编译：李骁健老师
文章来源：神经工程变革技术
编者的话：这篇文章是专业顶刊里发表的唯一一篇提出把脑机接口概念从运动系统扩展到情绪系统的观点文章，而且从系统实现的角度该说的基本也都说了。本质上讲，脑机接口是控制与学习的过程，是贯通神经系统与计算机系统的智能科学。脑机接口又是涉及多种技术有机集成的大工程。高级形式的脑机接口将是人脑智能与人工智能的集大成者。目前的技术瓶颈在其最前端的神经界面上，信号的质量和带宽都被其所限。很多人知道马斯克的脑机接口公司-Neuralink。有人仿制他们的模拟前端芯片就号称可以正面PK了，这种想法显然肤浅了。他们目前展示的仅仅是脑机接口的部分前端技术-信号转换器。这篇文章就是在讲它后边的事。从运动脑机接口到情绪脑机接口（2）——运动脑机接口
用于运动功能恢复的脑机接口闭环控制的理念推动了脑机接口解码器的发展。包括调整解码器的构造和训练方式以及引导感觉运动脑机接口形成新的控制通路（图2）。类似于我们学习新的自然技能，用户可以通过改变神经表征来学会控制脑机接口，这一过程就是神经适应。从闭环控制的角度出发，我们通过解码器引导脑机接口去适配神经适应。在侵入式运动脑机接口中可以记录多个尺度的神经信号（专栏1），我们重点放在使用神经脉冲信号的解码器上。基于闭环控制原理的解码器设计。脑机接口设计的第一步是训练解码器（图2a）。一旦选择了解码器的模型结构（专栏1），就要在一个训练时段内估算出模型参数，将神经活动回归到运动意图上。一种训练解码器的方法是让用户移动手臂或想象手臂运动的同时记录神经活动。这是一种开环的，在训练时用户并不控制脑机接口也没接收反馈。图2a开环训练的前提假设是自然运动和脑机接口运动的神经表征是相似的。但是在脑机接口中，用户控制执行器的动力学过程与控制生物手臂是不同的，表现在没有触觉或本体感觉反馈而只有视觉反馈，而且用来驱动运动的神经元数量也非常有限。从闭环控制角度来看，以上差异可能导致这两种情况下的神经表征是不同的。于是在闭环脑机接口的操作中加入了对解码器进行训练（即适应）的过程，即闭环解码器适应。在这种方法中，当用户控制执行器向指定的视觉目标运动时（图1a），可以利用神经活动和运动意图（通常是速度意图）间歇或连续地调整解码器参数（图2a）。这种方法可以大幅提高脑机接口的性能。最近的研究还表明，使用较快的解码器自适应时标可以加快实现精确控制，例如，使用点过程自适应解码器可以进行单个脉冲事件驱动的参数更新（专栏1）。解码器自适应中的一个主要问题是如何在训练期间估算运动意图（专栏3）。从简化训练出发可以先估计运动方向，比如假设用户打算直接朝运动目标前进。这种方法确实提高了卡尔曼滤波器脑机接口的性能（专栏1）。最近有研究通过建立脑机接口最佳反馈控制模型来估算意图，该模型通过同时估算运动意图的方向和速度（专栏3），提升了点过程脑机接口的性能（专栏1）。从闭环控制的角度可以预测脑机接口的感觉运动通路的一些属性会影响用户的控制效果（图2b）。比如解码未来的运动趋势或减少卡尔曼滤波器内神经脉冲计数的窗口宽度可以缩短脑机接口感觉运动延迟，从而提高控制效果。同样，更快的脑机接口控制速率和反馈速率（将控制命令发送到执行器的频率以及接收反馈的频率）与点过程脉冲解码器配合使用，也能增强脑机接口的控制效果。最近开发的多尺度解码器，结合了场电位与脉冲信号而且能保证快速的控制和反馈速率。它既能在较慢的时间尺度上从连续的场电位信号中获取信息，又能同时在毫秒级尺度上对二进制的神经脉冲信号解码（专栏1）。图2b在脑机接口中进行学习和神经适应。闭环控制思想还强调了通过结合由学习介导的神经适应与解码器的自适应来提升脑机接口的性能（图2a）。学习控制脑机接口过程中的神经适应是由感觉和奖励反馈驱动的。早期研究发现，尽管解码器每天都是重新训练的，但控制性能却一直在提升。