腦機(jī)接口（BCI）有望改善數(shù)百萬(wàn)腦損傷患者的生活質(zhì)量。運(yùn)動(dòng)BCI技術(shù)通過(guò)將微電極陣列植入四肢癱瘓者的運(yùn)動(dòng)腦區(qū)，將運(yùn)動(dòng)意圖從記錄到的神經(jīng)信號(hào)中解碼為指令信號(hào)，從而控制計(jì)算機(jī)光標(biāo)或機(jī)器人義肢。然而，這一過(guò)程尚未達(dá)到健全人所具備的精確度、速度、自由度和控制魯棒性。為提高BCI的性能并延長(zhǎng)植入電極的使用壽命，這迫切需要新的方法來(lái)解碼大腦的功能信息。

當(dāng)前BCI面臨設(shè)計(jì)無(wú)約束性的問(wèn)題，包括有限且昂貴的訓(xùn)練數(shù)據(jù)、低信噪比的預(yù)測(cè)特征、復(fù)雜的時(shí)間動(dòng)態(tài)、非線(xiàn)性的調(diào)諧曲線(xiàn)、以及神經(jīng)信號(hào)的不穩(wěn)定性等。因此，BCI通常分為兩個(gè)階段：首先從神經(jīng)信號(hào)中提取神經(jīng)特征，然后將神經(jīng)特征映射為控制信號(hào)。近期，加利福尼亞理工學(xué)院醫(yī)學(xué)工程系研究團(tuán)隊(duì)采用特征提取網(wǎng)絡(luò)FENet，旨在優(yōu)化神經(jīng)特征的信息內(nèi)容，并展示其在人類(lèi)參與者皮層內(nèi)BCI臨床試驗(yàn)中的進(jìn)展。相關(guān)研究成果2024年12月6日發(fā)表于《Nature Biomedical Engineering》期刊。

01

FENet簡(jiǎn)要概述

FENet(feature-extraction network)是一種緊湊型一維卷積網(wǎng)絡(luò)，旨在最大化提取神經(jīng)特征中包含的信息量，同時(shí)抽象出提取的神經(jīng)特征與后續(xù)解碼過(guò)程之間的參數(shù)關(guān)系（圖1b）。以往回顧性分析中，F(xiàn)ENet表現(xiàn)出良好的試驗(yàn)可分離性和更高的調(diào)諧曲線(xiàn)振幅。同時(shí)，群體水平分析表明，F(xiàn)ENet保留了排序神經(jīng)群體的表征結(jié)構(gòu)和時(shí)間動(dòng)態(tài)，提供了對(duì)大腦活動(dòng)神經(jīng)信號(hào)的精準(zhǔn)測(cè)量。此外，由于參與者、實(shí)驗(yàn)室、實(shí)驗(yàn)任務(wù)、電極植入位置和年齡等差異因素，BCI系統(tǒng)的絕對(duì)性能存在其固有的變異性。因而文章中，研究團(tuán)隊(duì)使用參與者內(nèi)部的比較來(lái)評(píng)估FENet的有效性。

FENet的設(shè)計(jì)衡量了在不同神經(jīng)記錄信號(hào)、參與者、腦區(qū)和植入持續(xù)時(shí)間上的泛化能力，考慮到不顯著增加解碼算法復(fù)雜性和訓(xùn)練數(shù)據(jù)量的要求。神經(jīng)信號(hào)在參與者執(zhí)行實(shí)驗(yàn)任務(wù)時(shí)收集，具體為參與者在計(jì)算機(jī)控制的光標(biāo)提示下嘗試運(yùn)動(dòng)，并執(zhí)行中心向外的任務(wù)（圖1e,f），訓(xùn)練數(shù)據(jù)為30 kHz采樣率。

Fig1. 實(shí)驗(yàn)方法概述。a. 單電極記錄的寬帶數(shù)據(jù)包含多種神經(jīng)活動(dòng)，如體細(xì)胞、樹(shù)突、軸突等。靠近電極的神經(jīng)元活動(dòng)更明顯，遠(yuǎn)離電極的則多記錄為MUAs。b. FENet結(jié)構(gòu)圖展示了特征生成和神經(jīng)解碼過(guò)程。c. FENet實(shí)現(xiàn)包括M-1個(gè)特征工程模塊、leaky ReLU和自適應(yīng)平均池化。d. 單個(gè)FENet特征工程模塊包含零填充、一維卷積濾波器、leaky ReLU激活函數(shù)和自適應(yīng)平均池化。f. 參與者使用BCI控制光標(biāo)，執(zhí)行中心向外任務(wù)和8×8網(wǎng)格任務(wù)，每次試驗(yàn)中，計(jì)算機(jī)隨機(jī)生成一個(gè)紅色目標(biāo)。

