腦機接口在脊髓損傷康復中的應用

王鋒 李靖龍 毛宇翔

1昆明理工大學醫學院（昆明 650500）；2云南省第一人民醫院骨科（昆明 650032）

脊髓損傷（spinal cord injury，SCI）是一種高度致殘性疾病，四肢癱瘓和截癱的比例約為46.25%和53.75%［1］。癱瘓使SCI 患者喪失勞動能力，且長期需要康復治療，給個人、家庭和整個社會帶來了沉重的負擔［2-3］。此外，因無法獨立行走，大多數SCI 患者長期被限制在輪椅上，繼而產生一系列的并發癥，如痙攣［4］、疼痛［5］、自主神經功能障礙［6］，并使患者易患心理障礙［7］、認知障礙［8］、骨代謝障礙［9］等疾病，嚴重降低了SCI 患者的生活質量。然而，針對SCI 患者的康復治療方法有限，療效欠佳，為尋求更好的治療方案，已有研究嘗試將腦機接口（brain computer interfaces，BCI）技術應用于SCI 的康復治療中并取得了一定的進展。2020 年龔瑜等［10］也對該領域進行了文獻回顧，較為詳細地介紹了BCI 在SCI 康復中的應用。但近兩年又有一些新進展，如已發表的經血管電極植入技術、高穩定柔性電極材料及BCI 集成人工智能技術等。為了讓同行了解該領域中最新的研究動態，本綜述著重對BCI 技術近兩年的新研究進展進行介紹，為后續的研究提供一定參考和理論支持。

1 BCI 技術

SCI 雖導致脊髓的連接性中斷，但大腦仍可產生正確的運動指令，這為BCI 技術在SCI 中的應用奠定了基礎。BCI 系統作為通信和控制的替代通路，將采集的大腦信號預處理（放大并數字化）后，提取信號中反應用戶意圖的相關特征，轉換為控制外部設備的指令，驅動外部設備，實現人與外界的交互［11］。該技術最早由VIDAL 于1973 年提出，近年來發展迅速，應用領域不斷拓寬，有關技術和應用都取得了很多突破性進展。

1.1 侵入式BIC 在體積上，2019 年NEURALINK公司設計了一款體積僅占851 mm3的微型芯片［12］。同年，我國也研發了一款腦機接口專用芯片“腦語者”。該系列芯片具有精解碼、高指令、快通訊、強交互四大優勢，突破了傳統非侵入式信號采集的諸多瓶頸。在材質上，研究證明柔性電極可減少組織與電極之間的相互作用，緩解炎癥反應并提高穩定性［13］。GUO 等［14］開發了一款柔性BCI，該設備在高穩定性的基礎上，還降低了對周圍神經元細胞的傷害和免疫反應。在治療方向上，如腦深部電刺激技術將電極陣列植入神經核團中，通過刺激裝置，治療肌張力障礙［15］、抑郁［16］以及創傷后應激障礙［17］等精神類疾病。在植入方式上，既往的侵入式BCI 多需通過開顱手術植入，創傷大，危險系數高。為降低手術風險，PETER 等［18］嘗試將記錄電極通過頸靜脈輸送至矢狀竇，并進行了為期1 年的隨訪，無嚴重不良事件，也沒有血管阻塞或設備遷移，每例患者都成功地控制了BCI系統。

1.2 非侵入式BCI 在共享控制策略方面，比較典型的有：基于機器視覺融合、基于強化學習融合、基于自動路徑規劃融合等，這些控制策略為智能傳感系統，通過對外界環境實時監測，并根據反饋信息進行自我校正，極大地提高了BCI 用戶的控制效率。如ZHANG 等［19］將視覺與運動想象相結合，設計了一款通過視覺反饋來規劃機械外設運動路徑的BCI 裝置。在續航能力上，MARCO等［20］設計了一款基于干電極的耳內腦電圖系統，該系統功耗小，電池壽命長，運行時間高達600 h，還集成了采集、處理和連接電子設備于一身，極大提高了該系統的實用性。在穩定性上，HSIEH等［20］開發了一種高穩定性電極，與傳統電極相比，該電極可保持穩定和低阻抗長達4 周。在應用場景上有團隊設計了一款獨立于輸入和輸出設備的便攜式模塊化BCI 軟件平臺［11］。患者僅通過智能手機就能實現對SCI 裝置的控制，且該設備不需要日常校準，也不需要專業技術人員隨時指導與維修。該系統還可外接不同的設備，極大地提高了其在SCI 應用中的靈活性。

