Nature:研究人员设计稳定器来改善脑机接口
更多技术干货第一时间送达
导读
神经记录的不稳定性可导致临床脑机接口(BCI)失控。在这里，研究人员展示了低维神经流形(描述神经元之间特定关联模式的低维空间)的对齐可以用来稳定神经活动，从而在记录不稳定的情况下保持脑机接口的性能。研究人员在存在严重和突然的记录不稳定的情况下，通过皮层内BCIs在线控制光标时，以非人类灵长类对稳定剂进行了评估。稳定的BCIs在不同的不稳定条件下，经过多日恢复了有效的控制。稳定器不需要了解用户意图，并且可以超越监督的重新校准。即使在神经活动中几乎没有关于光标移动方向的信息，它也可以稳定BCI。该稳定器可应用于其他神经接口。
Emily Oby是匹兹堡大学生物工程博士后研究助理。
她和皮特以及卡内基梅隆大学的同事们一直在研究大脑是如何学习任务的
当人们遭受神经系统衰弱性损伤或疾病时，有时可能会失去执行通常被认为理所当然的任务的能力，例如走路、演奏音乐或开车。他们可以想象做些什么，但受伤可能会阻止这种行为的发生。
现有的脑机接口系统可以将脑信号转换为所需的动作以恢复某些功能，但使用起来却很麻烦，因为这些并不总是能够顺利运行，并且需要重新调整才能完成一些简单的任务。
匹兹堡大学(Universityof Pittsburgh)和卡耐基梅隆大学(CarnegieMellon University)的研究人员正在研究通过脑机接口技术来了解学习任务时大脑是如何工作的。
研究小组正在推进脑机接口技术，旨在帮助使用神经假肢的截肢患者改善生活。最近，研究小组将该项研究成果发表在《Nature Biomedical Engineering》上。
在该项目中，研究人员合作开发了从大脑到外部设备的直接途径。他们使用比头发还小的电极来记录神经活动，并将其用于控制算法。
当受试者形成运动意图时，电极之间就会产生活动模式，研究人员把这些活动呈现在电脑屏幕上。然后，受试者以唤起他们想要的动作的方式改变其神经活动模式。
在这项新研究中，研究小组设计了一种技术，该技术可使脑机接口在后台不断进行自我调整，以确保系统始终处于校准状态并随时可以使用状态。
研究人员发现改变了神经活动如何影响光标移动的方式，这可以唤起学习。这项研究的主要作者Pitt'sOby表示：“如果我们以某种方式改变这种关系，那就要求我们的实验动物产生新的神经活动模式，从而再次学会控制光标的移动。”
研究人员设计了一个稳定的BCI框架，利用稳定器从采集到的信号中提取稳定的潜在状态，结合这个状态来评估屏幕中的光标速度。
稳定的BCI框架的示意图
上图为稳定的BCI框架的示意图。从多个电极记录的神经活动（以尖峰栅格图的形式在此处显示）被合并，传递到稳定器中。稳定器提取稳定的潜在状态，该状态被传递给解码器以估计BCI光标的速度。尽管稳定器会动态调整神经记录的不稳定性，但解码器的参数会固定一段时间。
研究者设计了实验来验证稳定器的有效性，首先设计了基于歧管的稳定器，并展示了具有代表性实验阶段。
基于歧管的稳定器设计
上图为基于歧管的稳定器设计。
a. 神经记录不稳定性，如由特定电极(例如，3号电极(El. 3)红色)记录的神经元的变化;会导致记录的神经活动在几天内发生变化。
b. 如果只使用固定的BCI解码器，神经不稳定会导致第一天的解码器(蓝色/绿色箭头，为简单起见显示为一维矢量)变得与第二天记录的神经活动不一致(右;黑点)。这将导致BCI性能的下降。光标速度是通过将神经活动(黑点)投影到解码轴上获得的。
c. 结合稳定与固定解码器，可以使BCI性能在数天内保持较高水平。为了提取连续几天的神经群体活动的稳定表示，首先对每天记录的神经群体活动进行低维神经流形拟合。
代表性实验阶段
上图为代表性实验阶段。
a.实验阶段从初始BCI解码器的校准开始，随后是基线评估试用版（蓝色）。然后将不稳定性应用于神经活动，并打开稳定器并进行约320次试验。然后关闭稳定剂更新，并评估稳定的BCI的性能（绿色）。为了评估仅在存在不稳定性的情况下的性能，动物还在存在不稳定性（红色）的情况下使用不稳定的BCI解码器进行了一系列试验。在每个实验结束时，使用不稳定的BCI解码器和不稳定的最终基线块进行测试(品红)。这样做是为了确定稳定后基线表现（after-effects）是否存在任何瞬时变化，这些变化可能表明动物正在学习。
b. 代表实验的光标控制成功率和获取时间(L20160325)。垂直虚线表示稳定器更新。黑点表示除稳定器模块以外的所有模块在16个试验的非重叠组中的平均成功率和采集时间。对于此区块，黑点表示成功率和平均稳定时间，使用稳定器更新之间的所有试验计算得出，名义上每16次试验发生一次。成功率小于50％的块的采集时间未量化，而是用红点表示。为清晰起见，评估功能块的平均成功率和获取时间显示在每条迹线的右侧。
c.L20160325实验所选区块的光标轨迹。成功的试验用实线表示，失败的试验用虚线表示。
从某种意义上讲，该算法“学习”了如何适应神经记录接口固有的噪声和不稳定性。这些研究结果表明，人类掌握新技能的过程涉及新神经活动模式的产生。该团队最终希望将该技术用于中风康复的临床环境。
这种自我重新校准程序是神经修复领域长期寻求的目标，该团队研究中提出的方法能够从不稳定中自动恢复，而无需用户暂停以自行重新校准系统。
论文信息：
Alan D. Degenhart et al, Stabilization of a brain–computer interface via the alignment of low-dimensional spaces of neural activity, Nature Biomedical Engineering (2020). DOI: 10.1038/s41551-020-0542-9
更多阅读