研究证明：机器学习可帮助瘫痪患者提供大脑活动学习控制电脑

9 月 7 日，影响因子比主刊 Nature 还高的《自然生物技术（Nature Biotechnology）》，发表了加州大学旧金山分校的一项突破性进展。

加州大学旧金山威尔研究所的神经科学研究人员通过一个人脑控制假肢的研究证明，机器学习技术可以帮助瘫痪患者通过大脑活动学习控制电脑光标，而不需要大量的日常再训练。

这项可以让大脑和机器学习系统随着时间推移建立稳定“伙伴关系”的“即插即用”技术的成功，正是过去所有脑机接口（BCI）研究工作一直追求的目标。

“脑机接口领域近年来取得了很大的进步，但由于现有的系统每天都要重新设置和校准，它们还不能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。”加州大学旧金山分校神经学系副教授、研究资深作者、医学博士 Karunesh Ganguly 说，“让人工学习系统适应大脑复杂的长期学习模式，这在瘫痪患者身上是前所未有的。”

ECoG 电极阵列

皮层脑电图（ECoG）阵列包括一个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，并已被批准用于癫痫患者的癫痫发作监测。

相比之下，过去的脑机接口技术往往使用的是“针垫”式的锋利电极阵列，这种阵列穿透脑组织能够获得更敏感的记录，但随着时间的推移，信号往往会转移或丢失。

为了证明了 ECoG 电极阵列在脑机接口应用中的价值，Ganguly 研究团队获得了在瘫痪患者中长期慢性植入 ECoG 阵列设备的批准，以测试其作为长期、稳定的 BCI 植入物的安全性和有效性。

在这项最新研究论文中，Ganguly 的团队记录了在四肢瘫痪患者身上使用 ECoG 电极阵列的情况。受试者还参与了一项临床试验，该试验旨在测试使用 ECoG 阵列来让瘫痪患者控制假肢手臂和手，不过在这篇新论文中，参与者使用植入物实现的是控制屏幕上的电脑光标。

此外，研究人员还开发了一种脑机接口算法，利用机器学习将 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。参与者首先想象特定的脖子和手腕动作，同时看着光标在屏幕上移动。

渐渐地，计算机算法开始自我更新，使光标的运动与由此产生的大脑活动相匹配，有效地将光标的控制权转交给用户。

由于患者每天都要开始这个过程，就会给在可以达到的控制水平上设置一个严格的限制。因为掌握设备的控制可能需要几个小时，有时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继续更新以匹配参与者的大脑活动，而不用每天重新设置它。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，会在许多天内导致性能的持续改善。最初，每天都有一些需要弥补的损失，但很快参与者就能够立即达到顶级水平的表现。

“即插即用”的脑机接口

“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伙伴关系，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。”

研究人员表示，随着时间的推移，参与者的大脑能够放大神经活动模式，它可以利用 ECoG 阵列最有效地驱动人工接口，同时消除不太有效的信号，而这一过程很像大脑学习复杂任务的过程。

他们观察到，参与者的大脑活动似乎形成了一种根深蒂固的、一致的大脑“模式”来控制脑机接口，这种情况在日常的重置和重新校准中从未发生过。

经过几周的持续学习，当界面重新设置时，参与者迅速重新建立起控制设备的相同的神经活动模式——有效地将算法重新训练到原来的状态。

“一旦用户建立了控制界面的解决方案的持久记忆，就不需要重新设置，”Ganguly 说。“大脑很快就会汇聚到同一个解决方案上。”

研究表明，他们可以完全停止算法的自我更新，参与者可以简单地每天开始使用界面，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，参与者甚至可以连续几天不练习，表现也几乎没有下降。

“我们一直注意到，我们需要设计出一种技术，它不会被束之高阁，而是能够切实改善瘫痪患者的日常生活。”Ganguly 说，这些数据表明，基于 ECoG 的脑机接口可以作为此类技术的基础。

而这种即时“即插即用”的脑机接口技术一直是该领域的重要挑战，因为大多数研究人员使用的“针形”电极往往会随时间移动，从而改变每个电极所捕获的信号。而且，由于这些电极穿透脑组织，免疫系统往往会排斥它们，逐渐削弱它们的信号。

ECoG 阵列虽然比传统植入物的敏感度低，但其长期稳定性似乎弥补了这一缺陷。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，这也是Ganguly 研究下一阶段的关键目标。
责编AJX