1.3 算法研究 開發更具準確性與魯棒性的分類算法，使其更容易在線使用，降低噪聲信號一直是BCI 技術的研究重點。JIN 等［22］提出了一種基于核均值匹配和遷移學習自適應提升方法的自適應跨學科遷移學習算法，與現有方法相比，該方法可有效提高運動想象-腦電信號的分類準確率。宋昊等［23］提出了一種基于獨立成分分析的眼電偽跡自動去除算法，實現了自動去除眼電偽跡的同時，防止腦電信息的丟失，提高了數據處理效率。WEN等［24］使用生成對抗網絡來仿真大腦活動數據，通過生成與真實數據難以區分的合成神經活動數據，為BCI創建訓練數據庫，使BCI訓練速度提高近20倍。

2 BCI技術近年來在SCI中的臨床應用療效

2.1 運動功能恢復 BCI 通過分析大腦運動皮層中的神經元信號，讀取患者的運動意圖，編碼為相應的運動指令并傳輸至外骨骼、外部假體及輪椅等外接設備，實現抓取、站立以及步行等基本日常活動。截癱患者雙下肢運動功能障礙，生活獨立性下降且增加了繼發性并發癥的風險，為解決下肢癱瘓的問題，ZORAN［25］研發了幾種BCI 系統并進行了驗證。首先，讓受試者佩戴無創的非侵入性腦機接口，收集患者想要行走時的運動意圖，并在虛擬現實中用可視化的圖像表現出來，證明了BCI 輔助行走的可行性。基于此，分別將BCI 技術與外骨骼機器人以及功能性電刺激結合，使下肢癱瘓患者恢復了基本的行走功能。格勒諾布爾大學設計了一款腦控外骨骼機器人幫助一例四肢癱瘓的患者實現了再次行走［26］。對于四肢癱瘓的患者而言，上肢功能的恢復是康復治療的首要任務。SAMEJIMA 等［27］團隊構建了一個BCI 模型，通過使用高效率的算法解碼皮層腦電信號，以控制硬膜外刺激，改善了高位SCI 大鼠前肢的運動功能。JOVANOVIC 等［28］開發了一款單通道的腦-肌肉電刺激系統，利用人工信號通路繞過受損區域，刺激特定神經纖維以激活目標肌肉，再次實現了大腦與肌肉的聯系，使癱瘓的肢體恢復了活動能力。

2.2 感覺功能恢復 SCI 患者的神經傳導通路受損，使人與外界交互變得極為困難。而BCI 技術作為人工信息處理中樞，可收集人與外界交互時的反饋信息，并通過電刺激激活大腦軀體感覺區域中的神經元來恢復觸覺，使SCI 患者的運動意圖與感覺反饋形成閉環，真實模擬正常的運動控制功能［29］。GANZER 等［30］利用1 例完全性SCI 患者手部殘存的無法被患者感知的觸摸信號，在BCI 系統的輔助下，將其動態轉化為用戶可以感知的閉環感覺反饋信號，并在此基礎上根據反饋信號的改變來調節握力的大小。研究［31］結果證明，經過長時間的BCI 輔助康復訓練后，該患者幾乎完全恢復了對事物的感知能力。此外，更有學者利用雙向BCI 系統，通過皮質內微刺激使軀體感覺皮層重新產生了觸覺反饋。

2.3 神經回路重塑 研究表明即使在完全性SCI中，神經功能依舊可以重塑，這為神經損傷后的功能康復提供了理論基礎［32］。ATHANASIOU 等［33］開發、試驗和優化了一款基于多沉浸式人機界面的平臺，如：高密度腦電圖記錄下的視覺運動圖像訓練、腦控機器人手臂、增強現實等模塊，通過獲得豐富的感覺反饋，反復訓練中樞和外周之間的連接，誘導功能性神經回路的重建以及部分神經功能的恢復。