后来是采用一个固定的解码器对动物进行练习，这个解码器在多天里都是将同一群神经元的活动转换为运动状态。这种方式强化了脑机接口的控制技能，并形成了对运动高度稳定的神经表征。这个神经表征不受学习其他解码器过程的干扰并且能很快回忆起来，类似于自然运动技能的学习效果。但是，较长时间维持记录的神经元群的稳定是比较困难的，而且学习固定解码器也需要较长时间（几天）。那么我们能否把较快的解码器自适应功能与较慢的神经自适应功能结合起来加快技能学习呢？最近研究发现，即使在记录的神经元群持续变化的情况下主要通过解码器自适应提升了性能，神经自适应过程也是存在的，而且对熟练度的提升也有贡献。这项研究指出解码器和记录的神经元群的渐变过程是借助解码器自适应形成技能的原因，而且两种自适应过程都参与了。运动脑机接口用于研究控制和学习的神经机制运动脑机接口是建立了一个简化的感觉运动环路。用来控制运动的神经元群是直接限定的，解码器决定了神经活动到运动的映射关系，指示了执行器的动态过程也能把不同的感觉反馈模态分离开（例如视觉和本体感觉）。由于脑机接口可以精确地操纵这个环路中的每个元素，非常适合进行控制和学习机制的研究。解码器的操作揭示了脑机接口学习的机制。我们通过脑机接口能够研究输出神经元的活动（直接用来驱动解码器）与其他感觉运动区域的相互作用是如何因学习新的解码器而被改变的（图2b）。解码器的操作过程揭示了脑机接口学习的两种可能的神经机制。首先，学习可以利用解码的运动作为反馈（即神经反馈）直接在单个神经元水平上改变输出神经元群的活动来实现运动目标。其次，学习可以先搜索已有的与自然运动有关的神经活动模式集，然后将它们与新的运动意图关联起来。两者主要区别是前者可以生成新颖的神经表征，后者则不能。有多项研究支持第一种机制。受试者可以学习输出神经元活动与行为之间任意的映射关系。脑机接口学习使输出神经元的活动与附近的神经元产生不同的变化。即使输出神经元在脑皮层中，脑机接口学习也会使皮质-纹状体相互作用发生变化。有一些研究也支持第二种机制。当在解码器中改动运动皮层神经元的方向调谐并产生视动旋转时，神经表征的主要变化都可以用重命名策略来解释：已有的活动模式现在对应于移向一个不同的旋转过的目标位置。同样，在顶叶区域中，在学习过程中输出神经元和附近神经元活动的变化是相关的，用重命名也能充分解释。最近的研究通过信息降维来研究M1神经元群体的学习过程，并用一个低维流形来表征高维群体活动（每个维对应一个神经元）的演化过程。学习用被改动的解码器做控制时，当要用的被改动的活动模式在原始固有流形内部时，比在外部的会更容易。这表明学习是由已有的神经群集完成的。此外，被试者是通过在流形内部将已有的活动模式与不同的运动意图间建立新关联来学习的。导致重关联的变化可能在M1的上游就发生了，比如M1的输入已经产生改变。虽然这两种学习机制似乎不一致，但有证据表明它们可以同时发生，只是时间范围不同。在从事学习的1-2小时内，就能观察到现有神经库的重关联现象，这与运动适应机制是一致的。而输出神经元个体活动的变化涉及长到几天的学习过程，这与技能学习的机制是一致的。先前的研究表明，适应和自然运动学习分别由基于模型的和无模型的计算机制主导。在基于模型的机制中，运动表现的提高是由环境的内部模型指导的。内部模型是由模型预测与运动指令的实际感觉结果间的误差经验习得的。相反，无模型机制是通过试错法学到哪些命令可以产生成功的输出从而直接指导控制命令的选择，因此速度较慢。基于模型的机制在计算上比无模型机制复杂得多但很灵活。这些计算机制是否也是脑机接口学习的基础呢？比如现有神经库的重关联可能与基于模型的机制更加一致，因此速度更快，而单个神经元学习可能与无模型机制更加一致。反馈和控制通路操纵。脑机接口可用来研究感觉反馈在控制和学习中的作用（图2b）。