腦機接口與運動假體

王天威 崔翯

人類的想象力總是超前于現實，如同儒勒·凡爾納在其作品中對20世紀科技的預言一樣，現今的科幻文學與影視作品對人類意識實現機械飛升早已展開了多重討論，然而在現實中，這一技術的開發仍然主要是面向解決人體運動殘障問題。根據中國殘疾人聯合會2020年的統計數據，我國目前有近4000萬殘疾人，其中肢體殘疾的占一半以上。如此龐大的殘疾人基數，加之愈漸嚴重的社會老齡化問題，神經假肢以及相關輔具在運動康復方面的應用將具有極大的社會意義和商業價值。

所謂神經假肢，是指通過采集、解碼神經信號驅動外部效應器實現運動障礙補償的一種技術，是腦機接口技術的主要應用領域之一。神經假肢控制系統通常分為三個部分：信號采集、信號處理和外設控制。現在通行的方法是通過核磁定位確定植入的腦區位點，再進行開顱手術植入電極，采集皮層的場電位或神經脈沖信號，這些電信號經過濾波、降噪、分揀等預處理后，經由傳統回歸、分類算法或神經網絡解碼得到被試者的運動意圖信息，進而產生運動指令來驅動外部設備。

在神經科學研究、信號采集硬件及算法迭代快速的背景下，運動假體的發展在當下即將揭開新的篇章，充分利用神經科學對腦功能研究的成果，尋找恰當的信號來源與應用場景，在解碼與適配中結合人工智能算法，以實現更加準確、自主、柔順的外設控制都將是下一步的發展目標。

目前神經科學主流的觀點認為大腦中不同功能分區行使各異的功能，它們所編碼的信息具有差異。近幾十年來在清醒獼猴上的神經生理學研究，基本是以假設皮層神經活動與肢體運動參數（方向、速度、加速度、張力等）存在相應的映射關系，來構建表征模型，認為大腦是通過對運動信息的表征和符號化運算來行使功能的。這種表征以神經調諧的形式反映在單神經元上，即單個神經元發放的電信號與某變量存在相關性關系。支持這類觀點的代表性成果是喬治波洛斯（A. P. Georgopoulos）等人于1982年發表的，他們訓練獼猴完成平面上8方向推桿的運動，同時采集運動皮層手臂運動代表區的神經元活動數據，發現當推向不同方向時，獼猴的運動皮層神經元動作電位的發放率會產生變化，而這種發放率差異與運動方向間的關系可以很好地被余弦曲線擬合，因此被稱為神經元對運動方向的余弦調制[1]。在此基礎上，他們又在1986年提出了群體向量法，實現了對手動方向的解碼。他們通過計算單個神經元的方向調制函數，將發放率最高的方向定義為該神經元的偏好方向，單個神經元活動即可表示為指向其偏好方向，長度等于其實時發放強度的向量。當同時記錄多個神經元時，這些向量之和得到的群體向量的方向與真實伸手運動的方向一致，從而實現了對運動方向的解碼。這一發現對神經運動控制與后續腦機接口研究具有奠基性意義，它不僅提出了作為原型解碼算法的群體向量法，更引領后續研究將重心從經典皮質—脊髓—肌肉投射所代表的內部參數空間，轉向關注運動效應器所代表的外部參數編碼。

在神經元對各類運動參數的表征調制的研究工作發表之后，腦機接口技術經歷了一段快速發展的時期。盡管表征模型遠非完美，但是所積累的實驗結果顯示這種編碼關系具有可靠的相關性，其中群體向量算法不僅為運動皮層神經元如何以群體活動為運動方向編碼提供了創新的思路，也為研發多通道微電極同時記錄技術的需求提供了更充分的理由。技術上的進展和對多維運動方向解碼編碼的運算能力，使研究者可以從清醒獼猴實驗基礎上過渡到臨床患者試驗的階段，從而完成了關鍵的概念驗證性工作。

經典的假肢控制流程可以先由神經調制解碼得到運動的方向與速度，這種解碼指令以每百毫秒的速度進行迭代，持續地輸出控制指令，以驅動屏幕上的光標。但由于光標控制具有維度低、無慣性、視覺反饋清晰的特點而使其便于實現。而真實三維場景下的機械控制則要困難許多，美國匹茲堡大學施瓦茨（A. B. Schwartz）實驗室在2012年實現了7自由度的機械臂控制[2]。他們采用來自約翰·霍普金斯大學應用物理實驗室研發的擬人化假肢（MPL），幫助一名完全運動性損傷的52歲患脊髓小腦變性的患者實現了神經假肢控制。通過在患者運動皮層植入兩枚猶他陣列，將來自皮層的信號以30毫秒時間窗重采樣后，遵循如下方程完成解碼器的訓練與解碼：f=b0+bxvx+byvy+bzvz+bθxvθx+bθyvθy+bθzvθz+bgvg