2.4 其他臨床應用 除了上述三個方面，BCI 技術在SCI患者的繼發性疼痛、心肺功能、心理健康等方面仍具有較好的改善作用。如FAIRCLOUGH 等［33］研發了一種以交互式游戲為主的BCI 神經干預系統，通過與游戲環境進行互動、以目標為導向的互動式參與模式，更好地實現了疼痛的緩解。WANG 等［35］對一例接受BCI 植入術的老年高位SCI患者進行心理評估后發現，與術前相比，患者術后的認知、情緒、社會支持、睡眠、生活質量均有改善。

3 BCI 技術面臨的挑戰

目前，BCI 在SCI 患者中的康復療效已被證實，但經過長期的臨床觀察發現，SCI 患者在使用BCI 過程中仍存在一些問題，這使得該技術難以從實驗室研究轉移至日常生活中。

3.1 腦電信號采集 腦電信號采集主要有兩種方式，即侵入性BCI 和非侵入性BCI。侵入式BCI能夠獲得的腦電信號質量高、分辨率高、噪聲小，但需要手術植入，具有較高的手術風險，且由于組織反應，容易引發免疫反應和瘢痕組織，進而導致信號質量衰退，嚴重者甚至導致植入器植入失敗［36］。相比于侵入性BCI，無創BCI 技術由于其易于應用、成本低且無需手術，更容易被人們接受（倫理亦或是安全方面）［37］，但信號采集易受干擾，信息質量和時間空間分辨率較低，難以實現對復雜精細運動的快速控制。

3.2 腦電信號處理 腦電信號處理是BCI 系統中非常重要的模塊，患者在進行肢體運動康復時，會有大量的心電、眼電以及肌肉電信號等偽影混入腦電信號中，偽影的存在使得腦電圖分析和處理有一定程度的難度。BELWAFI 等［38］研究發現通過指導受試者避免做某些動作可消除部分偽影，還可以通過數字濾波技術消除偽影并保留有用信息，這為腦電信號處理方式的研究提供了新的思路，即科學有效去除偽影同時并確保腦電信號分析的準確性。此外，相比于安靜的實驗室，現實生活中存在較多的不確定因素，干擾患者的注意力。因此，臨床轉化的重要一步是如何克服在易受干擾的現實環境中穩定地收集和處理腦電信號。

3.3 腦電信號解碼 BCI 技術的主要挑戰之一是如何對腦電信號進行準確且穩定的解碼。在神經解碼中，已探索了各種信號處理技術，如卡爾曼濾波器、維也納過濾器、支持向量機以及人工神經網絡等技術，并取得了出些許成功。然而在臨床研究中卻發現，由于大腦固有的可塑性，解碼器接收到的特定運動信號會隨時間推移而變化，這導致了BCI 信息解碼的準確性下降，因此需要不斷地重新校準解碼器來達到信息收集的穩定性。解碼器的重新校準通常必須每隔幾分鐘進行一次，這種間歇性的重新校準不僅會中斷設備的使用，迫使用戶暫停他們正在做的事情，而且通常還需要第三方的干預，對于日常使用BCI 來說是耗時且不切實際的。隨著深度學習技術的發展，基于強化學習的神經解碼器技術逐漸成為廣大學者的研究熱點，有望解決上述問題。

綜上所述，BCI 技術可從三個方面使SCI 人群受益：（1）通過集成功能性電刺激、外骨骼機器人及虛擬現實等技術改善患者運動功能，提高社會參與度；（2）通過大量的信息反饋，使患者學習并調整大腦活動，促進神經重塑和感覺功能恢復；（3）減少SCI 繼發性并發癥，提高生存質量，緩解家庭及社會經濟負擔。雖然BCI 技術發展至今仍有很多局限性，但其技術已在不斷改進，未來的發展應是多元化、個體化與智能化，為患者提供更安全、更合適、更方便的醫療服務。

【Author contributions】WANG Feng proposed the direction of research topic and wrote the first draft of the paper.MAO Yuxiang was responsible for the collection and collation of relevant literature.And LI Jinglong was responsible for the overall quality control and review of the paper.All authors read and approved the final manuscript as submitted.