将大脑的能力发挥到极致

上个世纪，医学界取得了许多重大突破，全世界的科学家都在孜孜不倦地寻找下一个突破点。对于许多医学研究人员来说，极有希望实现新突破的道路，就是了解人类大脑的工作原理，然后用它自己的信号模式与之沟通。大脑是一台有机超级计算机，它负责指挥身体其他部分正常运作，并解释各种感官所捕获的数据，让我们能够与外界互动。

解读我们的思维

现代电子系统可以捕获并解读来自大脑的信号，然后用于操作脑机接口（BCI）。这是一项发展迅速的新兴技术，其原理和许多其他电子解决方案一样简单：传感器捕获大脑发出的电信号，这些信号再经过调节和处理，生成控制信号，然后发送到设备或应用程序。其输出端可以是各种系统，包括计算机、机械，甚至人体的其他部位。

笔者自己动手做了一个动作感应手套，它利用适当位置的红外发射器向其他地方的传感器发送信号。其他动作感应手套可在手套上嵌入传感器，并通过放置在其他地方的两个或更多发射器进行三角测量。

当然，将理论付诸实践并非易事。我们已经能够较为准确地解读大脑活动，但理解这些信号的含义却仍然是一项巨大挑战，其复杂性的一大根源在于，即便是执行同一动作的信号，也会因患者意识状态和其他影响因素的作用而产生显著差异。如果要采用非侵入式设备实现实时解读，还会面临更大的困难。

01信号捕获

大脑中可以捕获到各种类型的信号；通过解读这些信号，我们可以知道大脑正试图采取什么行动。

一般而言，捕获信号的方式有三种：

侵入式：将电极直接植入大脑。这种方法可以获得分辨率极高的读数，但存在健康风险。此外，植入物还可能产生疤痕组织，致使捕获的信号减弱或使电极偏离极佳位置。

半侵入式：将电极植入颅骨下方，但不进入大脑。这种方法也可以获得不错的分辨率，而且对患者健康造成的风险较小。

非侵入式：将电极连接到头皮顶部。这种做法无需手术，但信号分辨率低于其他方法。

每种捕获方式都会应用到不同的技术中，具体取决于所测量的信号。例如，非侵入式技术包括脑电图（EEG）、脑磁图（MEG）、功能性磁共振成像（fMRI）和功能性近红外光谱（fNIRS）。然而，这些方法并不被视为BCI，因为它们只记录大脑活动，并不使用结果来产生可操作的输出。

一般而言，BCI系统需要体积小、性价比高且不显眼的设备。例如，如果能够克服健康风险，植入式设备将是理想选择。相较之下，fMRI虽然精度很好，但需要体积庞大、价格昂贵的设备。

无论采用何种技术，这些系统都能捕获1Hz至100Hz之间的脑电信号，这些信号可以分解为与患者警觉状态相对应的波段。例如，大约在8Hz到13Hz之间的alpha波段表示患者处于放松状态，而30Hz到100Hz之间的gamma波段则表示肌肉活动剧烈且感觉输入水平较高。这些信号的幅度在10μV到100μV之间。

图：大脑活动会产生各种波形。图中的频率为近似值。（图源：stock.adobe）

02信号调理

捕获信号后，必须对其进行调理，以便提取和处理有用信息。此过程首先要将信号进行放大，并过滤掉对于分类而言不必要的频率和噪声。随后对信号进行数字化处理。信号调理非常重要，因为捕获到的信号信噪比非常低。信号经过清理后，就更容易确定和提取有助于解释大脑预期动作的特征。

03特征提取

特征提取可能是整个过程中极具挑战性的阶段，因为其中涉及许多变量，而且信号通常会因多种因素（包括受试者的注意力、心理状态，甚至不同受试者之间的解剖差异）而发生变化。除了提取测量信号的相关部分外，特征提取过程还会对信号进行变换，以获得新的特征，从而提高效率并提升精度。不同类型的变换更适合不同的应用。特征提取中常用的变换包括小波变换、快速傅立叶变换（FFT）、线性判别分析（LDA）、主成分分析（PCA）、经验模态分解（EMD）和自组织映射（SOM）[3]。

与信号捕获阶段一样，特征提取阶段需要仔细权衡功率和性能，以选择合适的组件来完成这项任务。在某些应用中，需要由PC来提供处理能力；而在其他应用中，现代微控制器（尤其是具有AI功能和复杂数学计算功能的微控制器）就可以完成这项任务。

