首页 > 分享 > 脑机接口的神经信号：侵入式与非侵入式，谁将大行其道？

脑机接口的神经信号：侵入式与非侵入式，谁将大行其道？

萌宠菠菠乐园
2024-10-16 05:16

人工智能学家

原文作者： Stephan Waldert

人工智能学家 runlifesunshine 翻译

脑机接口 (Brain-machine interfaces, BMI) 将大脑的神经活动转译成驱动外部效应器或影响身体内部器官和机能的信号。最初脑机接口是应用于病人的身体康复和医疗护理，从而帮助病人恢复社会关系或运动能力。其大获成功后，则走向双向化和商业化。

当前的脑机接口需要考虑对假体（如假肢、假眼或假牙）的即时控制 (Gilja et al., 2015) 、人与机器的交流 (Chen et al., 2015) 和「用户体验」 (O’doherty et al., 2011) ，很显然耳蜗植入器可能是目前最成功的脑机接口。已有的脑机接口表明这些应用设备的性能可能很高端，但是它们还远没有达到与环境自然交互的水平，它们的成功取决于多方面的因素。

致力于用脑机接口直接和直觉式控制动作的学者认为，这种观点不是关于算法和程序的，而是关于以侵入或非侵入式手段用电连接大脑的可能性和局限性。

现有技术能在活体上探测到从细胞动作电位 (action potentials, APs)

现有技术能在活体上探测到从细胞动作电位 (action potentials, APs) 到局部场电位 (local field potentials, LFPs) 等诸多神经电活动。这些神经生理过程是内在耦合的：神经元能通过化学性突触和电突触相互作用，突触棘通过接收突触前膜的输入改变局部场电位，动作电位的电场能直接影响局部场电位而不需要突触电流 (synaptic currents) 的参与。然而局部场电位是很难破译的 (Einevoll et al., 2013) ，动作电位和局部场电位相互作用是时刻变化的 (Buzsaki et al., 2012) ，而且它们传递的信息还可能是彼此独立的 (Belitski et al., 2008) ，所以它们的耦合关系引起了这样的误解：在某种程度上，由侵入式（动作电位、局部场电位）和非侵入式（脑电图， EEG）信号传送的信息，都和非侵入式信号足够相似，因此也和非侵入式的脑机接口是相似的，将不会受到脑机接口固有缺陷的影响。

这种臆测可能已经在滋长，因为研究表明基于动作电位 vs. 局部场电位的皮层内部的脑机接口是有相似效能的 (Mehring et al., 2003) ，而且基于局部场电位的脑机接口是被脑电图技术检测出来的。相似的效能可能成为多单元动作电位对抗高频率局部场电位 (>≈200 Hz) 的证据，另外需要说明的是局部场电位包括动作电位的细胞外电场。可是，低于 8HZ 的低/带通过滤 LFPs ，通常不会受到直流动作电位的影响 (Waldert et al., 2013) ，却也能像动作电位那样表现出与脑机接口相似的效能，而且正好适用于联机的脑机接口 (Stavisky et al., 2015) 。重要的是，如果以非侵入的方式 (MEG, EEG) 记录信息，就会发现 LFP 还携带者关于动作参数的信息 (Waldert et al., 2008) 。

非侵入式的 EEG 表现不如 APs 或 LFPs (Waldert et al., 2009) ，但是新的研究发现和新技术层出不穷，于是需要问：非侵入式的脑机接口能否赶超侵入式脑机接口？

剔除脑电图中的噪音信号，从中提取神经信号，这些信号的来源是突触后细胞外的电流；事实上，也是同样的电流促成了无突触棘 (spike-free) LFPs 。尽管有共同的来源，但是两者还是有相异之处，其中被证据充分揭示的是侵入式和非侵入式信号的不同。

首先是神经元数量和类型的不同：由于神经元产生的电场随着距离呈指数式衰减，同时在受限区域进行活动并引发可观测信号的神经元数目对 LFP 而言就会比 EEG 而言少得多。因此，小型神经元簇的活动就不能被更低信噪比的 EEG 检测到或记录到。此外，EEG （在大脑头皮检测记录脑电波）信号是由椎体神经元所在区域影响的，只要它们的形态（长的、平行的树突）和其在皮层中的数目能够让它们产生的电场相互叠加并且到达头皮表明。与之相反的是，LFPs 反映了各种电生理过程的叠加，也就是在 EEG 的基础上加上了中间神经元、动作电位等。