最近一项脑机接口研究使用速率无关的点过程解码器在不更改解码器的前提下独立地操作控制和反馈速率（图2b和专栏1）。即使在反馈速率不变的情况下，提高控制速率也能显著改善控制效果，而增加反馈速率可以进一步提高控制效果，这表明脑机接口与自然运动控制一致，是同时使用基于内部模型的前馈和反馈控制策略的。另一项研究发现了脑机接口控制神经活动内部模型的证据，该模型可以补偿感觉反馈延迟。脑机接口也可以使视觉和本体感受反馈的作用分离。一项研究表明，当手臂被动与脑机接口运动做一致运动时，通过在视觉反馈中增加本体感受可以提高表现。先前的研究还开发了双向脑机接口，通过对体感皮层进行微刺激提供人工触觉反馈，从而指导脑机接口控制（表1）。最近的工作展示了通过对肌肉或脊髓刺激的方式对自然肢体进行脑机接口控制，这也是操纵控制通路的方法。专栏1侵入式脑机接口中的神经解码器和动态潜在状态空间模型脑机接口解码器的作用是根据记录的神经活动估算大脑状态，建立大脑到行为的映射关系。侵入式脑机接口可以使用一种或同时使用多种时空尺度的神经活动信息。这些神经信号包括神经脉冲（spike）、局部场电位（LFP）和皮质电图（ECoG）等。神经脉冲测量的是单个或多个神经元的电活动，而LFP和ECoG这些场电位信号测量的是较大规模神经元群体的电活动，群体信号可以在较长时间内保持相对稳定的记录效果。神经脉冲活动的时间尺度是毫秒级的，场电位的特征（如频谱功率）要在较慢的时间尺度上才能展现出来。解码器结构通常是由将神经活动与运动状态相关联的编码模型决定的。例如，用神经脉冲数或LFP功率特征建立的运动状态线性模型。二进制的神经脉冲事件（即0–1的时间序列表示神经脉冲在时间轴上是否出现）可以借用描述瞬时发放率的点过程来建立描述运动状态的对数线性函数模型。大多数侵入式脑机接口使用的是高性能的神经脉冲解码器。这种解码器大都要做脉冲计数，就是把单位时间窗内的脉冲数目作为输入值。早期的解码器由维纳滤波器，相关群体矢量和最佳线性估计器组成，把运动状态解码成神经脉冲计数的线性函数。后来出现了卡尔曼滤波器配合运动模型解码。除了脉冲计数解码器，最近出现了用点过程和最佳反馈控制模型开发的闭环点过程脑机接口，这种是直接对神经脉冲解码。点过程脑机接口可以把每一个脉冲事件都用来做神经假体的适应和控制，因此具有了毫秒级精度。而且点过程解码器也能整合到运动状态模型中。除了脉冲信号，LFP信号也可以同时被解码器利用。运动脑机接口可以在一个时间窗内同时进行LFP功率特征计算和神经脉冲计数，卡尔曼滤波器也能同时用两种信号做运动解码。最近开发的多尺度解码器，既能保证快速的控制和反馈速率，也能对神经脉冲和场电位这两种不同时间尺度上的信号建立统计模型。这类解码器既能以毫秒级精度直接从离散的二进制神经脉冲中抽提信息，同时又能在较慢的时间尺度上从连续的场电位信号中获取信息。最后要提的是动态潜在状态空间模型可以描述神经活动的时空模式。该模型用所谓的潜在低维神经状态的动态过程来描述高维神经网络活动（空间范围）的动态性（即随时间变化）。例如，动态潜在状态空间模型已经用来开发运动脑机接口的解码器了。不但包括有单独使用神经脉冲信号的解码器也有使用脉冲和场电位双重信号的解码器，而且还用在了基于ECoG信号的情绪解码器上了。潜在的状态空间模型，也能在计算机模拟中用来对神经活动的刺激响应建模。专栏2