04分类

BCI技术的分类阶段通常使用翻译算法，将特征提取阶段得出的用户期望操作转换为向目标设备输出的控制信号。这些数据集通常可从早期研究中获得。提取的特征可根据频率和形状，基于线性和非线性方法进行分类。这不是一门精确的科学，需要对用户、数据集或两者进行训练，以减少误差并提高准确性。翻译算法的开发依赖于各种分类器，如k-近邻（kNN）、线性判别分析（LDA）、神经网络和支持向量机（SVM）等。

此阶段所需的计算能力和计算速度取决于所使用的分类器。线性分类器速度较快，且耗电量和消耗的计算资源较少，但准确度较低。非线性分类技术虽然准确度较高，但会耗费较多的时间和电力。合适的分类方法取决于具体应用。

05输出

信号的输出方式有很多种。它可以控制屏幕上的光标，就像Neuralink近期展示的四肢瘫痪者操作复杂的CAD程序以及玩电子游戏一样[4]；它也可以控制假肢和其他机器。许多现有的应用改善了患者的生活，还有更多的应用正在开发中。也许非常激动人心、具有变革性的例子，就是将输出转换回大脑信号来控制身体的各个部位。

神经调节是一种广为人知的医疗技术，可以向身体某些部位的神经细胞或神经元发送信号，或者阻断发向它们的信号。这项技术早在20世纪60年代初用作深层脑刺激方式，以缓解慢性疼痛。如今，缓解疼痛仍然是神经调节主要为人所知的应用，但它还有许多其他应用，例如脊髓刺激，可以帮助帕金森病患者改善活动能力[5]。随着电子技术的进步以及我们对大脑工作原理认识的加深，神经调节治疗的案例数及其复杂程度也在不断增加。

神经调节有两种不同的类型：电刺激和化学刺激。在电刺激中，脉冲发生器和电源相结合，用于对大脑、脊髓或周围神经进行治疗。在化学刺激中，药物被精确地施加到所需区域。无论采用哪种方法，这项治疗都可以抑制大脑发出的疼痛信号或刺激神经冲动。

与大脑对话

上文中，我们探讨了从大脑到应用程序的单向路径，但应用程序也可以直接与大脑通信。通过了解大脑的信号，我们还可以伪造出通常由感官发送的信号，使大脑了解身体和外界正在发生的事情。某些疾病会打破感官和神经系统之间的联系。例如，许多听力受损患者的耳蜗神经是完好无损的，依然能够向大脑传递听觉信号，但他们的内耳受到了损伤，无法传递声音信号[6]。

而人工耳蜗所做的，就是绕开受损区域，将声音传递给大脑。声音首先由麦克风从外部拾取，然后经过处理并传输到接收器，接收器将声音转换为电信号，并发送到电极阵列，将声音直接传递给听觉神经，从而帮助患者恢复部分听力。

图：典型的人工耳蜗植入体。（图源：Pepermpron/stock.adobe.com）

未来趋势

本文介绍的一系列技术凸显了我们在与大脑交互方面取得的进展——无论是解读大脑信号来控制机器，还是利用神经通信连接身体其他部位进行神经调节，还是直接与大脑进行交互。将这些技术结合起来后，实现完全双向的系统只是时间问题。例如，当患者的脊柱受损时，我们可以完全绕过受损的神经系统部分，发送控制肢体所需的信息。当实现这一点后，我们就可以向大脑发送反向信号，以提供反馈。通过这一过程，患者将能够移动肢体，并感受到他们可能早已失去的感觉。

这种治疗方法可能离我们还很遥远，而且每个部分可能都是独立发展的。大脑反馈系统很可能率先用于假肢BCI应用，其出现可能远远早于能够精确复制脊柱受损患者肢体运动所需运动技能的BCI技术。

目前，实现这些进步的部分技术正在开发中，还有一部分已经实现。能够捕捉大脑活动的传感器以及过滤、放大和转换信号所需的模拟解决方案正在不断改进。未来，这些模拟系统可能变得不再必要，因为一些研究人员正在探索直接从原始测量信号中提取特征，并使用AI一步完成分类的方法，从而绕过传统的调节过程。随着我们对AI的理解不断加深，以及这项技术的硬件和算法不断改进，以减少所需的能耗和计算量，植入物将变得更小、更实用，为患者提供更精确的解决方案，进一步改善他们的生活，同时减少弊端。