9 月 7 日，影響因子比主刊 Nature 還高的《自然生物技術（Nature Biotechnology）》，發(fā)表了加州大學舊金山分校的一項突破性進展。

加州大學舊金山威爾研究所的神經科學研究人員通過一個人腦控制假肢的研究證明，機器學習技術可以幫助癱瘓患者通過大腦活動學習控制電腦光標，而不需要大量的日常再訓練。

這項可以讓大腦和機器學習系統(tǒng)隨著時間推移建立穩(wěn)定“伙伴關系”的“即插即用”技術的成功，正是過去所有腦機接口（BCI）研究工作一直追求的目標。

“腦機接口領域近年來取得了很大的進步，但由于現(xiàn)有的系統(tǒng)每天都要重新設置和校準，它們還不能進入大腦的自然學習過程。這就像讓一個人從頭開始一遍又一遍地學習騎自行車。”加州大學舊金山分校神經學系副教授、研究資深作者、醫(yī)學博士 Karunesh Ganguly 說，“讓人工學習系統(tǒng)適應大腦復雜的長期學習模式，這在癱瘓患者身上是前所未有的�！�

ECoG 電極陣列

皮層腦電圖（ECoG）陣列包括一個便利貼大小的電極墊，通過手術放置在大腦表面。它們可以長期、穩(wěn)定地記錄神經活動，并已被批準用于癲癇患者的癲癇發(fā)作監(jiān)測。

相比之下，過去的腦機接口技術往往使用的是“針墊”式的鋒利電極陣列，這種陣列穿透腦組織能夠獲得更敏感的記錄，但隨著時間的推移，信號往往會轉移或丟失。

為了證明了 ECoG 電極陣列在腦機接口應用中的價值，Ganguly 研究團隊獲得了在癱瘓患者中長期慢性植入 ECoG 陣列設備的批準，以測試其作為長期、穩(wěn)定的 BCI 植入物的安全性和有效性。

在這項最新研究論文中，Ganguly 的團隊記錄了在四肢癱瘓患者身上使用 ECoG 電極陣列的情況。受試者還參與了一項臨床試驗，該試驗旨在測試使用 ECoG 陣列來讓癱瘓患者控制假肢手臂和手，不過在這篇新論文中，參與者使用植入物實現(xiàn)的是控制屏幕上的電腦光標。

此外，研究人員還開發(fā)了一種腦機接口算法，利用機器學習將 ECoG 電極記錄的大腦活動與用戶所需的光標移動相匹配。最初，研究人員遵循每天重置算法的標準做法。參與者首先想象特定的脖子和手腕動作，同時看著光標在屏幕上移動。

漸漸地，計算機算法開始自我更新，使光標的運動與由此產生的大腦活動相匹配，有效地將光標的控制權轉交給用戶。

由于患者每天都要開始這個過程，就會給在可以達到的控制水平上設置一個嚴格的限制。因為掌握設備的控制可能需要幾個小時，有時參與者甚至不得不完全放棄。

然后，研究人員切換到允許算法繼續(xù)更新以匹配參與者的大腦活動，而不用每天重新設置它。他們發(fā)現(xiàn)，大腦信號和機器學習增強算法之間的持續(xù)相互作用，會在許多天內導致性能的持續(xù)改善。最初，每天都有一些需要彌補的損失，但很快參與者就能夠立即達到頂級水平的表現(xiàn)。