02

FENet提高了閉環(huán)控制

首先，F(xiàn)ENet旨在改善對(duì)外部設(shè)備的閉環(huán)控制。通過(guò)比較基于FENet、基于閾值的神經(jīng)波形穿越（TCs，為目前閉環(huán)控制的標(biāo)準(zhǔn)）和小波變換（WT）的BCI控制光標(biāo)運(yùn)動(dòng)，研究人員發(fā)現(xiàn)FENet在所有指標(biāo)上都優(yōu)于TC和WT（圖2）。具體而言，F(xiàn)ENet顯著改善了光標(biāo)軌跡，減少了瞬時(shí)角度誤差、提高了路徑效率并縮短了到達(dá)目標(biāo)的時(shí)間（圖2c-e,k-m）。

此外，F(xiàn)ENet提高了光標(biāo)對(duì)參與者意圖的響應(yīng)效率，顯著減少了目標(biāo)出現(xiàn)與光標(biāo)首次朝目標(biāo)移動(dòng)之間的時(shí)間延遲（圖2f,n）。其次，在8x8網(wǎng)格任務(wù)中，F(xiàn)ENet顯著提升了整體任務(wù)表現(xiàn)，包括成功率和比特率（圖2g,h,o,p）。最后，在雙盲實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)參與者強(qiáng)烈偏好基于FENet的解碼器。這些結(jié)果表明了FENet能夠顯著改善個(gè)體對(duì)外部設(shè)備的閉環(huán)控制能力。

Fig2. 參與者JJ 的閉環(huán)控制評(píng)估。在線(xiàn)軌跡涉及在中心向外范式中向八個(gè)目標(biāo)各移動(dòng)一次并返回。對(duì)比使用FENet特征與TC特征（左圖）和WT變換特征（右圖）的線(xiàn)性解碼器效果。在閉環(huán)控制指標(biāo)中，比較FENet與TC和WT在瞬時(shí)角度誤差、路徑效率和到達(dá)目標(biāo)時(shí)間的差異。

03

FENet提供了改進(jìn)的開(kāi)環(huán)解碼性能

為了評(píng)估了FENet在重建運(yùn)動(dòng)學(xué)方面的能力，研究團(tuán)隊(duì)使用先前從植入電極陣列中收集的開(kāi)放循環(huán)范式的神經(jīng)數(shù)據(jù)進(jìn)行分析。結(jié)果發(fā)現(xiàn)，與TCs和WT方法相比，F(xiàn)ENet顯著提高了平均交叉驗(yàn)證決定系數(shù)（R2），圖3a-d,圖4。同時(shí)，F(xiàn)ENet顯著降低了試驗(yàn)間和試驗(yàn)內(nèi)變異性（圖3e,f），從而提高了神經(jīng)特征與運(yùn)動(dòng)學(xué)之間的聯(lián)系。

此外，F(xiàn)ENet在調(diào)諧曲線(xiàn)中偏好與反偏好方向的振幅上進(jìn)行了大幅改進(jìn)，這提升了區(qū)分單個(gè)試驗(yàn)的能力。FENet的訓(xùn)練機(jī)制考慮了每個(gè)頻帶內(nèi)的編碼信息，使其能夠選擇性地增強(qiáng)不同頻率范圍內(nèi)的相關(guān)特征，以增強(qiáng)神經(jīng)信號(hào)解碼的性能。

Fig3. 對(duì)比FENet、TC、Debaucheries WTs、MUA、HFLFP以及FENet-HFLFP和TCs-HFLFP的性能。a,b, 參與者JJ在2019-2022年54次實(shí)驗(yàn)中的單次和平均表現(xiàn)。c,d, 參與者EGS在2014-2018年175個(gè)實(shí)驗(yàn)的單次實(shí)驗(yàn)和平均表現(xiàn)。e,f, 20190507實(shí)驗(yàn)中，參與者JJ的重建瞬時(shí)速度示例，展示了FENet、WT和TC在水平和垂直維度的重建效果。

04

FENet顯示出跨時(shí)間、腦區(qū)和參與者的泛化能力

FENet是在特定參與者和腦區(qū)的基礎(chǔ)上進(jìn)行訓(xùn)練的，但其結(jié)果應(yīng)更普遍地適用于任何需要從電信號(hào)記錄中推斷大腦功能狀態(tài)的情況。對(duì)此，研究人員在時(shí)間、腦區(qū)、參與者和電極子集上劃分訓(xùn)練數(shù)據(jù)，并比較劃分后數(shù)據(jù)泛化的性能。