在方程所示的三維抓取控制中，神經活動f不僅包含三維空間速度vx、vy、vz，還包含效應器姿態朝向vθx、vθy、vθz和抓握指令vg等信息。在腦機接口的控制環節，解碼器的作用是將輸入的神經信號轉換為控制信號輸出。輸出信號通常為多個獨立變量，關系到后續外設的運動規劃。解碼器的訓練則依賴于少量訓練集數據和多種算法，常見算法有維納濾波器、卡爾曼濾波器、支持向量機、極限梯度提升（extreme gradient boosting）、循環神經網絡、重校準卡爾曼濾波器（ReFIT-KF）、樸素貝葉斯、門控循環單元、長短記憶網絡等[3]。

在實現腦控的過程中，不僅需要搭建復雜的解碼器，腦控系統的學習訓練往往更困難。上文所述的任務訓練中，被試系統經歷了3D空間平移、4D平移與抓握、7D平移與姿態和抓握控制三個學習階段，共計13周。使用神經信號控制實體機械臂的難度絕非光標控制可比，被試者還需要適應外設的運動學特性以產生相應的神經動態變化，但本體感覺（運動器官本身在不同狀態時產生的感覺）反饋的缺失使得這一過程變得尤為困難。除此之外，由于電極的漂移，隔天的神經信號可能會發生變化，這意味著前一天的解碼器在后一天需要重新校準。在解碼器訓練與校準的過程中，需要添加一些輔助權重，以確保被試系統的控制表現維持在60%～80%的正確率。在無輔助的腦機接口控制學習過程中，運動和記錄到的神經活動將表現出很大的試次間變異性，即神經活動在相似行為間表現出的非線性差異，這是由于任務無關方差產生的不穩定控制。訓練腦控的過程就是為了降低任務無關方差，增強并固化任務相關方差，實現穩定可靠的神經控制[4]，在系統學習過程中增加控制輔助權重可以有監督地加速這一過程。

在動物模型中，越來越多的腦機接口正在生物體內部搭建電子橋梁，這被稱為循環式腦機接口（recurrent BCI）[5]，指將神經元的動作電位轉換為傳遞到運動系統下游的刺激，從而使皮層信號直接激活肌肉、脊髓或其他腦區，它在橋接神經連接截斷方面具有明顯的應用潛力。這一策略旨在利用剩余神經回路的內在能力和它們的可塑性來恢復功能。它強調了神經可塑性在腦機接口研究中的重要性。研究表明，從目標位置到關節運動、扭矩和肌肉激活模式，運動皮層的活動與多種運動參數相關，而這種相關性又會表現出非線性的相互作用與時程的不穩定性。這使得算法的構建變得困難且缺乏實用性。究其原因，部分源于研究者主要關注皮層的編碼性質，而缺少對下行通路到肌肉的解碼過程的研究。肌肉功能性電刺激仍然是目前少數經臨床證明有效的假肢治療方法之一，它可以幫助患者實現基本的抓握、站立、膀胱控制和運動康復[6]。與常見的腦機接口控制不同，這種方法并非使用算法解碼神經信號，而是利用現有生物體自身的下行信號讀出系統，依賴神經可塑性實現信號通路的重建，同時在控制過程中可以獲得本體感覺的上行反饋，大腦脊髓肌肉的協同響應對神經康復產生了有益的影響。

神經的異質性表現為混合編碼的非線性與偏好的時變性，這使得基于表征理念構建的解碼系統難以完成復雜環境下的動態任務[7]。隨著大規模神經信號采集技術的成熟，謝諾伊（K. V. Shenoy）實驗室提出并發展了運動皮層的動態系統觀點[8]，從而改變了研究者看待皮層神經控制的視角，從關注信息編碼轉向關注振蕩信號的時間演化性質。該觀點認為，皮層信號在運動的準備期與執行期處于相互的正交空間，具有不同的功能；神經群體活動的振蕩可能是在產生時序復雜的肌肉響應時自發產生的，單神經元的運動學參數選擇性可能只是這一過程的副產品；時間信息才是神經編碼的最大成分。在此基礎上，謝諾伊實驗室2021年又發表了最新的打字腦機接口工作[9]，實現了每分鐘輸入90個字母、正確率達到94%。其核心亮點在于突破了傳統的范式設計，構建了一套完全遵循動態系統觀點的解碼系統。經典的打字場景是被試者通過神經信號控制光標移動并點擊虛擬鍵盤完成輸入，但是運動的不穩定性，光標移動距離等因素都非常耗時。謝諾伊等人則要求被試者想象書寫要輸入的字母，這時運動皮層會產生相應的振蕩信號。由于不同字母的書寫軌跡差異明顯，如筆順、筆畫、彎折的數量與其消耗的時間，而運動皮層又主要編碼時間信息，這就使得書寫運動想象的神經信號非常易于解碼。該工作為實現書寫信號的抓取，采用隱馬爾可夫模型（一種統計模型，可用來描述一個含有隱含未知參數的馬爾可夫過程）和時間扭曲算法（time warp，可用于將具不同時間長度的試次中記錄到的神經信號變換為具相同時間長度的數據，以實現時間對齊），分別進行起始狀態估計和時間壓縮對齊，它們是在解碼器方面的重要創新。

