UCSF研究团队在瘫痪患者身上成功演示了“即插即用”脑机接口

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。

研究团队借助机器来解码大脑的电信号,为未来的医学功能修复打开了更多的可能 —— 比如改善阿尔茨海默病的筛查、对内部器官的监测、以及让瘫痪患者重新获得对义肢的控制能力。

UCSF研究团队在瘫痪患者身上成功演示了“即插即用”脑机接口

ECoG 阵列(来自:UCSF / Noah Berger 摄)

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。”

过去几年开发的此种类型的脑机接口(BCI),已经显现出了一些极具希望的潜在应用。

通过各种形式植入大脑之后,且借助先进的算法来提供动力,研究人员可将大脑电信号转为各种设备的控制输入,比如义肢、完整的外骨骼、甚至无人机

UCSF 开发的新技术,标志着该领域的研究又向前迈出了重要一步。其专注于将大脑活动转化为软件方面的行动,然后借助机器学习的算法训练。

通过让瘫痪患者来目视屏幕上的光标运动,可追踪其想象中的脖子或手腕部运动。在持续对算法进行定期(每日)重置之后,软件可逐步学会与用户设想相匹配的移动动作。

尽管每天需要耗费数小时来实验,但这套方案可最终达成预期的控制,此外科学家们也在积极改进和探索其它方面的应用。比如调整算法,以避免每日头从开始训练。

经过不断完善,最终算法可允许用户即时接入并开始使用。UCSF Health 的实践神经病学家 Karunesh Ganguly 表示:

通过确保算法的更新速度不会超过大脑的跟踪速度,我们可以进一步改善机器学习的速度,即大约每 10 秒钟更新一次。

我们认为这是大脑和计算机这两套系统之间建立了合作关系,最终可使人机界面成为用户能力的一个延伸,让他们可以自如地操控机械义肢(手或手臂)。

实验中使用的脑机接口(BCI)被称作 ECoG 阵列,其由便签纸大小的电极板组成,可通过外科手术植入到大脑表面。

在获得了特殊的批准之后,研究人员对接受植入物手术的患者开展了长期实验。

结果发现,即便没有进行任何日常校准,持续 44 天后的使用性能也不会出现下降。即使用户停用了数日,性能也只会略有下降。Karunesh(上图右)与学生 Stefan Lemke 讨论 ECoG(Steve Babuljak / 2016 摄)Karunesh(上图右)与学生 Stefan Lemke 讨论 ECoG(Steve Babuljak / 2016 摄)

研究资深作者、医学博士 Karunesh Ganguly 指出:随着时间的推移,使用者的大脑也会优化自身的活动,以更好地控制 BCI 和无需每日重新校准。

有关这项研究的详情,已经发表在近日出版的《自然生物技术》(Nature Biotechnology)期刊上。

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。[cnbeta]

上一篇:

下一篇:


标签