《Building a better brain-computer interface》，译名：建立一个更好的脑机接口

作者：Matt Miles

出自：Medical Xpress

https://medicalxpress.com/news/2018-10-brain-computer-interface.html

脑-机接口（BCIs，Brain-computer interfaces）代表了神经技术的近期研究进展，其允许计算机系统直接与人或动物脑进行交互。该技术特别适用于脊髓损伤或麻痹的病例。在这些情况下，患者可能会通过使用神经解码器，传输来自大脑的神经指令，进行假肢的行动操作，甚至可以通过功能性电刺激（FES，Functional electrical stimulation），重新使瘫痪的肢体恢复活力。

---

Michael A. Schwemmer及其同事，在最近的一篇Nature Medicine文章中，详细介绍了他们使用深度神经网络解码器对BCI进行的研究，参与研究的志愿者患有脊髓损伤导致的四肢瘫痪。他们的研究重点是，解决BCI系统的最终用户确定的几个关键需求，即：高精度、最小日常设置、快速响应时间和多功能性，所有这些特征都会受到BCI特定神经解码算法的严重影响。

Schwemmer小组描述了几种不同的方法，用于训练和测试神经网络解码器（NN-BCI）的三种变体，进行变体间的交叉比较，并与一个支持向量机（SVM）解码器基准进行对比。在几年时间内，小组成员与一名患有四肢瘫痪的27岁男性志愿者，共同进行开发和测试，得出了4个BCI解码器范例。志愿者在其左侧初级运动皮层区域植入了一个96通道的微电极阵列，对应于手和手臂的控制。使用从865天的80组会话中收集的皮质内数据，研究人员对这些BCI解码器进行训练和评估。每组会话由两个104秒的数据块组成，其数据内容包含4种运动任务：食指伸展、食指弯曲、手腕伸展、手腕弯曲。

使用来自前40组会话（80个块）的数据开发和校准得到初始神经网络（NN）模型，它没有在训练/测试期的后半段进行更新，被称为固定神经网络（fNN）模型。以fNN为基础，创建了另外两个神经网络模型：监督更新（sNN）模型和无监督更新（uNN）模型。两个模型都使用来自后40组会话（更新/测试）中的第一个块的数据。sNN模型的算法依赖于显式训练标签，即已知的运动时间和类型。而uNN模型依赖于与肢体的预期动作相关的未分化或未知的直接输入。后40组会话中的第二个块用于所有模型（fNN、sNN、uNN、SVM）的准确度测试。

此处使用了四个单独模型，其目的是测试和演示三个神经网络模型相对于彼此和基准SVM模型的各方面指标。例如，监督神经网络（sNN）模型每天更新（在后40组会话中的第一个块期间），并直接与每日重新训练的SVM模型进行比较。固定神经网络（fNN）模型用于证明，在没有更新的情况下，BCI可以维持其准确性达到一年以上。

正如我们将要看到的，无监督神经网络（uNN）可能是最有趣的比较器，因为它试图结合从每日更新中获得的改进的准确性，但没有sNN模型所需的每日设置时间。准确性是所有测试中的关键性能指标，在此定义为后40组会话的第二个块中正确预测的时间段的百分比；准确率超过90％是最初在研究开始时所阐述的四个最终用户要求之一。

sNN始终优于每日重新训练的SVM：其在40个疗程中有37个准确度> 90％，而SVM仅有12个达到了> 90％的准确度。fNN在40组会话中有36个也超过了SVM，其在32组会话中达到了> 90％的准确率。毫无疑问，fNN精度低于sNN的准确度，并且同样作为固定解码器，fNN和SVM与每日更新的解码器相比，在研究期间的准确度呈现下降趋势。

然而，这项研究最有趣的发现可能是无监督神经网络（uNN）的性能，其在准确性方面优于两种固定模型，同时还满足最小日常设置的最终用户要求。在sNN模型需要明确的日常训练的情况下，uNN在其更新模式中包含来自一般用途的数据，其不需要这样的每日设置。与fNN相比，随着时间的推移会出现性能的差距，并且uNN的优势变得显而易见。uNN在响应时间方面也优于SVM，这是另一个关键的最终用户要求。

本研究关于神经病学的另一个重要方面是转移学习，即通过最少的额外训练和数据，可以将新的运动添加到现有的项目中。在这种情况下，“手掌伸开”和“手掌握紧”被添加到前四个动作中，并且所有解码器都被重建。此处，无监督更新也被用于构建无监督的传递神经网络（utNN），其仅在一次训练之后就形成了SVM模型。

最后，通过志愿者的FES控制的手和前臂，同时应用之前的研究，所有这些都在“离线”设置中进行，表明可以使用在原始四运动任务上训练的转移学习的uNN快速创建一个新的解码器，实时控制一只开放的手和三个手柄（可以，叉子和钉子）。在对系统的测试中，志愿者能够在45次尝试中执行所有三个手部移动抓握任务，没有失败。在此之前，他只能成功执行一次抓握任务。

在总结研究结果如何与之前描述的主要最终用户期望相关时，研究人员引用了以下成就：

（i）使用深度NN创建强大的神经解码器，维持高保真BCI控制超过一年没有重新训练；

（ii）引入一种新的更新程序，可以使用通过常规系统获得的数据来提高性能；

（iii）通过使用最少的附加数据进行转移学习来扩展功能；

（iv）引入同时解决这四种竞争的解码框架 BCI性能方面（准确性、速度，寿命和多功能性）。

此外，提供了临床演示，使用无反馈的想象手部运动的历史数据校准的解码器，可以成功用于实时控制FES诱发抓住物体的操作功能。

Schwemmer及其同事继续在更广泛的BCI研究领域中，对他们的研究结果进行更深入的讨论，并对实验的一些具体挑战和局限性进行评论。虽然，注意到uNN解码器的中值响应时间（0.9s）仍然比SVM解码器（1.1s）的响应时间更快，但他们认为小于750 ms的目标可能更接近现实的最终用户期望。

最终，他们得出结论：“我们已经证明基于NN的解码器可能优于其他实现，因为在使用转换学习进行初始解码器校准之后，可以轻松添加新功能。重要的是，我们表明这种增加更多运动的二次更新，需要最小的额外数据量。并且从离线数据和分析中获得的见解，可以延续到一个真实的在线BCI场景，只需要最少的额外数据收集。”