其次是信号成分的不同：生物组织是作为低通过滤器（从大量信息中选择少量需要的信息）来行动的，一般而言是将高频信号减弱到一定程度，将它们埋没在背景噪音中。因而，除了在神经元群爆发动作电位的例外情况下 (Waterstraat et al., 2015) ，非侵入式信号主要用于分析低频神经活动 (<≈90 Hz) 。而侵入式信号传输的信息高达几千 Hz 。再者，当信号向更远距离扩散时，频率依赖性的相位移动可能更加剧烈，而且可能破坏信号成分之间的时间一致性。

然后是空间失真的不同：细胞外空间是由具有不同电生理特性的媒介组成，它们影响了电场在被检测为 LFPs 之前的传播方式。除此之外，电场还在脑脊髓液、颅骨和头皮进行传播，在到达 EEG 电极片之前进一步引起空间扭曲。将复杂的头部模型和算法与高密度 EEG 图画结合在一起，能部分抵消空间信号的失真，使失真度降低到某个噪音水平。为了更贴近侵入式信号，这种模型可能需要在每个用户身上施用才能得以完善，而且需要依赖稳定的传感器，必须使用有限单元分析，还要几乎即时性地运行（脑机接口的性能取决于时间上的微小延迟，Cunningham et al., 2011 ）。

这些局限是 EEG 固有的，是不能在实践中（或理论上）被克服的。但是，EEG 为监测毗邻脑颅的大规模神经活动提供了最重要的优势，它是低成本而零风险的。侵入式记录可能比 EEG 更能深入大脑，却不能覆盖整个大脑新皮层，而且由于需要外科手术干预而更加耗时费力。

侵入式电极存在很多形式：单电极、在顶端或侧面有多个接触点的电极、多电极阵列 (MEA) 或以不同设计将它们组合的电极。皮层内部的电极往往提供 LEPs 和由 0 到 5 个可确认的神经元产生的可检测到的APs 。电极可以专门针对任意脑区，但是电极植入得越深，精确度也随之下降（除非有磁共振成像和/或 CT 的辅助）。

尽管如此，出于几个缘故，对侵入式控制运动的脑机接口而言，高精确度似乎并不是关键。电极的普遍目的是记录 APs 和 LFPs 。在大脑运动皮层，LFPs 在不同深度的地方被记录，并传输关于运动参数的信息；而在第一层（大脑皮层分为六层）记录到的 APs 是模糊的，而且 APs 通常随着电极深入到第五层而增加振幅，这是因为椎体神经元的胞体从第三层到第五层越来越大，从而可能支撑更长的树突，而且还因为第五层是大量皮质脊髓神经元的聚集地，这些神经元为执行运动控制功能提供主要的信息输出。这片脑区因此经常是侵入式控制运动的脑机接口的目标。值得强调的是，用相对较短电极的 MEAs 也能测量到这些活动，这是因为：运动皮层的第四层是很薄的 (Rockel et al., 1980) ，流动的电极片沉入皮层组织，然后就能记录到几百微米远处的大型椎体神经元的 APs 。至于更深的脑区，譬如中央沟的前壁，使用较长电极的 MEAs 可以逐层进入脑沟。

总之，与非侵入式信号相比，侵入式信号反应了脑区的信号输入、加工过程和输出。它们甚至可能有助于推断神经细胞内的状态 (Henze et al., 2000) 。

不管如何，脑机接口的性能远不能与人脑自然融合。在脑机接口使用神经元微调的能力「得到提升」期间，脑机接口的性能也增强了 (Carmena et al., 2003) ，使可塑性的大脑学会了控制脑机接口。这对任何神经元都是有作用的 (Fetz, 1969) ，而且可以通过使用已经调谐过的神经活动得到促进 (Ganguly and Carmena, 2009) ，随之而来的是从外部协助到大脑内部控制的过渡 (Collinger et al., 2013) 。而 LFPs 似乎更加稳定 (Flint et al., 2013; Perge et al., 2014) ，也就是说更加难以调谐。虽然微调 LFPs 是可能的 (Okazaki et al., 2015) ，但是对于 EEG 则是更加困难。

