输入“/”快速插入内容

“即插即用”脑假体在瘫痪者中的首次展示

2024年12月8日修改
在神经科学领域的一项重大进展中,加州大学旧金山分校韦尔神经科学研究所的研究人员朝着脑控假肢肢体的方向努力,他们展示了机器学习技术如何帮助一名瘫痪者利用其大脑活动来学习控制计算机光标,而无需像以往所有脑机接口(BCI)研究那样进行大量的每日重新训练。
脑机接口领域近年来取得了巨大的进步,但由于现有的系统每天都必须进行重置和重新校准,它们无法充分利用大脑的自然学习过程。这就好比要求一个人每天都从零开始学习骑自行车,研究的高级作者、加州大学旧金山分校神经病学系的副教授卡鲁纳什·甘古利(Karunesh Ganguly)医学博士、哲学博士这样说道。“让一个人工学习系统能够与大脑复杂的长期学习模式顺利配合,这在瘫痪者身上是前所未有的。”
“即插即用”性能的实现展示了所谓的皮质脑电图(ECoG)电极阵列在脑机接口应用中的价值。ECoG 阵列包括一个大约像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,并且已经被批准用于癫痫患者的癫痫发作监测。相比之下,过去的脑机接口研究使用的是“针垫”式的尖锐电极阵列,这些电极会穿透脑组织以获得更敏感的记录,但随着时间的推移,它们往往会移位或失去信号。在这项研究中,作者获得了在瘫痪受试者中进行长期慢性植入 ECoG 阵列的研究性设备批准,以测试其作为长期、稳定的脑机接口植入物的安全性和有效性。
在他们 9 月 7 日发表在《自然·生物技术》上的新论文中,甘古利的团队记录了在一名四肢瘫痪(四肢瘫痪)的个体中使用 ECoG 电极阵列的情况。该参与者还参加了一项临床试验,旨在测试使用 ECoG 阵列让瘫痪患者控制假肢手臂和手,但在新论文中,参与者使用该植入物来控制屏幕上的计算机光标。
研究人员开发了一种脑机接口算法,该算法使用机器学习将 ECoG 电极记录的大脑活动与用户期望的光标移动相匹配。最初,研究人员遵循每天重置算法的标准做法。参与者会开始想象特定的颈部和手腕运动,同时观察光标在屏幕上移动。逐渐地,计算机算法会自我更新,以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交给用户。然而,每天都从头开始这个过程严重限制了可以实现的控制水平。掌握该设备的控制可能需要数小时,有些日子参与者甚至不得不完全放弃。
然后,研究人员切换到允许算法在不每天重置的情况下继续更新以匹配参与者的大脑活动。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多天来性能的持续改进。最初,每天会有一些小的退步,但很快参与者就能够立即达到最佳性能。
甘古利说:“我们发现,我们可以通过确保算法的更新速度不超过大脑能够跟上的速度——大约每 10 秒一次,来进一步提高学习效果。我们认为这是在试图建立两个学习系统——大脑和计算机之间的伙伴关系,最终让人工接口成为用户的延伸,就像他们自己的手或手臂一样。”
随着时间的推移,参与者的大脑能够放大它可以用来通过 ECoG 阵列最有效地驱动人工接口的神经活动模式,同时消除不太有效的信号——研究人员说,这是一个类似于大脑学习任何复杂任务的修剪过程。他们观察到,参与者的大脑活动似乎为控制脑机接口开发了一种根深蒂固且一致的心理“模型”,这在每天重置和重新校准的情况下从未发生过。当经过连续几周的学习后接口被重置时,参与者迅速重新建立了用于控制设备的相同神经活动模式——有效地将算法重新训练到其以前的状态。
甘古利说:“一旦用户建立了控制接口的解决方案的持久记忆,就不需要重置了。大脑会迅速回到相同的解决方案。”
最终,一旦建立了专业技能,研究人员表明他们可以完全关闭算法的自我更新需求,参与者可以每天简单地开始使用接口,而无需任何重新训练或重新校准。在没有重新训练的情况下,性能在 44 天内没有下降,参与者甚至可以几天不练习,而性能几乎没有下降。在一种脑机接口控制形式(移动光标)中建立稳定的专业知识,也使研究人员能够开始“叠加”其他学习技能——例如“点击”虚拟按钮——而不会损失性能。
这种即时的“即插即用”脑机接口性能一直是该领域的目标,但由于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,因此一直无法实现。此外,由于这些电极穿透脑组织,免疫系统往往会排斥它们,逐渐削弱其信号。ECoG 阵列不如这些传统植入物敏感,但其长期稳定性似乎弥补了这一缺点。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,这是甘古利研究的下一阶段的关键目标。
甘古利说:“我们一直都注意到需要设计一种不会被束之高阁的技术,而是能够真正改善瘫痪患者日常生活的技术。这些数据表明,基于 ECoG 的脑机接口可能是这种技术的基础。”
这项研究由加州大学旧金山分校和旧金山退伍军人事务医疗中心的丹尼尔·西尔弗史密斯(Daniel Silversmith)、雷扎·阿比里(Reza Abiri)、尼古拉斯·哈迪(Nicholas Hardy)和尼基莱什·纳特拉杰(Nikhilesh Natraj)共同领导。加州大学旧金山分校和旧金山退伍军人事务部的阿德琳·图-陈(Adelyn Tu-Chan)以及加州大学旧金山分校的爱德华·张(Edward Chang)也是共同作者。甘古利是该研究的通讯作者。
该研究由美国国立卫生研究院(NIH)通过 NIH 主任的新创新者奖励计划(grant no. 1 DP2 HD087955)资助。本研究中使用的信号处理和解码方法的开发得到了多丽丝·杜克慈善基金会(grant no. 2013101)的支持。
脑机接口技术的发展为瘫痪患者带来了新的希望。通过使用 ECoG 电极阵列和机器学习算法,研究人员成功地实现了“即插即用”的脑机接口性能,使瘫痪者能够更轻松地控制计算机光标,甚至可以在不需要重新训练的情况下长期保持良好的性能。这一突破不仅展示了脑机接口技术的巨大潜力,也为未来更复杂的机器人系统控制奠定了基础。随着技术的不断进步,我们有理由相信,脑机接口技术将在改善瘫痪患者生活质量方面发挥越来越重要的作用。同时,这项研究也提醒我们,在科技发展的过程中,我们应该更加注重技术的实际应用价值,努力让科技成果真正造福人类。此外,研究中的资金支持也表明了社会各界对科技创新的重视和支持,这将为更多的科研项目提供有力的保障,推动科技不断向前发展。