神經系統需要平衡神經表征的穩定性和可塑性。目前尚不清楚簡單且經過充分演練的動作表征穩定性如何，尤其是人類，以及他們對新環境的適應性如何。通過對四肢癱瘓的參與者使用ECoG腦機接口（BCI），加州大學舊金山分校（UCSF）的研究人員發現，一系列簡單想象動作的低維流形和相對表示距離非常穩定。然而，流形的絕對位置卻表現出受約束的日常漂移。

值得注意的是，在BCI控制期間，神經統計（尤其是方差）可以靈活調節以增加表示距離，而不會發生體位變化?？杀鎰e性會隨著練習而增強，且與BCI相關，這表明了情境的特定性。通過跨越多天的采樣表征可塑性和漂移，研究人員發現了具有可推廣決策邊界的元表征結構；這實現了對機械臂和手進行長期神經假肢控制，以實現伸手和抓取。

人類神經系統必須平衡穩定的運動控制與學習新動作的適應性。大腦活動形成了這些動作的神經表征，這是一個動態的過程，會隨著時間的推移而變化。

動物研究表明，這些表征不是固定的，而是會隨著重復的行為而微妙地變化。雖然對人類的研究證實了簡單動作具有不同的神經映射，但這些映射如何隨著時間推移而變化仍不清楚。

加州大學舊金山分校（UCSF）的研究人員利用基于ECoG的腦機接口來研究這種神經可塑性。研究人員通過在大腦運動區域植入傳感器網格，繪制了想象中的動作如何影響大腦活動模式。

這項研究在神經修復控制領域取得了突破性進展，使癱瘓患者能夠以前所未有的長期穩定度操作機械臂。該項研究成果近日發表在了《Cell》期刊上。

Karunesh Ganguly, M.D., Ph.D. (center), works in his lab with graduate students Runfeng Miao (left) and Harsha Peesapati (right). (CREDIT: Noah Berger/UC San Francisco)

訓練大腦再次運動

參與者首先通過兩周的簡單手和手指運動訓練AI模型。這些心理訓練提高了系統解碼其意圖的能力。實驗最初，對機械臂的控制不夠精確。為了提高準確性，研究人員引入了虛擬訓練。

參與者使用模擬機械臂練習引導設備，同時接收對其想象動作的反饋。這種虛擬環境使他能夠在過渡到實體機械臂之前完善其心理指令。經過幾次練習，他成功地將這些技能運用到了現實世界中。

該名參與者展示了令人印象深刻的控制能力，拿起積木，轉動積木，然后將其移動到新的位置。他甚至完成了復雜的任務，例如打開柜子，取出一只杯子，然后將其放置在飲水機下方。

上圖展示了腦機接口（BCI）如何接收大腦信號進行解碼，并允許研究參與者移動機械臂。(CREDIT: UC San Francisco)

長期真實世界hDoF神經假肢控制

對于端點傳輸（到達）控制，研究人員使用了IBID框架。然而，兩個中指的動作現在被用作模式切換。在夾持器模式下，用于笛卡爾到達控制的六個動作被重新映射到夾持器的自由度（上圖A和B）。這包括手圍繞一個固定的軸旋轉與抓手和向前和向后運輸的手的物體到達和撤回。

腦機接口的新紀元

神經學家Karunesh Ganguly博士表示：“這種人與AI之間的學習融合是這些腦機接口的下一個階段。我們需要通過這種方式實現復雜、逼真的功能?！?/p>

該名中風癱瘓的研究參與者在大腦表面植入了傳感器。當參與者想象移動手、腳或頭部時，這些傳感器記錄了神經活動。

研究人員利用AI分析了該名參與者的大腦運動表征每天的變化。雖然這些模式的總體結構保持穩定，但它們的位置略有變化。AI補償了這種漂移，確保功能穩定，無需頻繁重新校準。

長期穩定性與未來應用

傳統的BCI會隨著時間的推移而性能下降，需要經常重新校準。相比之下，UCSF系統在七個月內一直保持穩定功能，僅需要短暫調整以適應神經漂移。這種穩定性標志著實驗室外神經修復術實用化邁出了重要一步。

對于癱瘓患者來說，重新獲得執行基本任務的能力（例如進食或抓取物體）可能會改變他們的生活。研究人員目前正在改進AI模型，以提高速度和流暢性，并計劃在家庭環境中測試該系統。

“我非常確信我們已經學會了如何構建系統，并且能夠使其發揮作用，”Ganguly說道。

隨著技術的不斷進步，BCI可能很快就能為癱瘓患者提供一種前所未有的獨立性。

僅用于學術分享，若侵權請留言，即時刪侵！

歡迎加入腦機接口社區交流群，

探討腦機接口領域話題，實時跟蹤腦機接口前沿。

加微信群：

添加微信:RoseBCI【備注：姓名+行業/專業】。

歡迎來稿

1.歡迎來稿。投稿咨詢，請聯系微信：RoseBCI

點擊投稿：

2.加入社區成為兼職創作者，請聯系微信：RoseBCI

一鍵三連「分享」、「點贊」和「在看」

不錯過每一條腦機前沿進展