腦機接口訓練過程中的神經學習，同樣是影響假肢控制的關鍵問題。有關腦控過程中神經群體的學習研究發現，神經元可以改變其調諧特性，這種改變通常是神經群體協同的，且不同腦區的學習能力有差異。正如控制信號的修正依賴于反饋信號，如今的腦機接口控制過度依賴視覺反饋而缺少本體感覺反饋。由于被試者常常是高位截癱患者，神經信號解碼為控制指令引導效應器運動，但控制過程中被試者只能通過視覺觀察運動結果獲得反饋。這種控制系統中的信息是單向流通的，控制指令與預期結果無法及時反饋給大腦皮層，大腦內也就難以形成關于外部設備運動的前向控制模型。因此，雙向閉環腦機接口成為近年的研究重點。該技術的目的是在腦控的同時，通過電刺激向大腦的本體感覺皮層寫入觸覺和本體感覺信息，使被試者不僅可控制機械臂完成抓取運動，還可以感知到抓握的力度和物體的紋理、質量等信息。研究發現，通過這種方法將觸覺感受寫入皮層后，可以極大提升被試控制機械臂的表現[10]。

盡管腦機接口技術發展已有半個世紀，但運動神經假肢的研究仍處于起步階段，目前的成果得益于以清醒獼猴為模式動物的系統神經科學領域的長期積累。幾十年來神經科學家與醫學工程學者在基礎研究和轉化方面的合作創新，使神經假肢技術從實驗室走進公眾視野。但由于缺乏對運動控制神經機制的根本性認識，建立在表征模型基礎上的神經解碼策略只能從概念上加以簡化，迭代指令解碼的運動輸出也不可避免地出現遲滯頓挫，從而使人工假肢的實用功能受到限制。

通過腦機接口技術實現對運動假體快速、靈活、柔順的控制，無疑是一個復雜而漸進的過程，在此過程中基礎研究和工程應用的界限，將不再涇渭分明而是相互融合，這需要長期的人力投入與學科協作，更需要自愿受試的冒險家和社會的持續關注。不論是腦科學的研究，抑或腦機接口技術臨床應用的研究，靈長類神經生理學的實驗方法和手段仍將是今后必不可少的研究利器。同時，殘障病患者的腦機接口臨床經驗，是探索人腦認知和運動學習等基礎課題的寶貴財富。從某種意義上看，人體的神經運動控制是一種通過千百萬年進化形成的“腦機接口系統”，腦機接口試圖搭建的復雜系統是人類的第二軀體，這意味著人類對自身的認識也將伴隨著對自身的再創造。

[1]Georgopoulos A P， Kalaska J F， Caminiti R， et al. On the relations between the direction of two-dimensional arm movements and cell discharge in primate motor cortex. J Neurosci， 1982， 2（11）： 1527–1537.

[2]Collinger J L， Wodlinger B， Schwartz A B. 7 Degree-of-freedom neuroprosthetic control by an individual with tetraplegia. The Lancet， 2012， 381： 557–564.

[3]Glaser J I， Chowdhury R H， Perich M G， et al. Machine learning for neural decoding. arXiv， 2017.

[4]Athalye V R， Ganguly K， Costa R M， et al. Emergence of coordinated neural dynamics underlies neuroprosthetic learning and skillful article emergence of coordinated neural dynamics underlies neuroprosthetic learning and skillful control. Neuron， 2017， 93： 955-970.

[5]Fetz E E. Volitional control of neural activity： implications for brain-computer interfaces. J Physiol， 2007， 579： 571–579.

[6]Peckham P H，Kilgore K L. Challenges and opportunities in restoring function after paralysis. IEEE Trans Biomed Eng， 2013， 60： 602–609.

[7]Wang T. From parametric representation to dynamical system ： shifting views of the motor cortex in motor control. Neurosci Bull， 2022. doi：10.1007/s12264-022-00832-x.

[8]Vyas S， Golub M D， Sussillo D， et al. Computation through neural population dynamics. Ann Rev Neurosci， 2020： 249–275.

[9]Willett F R， Avansino D T， Hochberg L R， et al. High-performance brain-to-text communication via handwriting. Nature， 2021， 593（7858）： 249-254.

[10]Flesher S N， Downery J E， Weiss J M， et al. A brain-computer interface that evokes tactile sensations improves robotic arm control. Science， 2021， 372（6544）： 831-836.

關鍵詞：神經表征 動態系統 運動控制 運動學習 ■