脑机接口提供的反馈信息主要是视觉的或听觉的，而缺少直接反馈（如：触摸和本体感觉）。这种不充分的反馈也是导致脑机接口性能不佳的原因，使包括脑活动信号在内的信息没有用武之地 (Galan et al., 2014) ，还会扰乱大脑发出的恰当的运动指令 (Galan and Baker, 2015) 。研究者们开始利用皮层内部微电极刺激去创建直达式的脑机接口输入通道 (Klaes et al., 2014) ，而且这种通道还可能具有长期的稳定性 (Callier et al., 2015) 。这可能最终将提升脑机接口的性能，因为反馈信息能特定地传送到与任务相关的脑区，圆满地构成了输出反馈模式的信息环路。

与非侵入式脑机接口相比，侵入式脑机接口的优势在于精准控制、必要的用户接受度，还有对体表感觉的修复：假体（如假肢、假眼或假牙）将被高纬度脑机接口的输出信号精确控制(Wodlinger et al., 2015) ，同时脑机接口的输入信号，即来自假体表面的信号 (Kim et al., 2014) ，将送达到皮层感觉区。来自假体的信息可能仍然不能激发自然感受，但是大脑将学会利用这些人造的信息输入通道。

用户对侵入式脑机接口的接受度低于非侵入式脑机接口 (Blabe et al., 2015) 。侵入式脑机接口将继续用于病人。目前商业化的脑机接口全都是非侵入式的。

侵入式脑机接口的接受度之所以这么低，主要是源自对神经外科和在大脑中植入机械设备的医学担忧。其风险显然不能忽略不计，但是也似乎被过度高估了。例如，数据显示，关于侵入式脑机接口的医疗纠纷是很稀少的，而且出现问题的病人在恰当治疗下纠纷会减少到 0.9% 并且没有导致长期的身体缺陷 (Zrinzo et al., 2012) 。即使曾经经常用于治疗癫痫多处软膜下横切技术 (multiple subpial transection) 现在用于初级运动皮层，病人也没有留下永久性运动缺陷 (Blount et al., 2004) 。为侵入式脑机接口植入电极阵列按理说没有危险的，它们已经在许多实验室使用了很多年。

如今至关重要的是迎接侵入式脑机接口的挑战：更好地理解「神经元代码」，向大脑植入微型设备，传输无线信号 (Borton et al., 2013) ，在脑外给植入物充电 (Ho et al., 2014) 或者让植入物利用身体内部的能量 (Hannan et al., 2014) 。脑机接口需要适应不稳定的信号环境和配备具有更好的感觉-运动系统的假体。对于皮层内部的植入物，主要的挑战是生物相容性、植入物随时间的退化、植入物因机体组织受损（如血脑屏障破裂、神经退行性疾病等）而失灵。只有少量 APs 在植入物工作多年后还能继续被记录 (Hochberg et al., 2012) 。LFPs 也会变质，但是可能相对而言会表现出更好的长期稳定性 (Flint et al., 2013; Perge et al., 2014) 。为了提高寿命和收益，电极需要精简尺寸，包裹上可以与神经元整合、抗免疫的化学因子 (Gunasekera et al., 2015) ，而且/或者还要重新设计（例如：使用碳纳米管，Vitale et al., 2015; Lopez et al., 2016 ）。

作为侵入式却在皮层外使用的技术，微型化皮层脑电图 (ECoG) 对皮层组织造成的损害/刺激更少，而且能以更高的空间分辨率记录 LFPs ，而最近还能记录神经元电活动 (Khodagholy et al., 2015) 。其好处显而易见，尤其是考虑到增加的信息传输速率、生物相容性和长期信号稳定性 (Chao et al., 2010) ，这些方面可能是影响脑机接口未来发展的决定性因素。

一旦侵入式脑机接口能完美地嵌入身体，它们可能被大多数人（主要是病人）接受。然而，医疗之外的担忧也必须重视。因为侵入式脑机接口允许进入大脑，有必要讨论社会道德问题：隐私、「读心术」、远程操控、大脑增强，这些都涉及到对有潜在危险的仪器的控制和对自我和他人的感知。

