刊上。

Benyamin Haghi，前Emami实验室的研究生解释道：“以前我们依赖于计数神经尖峰，而现在我们创建了一个神经网络，它可以自动从整个神经信号中提取信息，从所有的小凹陷、峰值和信号变化中转换成患者的具体意图。”Emami补充说：“随着时间的推移，BMI已经在神经活动信号和看似噪声的信号上进行了训练，因此能够解读用户的意图。”

FENet算法的实际应用

Emami描述了一位因车祸失去行动能力的参与者JJ的经历。“当我们刚开始与他合作时，他的植入物已经使用了三年，并且已经开始退化。我们曾考虑移除植入物，但在使用我们的新算法后，他对继续使用现有系统感到满意。JJ可以在网格上非常精确地移动光标，就像植入物刚安装时一样。他可以玩视频游戏并控制模拟驾驶环境的电脑界面。”

团队开发的算法名为FENet（Feature Extraction Network）。令人惊讶的是，它可以在一个患者的数据显示上进行训练，然后成功应用于另一位患者。“这意味着我们在神经数据中捕捉到了某种基本的信息。”Emami说。不仅如此，FENet还可以泛化到不同的脑区和类型的电极，并易于集成到现有的BMIs中。