编辑 | 2049
想象一下，仅凭思维就能自如地操控电脑鼠标，就像健全人使用手部一样精准和流畅。这听起来像科幻片中的场景，但在加州理工学院（MIT）的最新研究中，这样的未来正在成为现实。
研究人员开发出了一种名为「FENet」的突破性技术，让瘫痪患者能够更精准地用意念控制电脑设备。
该研究以「Enhanced control of a brain-computer interface by tetraplegic participants via neural-network-mediated feature extraction」为题，于 2024 年 12 月 6 日发布在《Nature Biomedical Engineering》。
研究背景
脑机接口技术通过在大脑皮层植入电极阵列，让人类思维可以直接控制计算机，为截瘫患者重获活动能力带来希望。然而，当前的植入式脑机接口在精准度和可靠性方面还远未达到健全人手部操控的水平。
其核心挑战在于神经信号的提取和解码。这就像在嘈杂的音乐节现场要准确捕捉某个特定乐器的声音，如何从充满噪声的神经活动中识别出有效的控制信号。
随着时间推移，植入电极周围的组织变化会导致信号质量逐渐下降，而传统的信号处理方法如阈值检测（TCs）和小波变换（WTs）难以适应这种动态变化。这凸显了开发更智能、更稳健的特征提取方法的必要性。
技术创新
该团队提出的 FENet（Feature Extraction Network）框架通过深度学习方法实现了对这一技术瓶颈的突破。其核心创新在于构建了一个约束性端到端训练架构，通过以下机制实现了特征提取的优化：
图 1：方法概述。（来源：论文）
统一参数映射
FENet 采用一维卷积神经网络架构，创新性地对所有电极采用相同的特征提取参数。这一设计基于神经元活动的生物物理特性——动作电位波形主要取决于电极尖端与神经元的相对位置，而非神经元在行为中的具体功能。这种约束不仅降低了参数数量，提高了模型的泛化能力，更重要的是使得提取的特征具有跨电极、跨脑区的一致性。
双阶段优化策略
系统采用创新的双阶段优化架构：第一阶段将宽带神经信号转换为神经特征，第二阶段建立特征到行为的解码映射。这种分离设计确保了特征提取过程独立于具体的行为解码任务，提高了方法的通用性和稳定性。
自适应特征学习
FENet 通过深度学习框架，能够自适应地从原始信号中学习最具信息量的特征模式，而不是依赖预设的特征提取规则。这种数据驱动的方法显著提升了对复杂神经信号模式的捕获能力。
图 2：闭环训练和管道以及BCI 系统的结构和性能。（来源：论文）
实验验证
研究团队在三名截瘫患者身上进行了实验验证：54 岁的 JJ（C5-C6），32 岁的 EGS（C5-C6）和 62 岁的 NS（C3-C4）。JJ 提供了 54 次会话数据，时间跨度从 2019 至 2022 年；EGS 提供了 175 次会话数据，时间跨度从 2014 至 2018 年；而 NS 完成了 9 次会话的手指网格任务测试。
在闭环控制任务中，FENet 相比现有方法显著改善了多项指标：减少了瞬时角度误差，提高了路径效率，缩短了到达目标所需时间。
在8x8网格任务中，相比阈值检测法（t = -11.850, P < 0.0001）和小波变换法（t = -4.252, P < 0.0001），FENet 在成功率和信息传输率方面都取得显著提升。每次测试中，参与者都表示强烈偏好使用基于 FENet 的解码器。
研究还表明，FENet 展示了出色的泛化能力，可以在不同时期、不同脑区（如运动皮层和顶叶皮层）和不同受试者之间保持稳定性能。
虽然系统存在试验间的变异性，但这种变异性主要源于行为因素对单电极水平神经活动的影响，可以通过多电极记录和潜变量估计来缓解。这些发现为 FENet 在临床中的实际应用提供了重要支持。
图 3：JJ 的闭环性能评估。（来源：论文原图 Figure 2）
总之，FENet 的突破不仅开创了脑机接口优化的新范式，更让「用思维控制设备」的愿景更近一步。这项将神经科学与深度学习相结合的创新，证明了跨学科方法能带来显著突破。
论文链接：https://www.nature.com/articles/s41551-024-01297-1