这种观点不是反对 EEG 。 EEG 是在许多应用领域是主要工具，例如医疗、用于沟通的脑机接口。

总之，结论是一旦科技、社会伦理和神经科学方面的挑战被解决，用户的忧虑就可能缓解，而侵入式脑机接口将在绝大多数应用领域流行起来；当然，这些领域包括恢复身体的运动机能，甚至可能包括医疗以外的领域。

参考文献

Belitski, A., Gretton, A., Magri, C., Murayama, Y., Montemurro, M. A., Logothetis, N. K., et al. (2008). Low-frequency local field potentials and spikes in primary visual cortex convey independent visual information. J. Neurosci. 28, 5696–5709. doi: 10.1523/JNEUROSCI.0009-08.2008

Blabe, C. H., Gilja, V., Chestek, C. A., Shenoy, K. V., Anderson, K. D., and Henderson, J. M. (2015). Assessment of brain-machine interfaces from the perspective of people with paralysis. J. Neural Eng. 12:043002. doi: 10.1088/1741-2560/12/4/043002

Blount, J. P., Langburt, W., Otsubo, H., Chitoku, S., Ochi, A., Weiss, S., et al. (2004). Multiple subpial transections in the treatment of pediatric epilepsy. J. Neurosurg. 100, 118–124. doi: 10.3171/ped.2004.100.2.0118

Borton, D. A., Yin, M., Aceros, J., and Nurmikko, A. (2013). An implantable wireless neural interface for recording cortical circuit dynamics in moving primates. J. Neural Eng. 10:026010. doi: 10.1088/1741-2560/10/2/026010

Buzsaki, G., Anastassiou, C. A., and Koch, C. (2012). The origin of extracellular fields and currents–EEG, ECoG, LFP and spikes. Nat. Rev. Neurosci. 13, 407–420. doi: 10.1038/nrn3241

Callier, T., Schluter, E. W., Tabot, G. A., Miller, L. E., Tenore, F. V., and Bensmaia, S. J. (2015). Long-term stability of sensitivity to intracortical microstimulation of somatosensory cortex. J. Neural Eng. 12:056010. doi: 10.1088/1741-2560/12/5/056010

Carmena, J. M., Lebedev, M. A., Crist, R. E., O’doherty, J. E., Santucci, D. M., Dimitrov, D. F., et al. (2003). Learning to control a brain-machine interface for reaching and grasping by primates. PLoS Biol. 1:e42. doi: 10.1371/journal.pbio.0000042

Chao, Z. C., Nagasaka, Y., and Fujii, N. (2010). Long-term asynchronous decoding of arm motion using electrocorticographic signals in monkeys. Front. Neuroeng. 3:3. doi: 10.3389/fneng.2010.00003

Chen, X., Wang, Y., Gao, S., Jung, T. P., and Gao, X. (2015). Filter bank canonical correlation analysis for implementing a high-speed SSVEP-based brain-computer interface. J. Neural Eng. 12:046008. doi: 10.1088/1741-2560/12/4/046008

Collinger, J. L., Wodlinger, B., Downey, J. E., Wang, W., Tyler-Kabara, E. C., Weber, D. J., et al. (2013). High-performance neuroprosthetic control by an individual with tetraplegia. Lancet 381, 557–564. doi: 10.1016/S0140-6736(12)61816-9

Cunningham, J. P., Nuyujukian, P., Gilja, V., Chestek, C. A., Ryu, S. I., and Shenoy, K. V. (2011). A closed-loop human simulator for investigating the role of feedback control in brain-machine interfaces. J. Neurophysiol. 105, 1932–1949. doi: 10.1152/jn.00503.2010

Einevoll, G. T., Kayser, C., Logothetis, N. K., and Panzeri, S. (2013). Modelling and analysis of local field potentials for studying the function of cortical circuits. Nat. Rev. Neurosci. 14, 770–785. doi: 10.1038/nrn3599

Fetz, E. E. (1969). Operant conditioning of cortical unit activity. Science 163, 955–958. doi: 10.1126/science.163.3870.955

Flint, R. D., Wright, Z. A., Scheid, M. R., and Slutzky, M. W. (2013). Long term, stable brain machine interface performance using local field potentials and multiunit spikes. J. Neural Eng. 10:056005. doi: 10.1088/1741-2560/10/5/056005

Galan, F., Baker, M. R., Alter, K., and Baker, S. N. (2014). Degraded EEG decoding of wrist movements in absence of kinaesthetic feedback. Hum. Brain Mapp. 36, 643–654. doi: 10.1002/hbm.22653