癫痫和帕金森症的闭环刺激开环电刺激系统是不管疾病症状如何，刺激模式在时间上都是连续恒定的（例如振幅和频率固定的脉冲序列）。系统的刺激参数只能在就诊时由医生调整。而闭环电刺激系统可以从记录的神经活动中推断出病症的水平并随时调整刺激模式。虽然闭环刺激还基本没在神经精神疾病上测试过，但对癫痫和帕金森症等神经系统疾病的治疗确实是有效果的。而目前开发闭环情绪脑机接口在获取反馈信号和控制调节刺激方面还有不少挑战。对于癫痫病，Neuropace反应性神经刺激系统已经获得美国食品和药物管理局（FDA）批准用于临床治疗。该系统有一根或两根引线，每根上有四个电极触点。当检测到异常的ECoG活动时，系统会短暂开启一个固定的预设刺激模式。由于癫痫发作开始时就能观察到清晰的异常脑电活动，临床医生据此就能建立一个神经标识信号作为检测的反馈。而情绪与之不同，它在分布式脑网络活动中具有更复杂和微妙的表现，甚至从行为上也不容易衡量。另外，癫痫发作适合用瞬发性开关控制，因为发作并不频繁且是间歇性的，而精神病的无症状期很长。对于帕金森症，当前的临床刺激系统都是开环的。而科研中发现，闭环深部脑刺激具有更高的效率和功效。这些闭环控制系统通常使用从电极尖端记录的帕金森症的一维神经标识信号作为反馈信号。最常见的是丘脑下核场电位信号中β波（12–30Hz）的振幅，它是与运动迟缓的程度相关联的。当神经标识信号的水平超过阈值时，就会开启固定的预设刺激。除了开-关式控制之外，也有人用了一些简单的闭环策略，比如刺激幅度随神经标识信号的水平成比例地变化。就反馈信号而言，情绪脑机接口的情况与癫痫和帕金森症是不同的。情绪的症状会涉及高维的分布式神经表征，并且具有个体异质性。在这种情况下，单一通用的一维或低维神经标识信号可能不适合。而且，情绪症状具有高度动态性，甚至在几分钟或一天之内都会迅速变化。因此，与运动脑机接口一样，情绪脑机接口也需要一种定制化解码方法实时地从相关大脑网络中整合多维的神经信息。这种定制化解码方法是可以解决个体异质性问题的，因为它可以随着时间的推移不断跟踪情绪症状并调整刺激来满足患者的临床需求。在控制器方面，用于癫痫和帕金森症的闭环系统目前采用的是简单的开关控制或比例控制方式。而且控制器的参数（例如开-关控制中的阈值，比例控制中的增益，刺激频率和幅度水平等）设置相当主观。要进一步优化功效和效率，就需要实现参数的自动调整。此时，理解刺激如何改变与疾病症状有因果关系的神经活动就非常关键了。这对情绪脑机接口尤其重要，因为情绪的症状复杂多变。可行的方法是建立描述刺激参数（输入）与神经活动（输出）关系的数据驱动型的输入-输出模型，再基于这个模型建立控制器实现对刺激参数的最优实时调整。这种输入输出模型的开发和验证是一个非常重要的研究方向，将会在很多精神疾病的治疗中派上用场。专栏3
运动脑机接口的闭环自适应和最优反馈控制模型估算用户的运动意图能促进实时脑机接口中解码器参数的适配。不少意图估算方法都是在闭环控制思想的指导下设计的。既然用户随时能获得解码位置的视觉反馈，我们假设从这个位置直线抵达目标后停在那是最佳意图选择。每次速度意图的估计是将光标的解码速度矢量旋转到目标，同时保持其大小（即速度）不变，到目标时置零。该方法能提高卡尔曼滤波解码器的性能。另一种基于直线抵达假设的辅助指向目标的方法是通过在解码速度矢量中添加指向目标的辅助矢量或从解码矢量中减去垂直于到目标直线的矢量。意图估计的另一种方法是建立脑机接口的显式最优反馈控制（OFC）模型，它的设计是受自然感觉运动系统的OFC模型启发的。OFC估算意图的方法是，假设大脑（控制器）根据当前运动状态的视觉反馈和内部运动模型选择下一个控制命令，并且最小化用来量化运动目标（例如，到达目标位置并在那里停止）的成本函数。鉴于其基于模型的性质，OFC可以结合不同的执行器动力特征，同时估算速度意图的方向和速度值，这种能力是能提升点过程脑机接口解码器的性能的。除了意图估算，通过预测运动目标并将它们与运动执行过程中的神经活动相结合，OFC模型还能用来做目标定向解码。
李骁健教授
中国科学院深圳先进技术研究院
研究方向：
面向宽带脑机接口的神经电子和神经光子技术
面向神经仿真和类脑计算的神经环路解析和解码技术
面向类人机器人的神经拟态设备和系统研发
网址：