結(jié)果發(fā)現(xiàn)，F(xiàn)ENet在不同時(shí)間段、腦區(qū)、參與者和電極之間呈現(xiàn)出顯著的泛化能力，也就是，即使神經(jīng)信號(hào)隨各類(lèi)因素顯著變化的情況下，F(xiàn)ENet也能保持相對(duì)穩(wěn)定的解碼表現(xiàn)。且在所有情況下，泛化表現(xiàn)顯著優(yōu)于應(yīng)用于相同數(shù)據(jù)集的TCs或WT（圖3b,d）

Fig4. FENet 提高了所有測(cè)試解碼算法的離線(xiàn)解碼性能。上下兩行面板分別展示參與者JJ和EGS在中心向外任務(wù)中的解碼器性能。共比較五種解碼算法在七種特征提取技術(shù)上的表現(xiàn)，包括FENet（紅）、WT變換（藍(lán)）、TCs（黑）、MUA（青）、HFLFP（紫）、FENet+HFLFP（綠）和TCs+HFLFP（黃）。測(cè)試的解碼算法有SVR、LSTM、卡爾曼濾波器（KF）和PSID。FENet特征訓(xùn)練的解碼算法性能普遍優(yōu)于其它特征提取技術(shù)。

05

FENet在任務(wù)間的泛化能力

研究人員也評(píng)估了FENet在任務(wù)間泛化的能力，即在一種任務(wù)數(shù)據(jù)上訓(xùn)練的數(shù)據(jù)是否可以解碼其它任務(wù)中的神經(jīng)特征信息。為此，研究人員將FENet應(yīng)用于“手指屈曲網(wǎng)格”任務(wù)數(shù)據(jù)集。結(jié)果發(fā)現(xiàn)，F(xiàn)ENet在區(qū)分手指動(dòng)作和提高解碼能力方面具備顯著的優(yōu)勢(shì)，F(xiàn)ENet在手指網(wǎng)格任務(wù)中保留了排序神經(jīng)元群體的表征結(jié)構(gòu)和動(dòng)態(tài)，同時(shí)減少了與動(dòng)作相關(guān)的干擾因素的影響。這顯示了FENet可以被嵌入到任何神經(jīng)科學(xué)和神經(jīng)工程處理鏈中的潛力。

Fig5. 特征提取技術(shù)的比較。比較JJ和EGS在使用不同特征提取技術(shù)的線(xiàn)性解碼器交叉驗(yàn)證R2值。結(jié)果顯示，基于FENet特征的線(xiàn)性解碼器為兩位參與者提供了更高的R2性能。

06

總體而言，F(xiàn)ENet在閉環(huán)控制和開(kāi)放循環(huán)解碼中展現(xiàn)出優(yōu)異的性能。重要的是，F(xiàn)ENet在多個(gè)參與者、不同腦區(qū)和不同任務(wù)中表現(xiàn)出良好的普適性，并顯著提高了神經(jīng)解碼的性能。FENet的設(shè)計(jì)考慮了實(shí)時(shí)運(yùn)行和低功耗的要求，使其能夠在閉環(huán)BCI系統(tǒng)中直接部署。

然而，盡管FENet在大多數(shù)情況下表現(xiàn)出色，但研究人員承認(rèn)BCI系統(tǒng)的性能可能受多種因素的影響，例如個(gè)體差異、植入部位、記錄效果、實(shí)驗(yàn)任務(wù)和解碼算法等。因此，F(xiàn)ENet的泛化能力需要在更大的數(shù)據(jù)樣本中進(jìn)一步驗(yàn)證。為了促進(jìn)FENet的發(fā)展和應(yīng)用，研究團(tuán)隊(duì)將代碼提供在公共存儲(chǔ)庫(kù)中，希望更多的臨床網(wǎng)站能夠測(cè)試并最終改進(jìn)FENet。

Reference：

https://www.nature.com/articles/s41551-024-01297-1

翻譯整理：BrainGeek

僅用于學(xué)術(shù)分享，若侵權(quán)請(qǐng)留言，即時(shí)刪侵！

歡迎加入腦機(jī)接口社區(qū)交流群，

探討腦機(jī)接口領(lǐng)域話(huà)題，實(shí)時(shí)跟蹤腦機(jī)接口前沿。

加微信群：

添加微信:RoseBCI【備注：姓名+行業(yè)/專(zhuān)業(yè)】。

歡迎來(lái)稿

1.歡迎來(lái)稿。投稿咨詢(xún)，請(qǐng)聯(lián)系微信：RoseBCI

點(diǎn)擊投稿：

2.加入社區(qū)成為兼職創(chuàng)作者，請(qǐng)聯(lián)系微信：RoseBCI

一鍵三連「分享」、「點(diǎn)贊」和「在看」

不錯(cuò)過(guò)每一條腦機(jī)前沿進(jìn)展