Galan, F., and Baker, S. N. (2015). Deafferented controllers: a fundamental failure mechanism in cortical neuroprosthetic systems. Front. Behav. Neurosci. 9:186. doi: 10.3389/fnbeh.2015.00186

Ganguly, K., and Carmena, J. M. (2009). Emergence of a stable cortical map for neuroprosthetic control. PLoS Biol. 7:e1000153. doi: 10.1371/journal.pbio.1000153

Gilja, V., Pandarinath, C., Blabe, C. H., Nuyujukian, P., Simeral, J. D., Sarma, A. A., et al. (2015). Clinical translation of a high-performance neural prosthesis. Nat. Med. 21, 1142–1145. doi: 10.1038/nm.3953

Gunasekera, B., Saxena, T., Bellamkonda, R., and Karumbaiah, L. (2015). Intracortical recording interfaces: current challenges to chronic recording function. ACS Chem. Neurosci. 6, 68–83. doi: 10.1021/cn5002864

Hannan, M. A., Mutashar, S., Samad, S. A., and Hussain, A. (2014). Energy harvesting for the implantable biomedical devices: issues and challenges. Biomed. Eng. 13:79. doi: 10.1186/1475-925X-13-79

Henze, D. A., Borhegyi, Z., Csicsvari, J., Mamiya, A., Harris, K. D., and Buzsaki, G. (2000). Intracellular features predicted by extracellular recordings in the hippocampus in vivo. J. Neurophysiol. 84, 390–400.

Ho, J. S., Yeh, A. J., Neofytou, E., Kim, S., Tanabe, Y., Patlolla, B., et al. (2014). Wireless power transfer to deep-tissue microimplants.Proc. Natl. Acad. Sci. U.S.A. 111, 7974–7979. doi: 10.1073/pnas.1403002111

Hochberg, L. R., Bacher, D., Jarosiewicz, B., Masse, N. Y., Simeral, J. D., Vogel, J., et al. (2012). Reach and grasp by people with tetraplegia using a neurally controlled robotic arm. Nature 485, 372–375. doi: 10.1038/nature11076

Khodagholy, D., Gelinas, J. N., Thesen, T., Doyle, W., Devinsky, O., Malliaras, G. G., et al. (2015). NeuroGrid: recording action potentials from the surface of the brain. Nat. Neurosci. 18, 310–315. doi: 10.1038/nn.3905

Kim, J., Lee, M., Shim, H. J., Ghaffari, R., Cho, H. R., Son, D., et al. (2014). Stretchable silicon nanoribbon electronics for skin prosthesis.Nat. Commun. 5, 5747. doi: 10.1038/ncomms6747

Klaes, C., Shi, Y., Kellis, S., Minxha, J., Revechkis, B., and Andersen, R. A. (2014). A cognitive neuroprosthetic that uses cortical stimulation for somatosensory feedback. J. Neural Eng. 11:056024. doi: 10.1088/1741-2560/11/5/056024

Lopez, C. M., Mitra, S., Putzeys, J., Raducanu, B., Ballini, M., Andrei, A., et al. (2016). “A 966-electrode neural probe with 384 configurable channels in 0.13μm SOI CMOS,” in IEEE International Solid-State Circuits Conference (ISSCC) (San Fransisco, CA), 392–393. doi: 10.1109/ISSCC.2016.7418072

Mehring, C., Rickert, J., Vaadia, E., Cardoso De Oliveira, S., Aertsen, A., and Rotter, S. (2003). Inference of hand movements from local field potentials in monkey motor cortex. Nat. Neurosci. 6, 1253–1254. doi: 10.1038/nn1158

Michel, C. M., and Murray, M. M. (2012). Towards the utilization of EEG as a brain imaging tool. Neuroimage 61, 371–385. doi: 10.1016/j.neuroimage.2011.12.039

O’doherty, J. E., Lebedev, M. A., Ifft, P. J., Zhuang, K. Z., Shokur, S., Bleuler, H., et al. (2011). Active tactile exploration using a brain-machine-brain interface. Nature 479, 228–231. doi: 10.1038/nature10489

Okazaki, Y. O., Horschig, J. M., Luther, L., Oostenveld, R., Murakami, I., and Jensen, O. (2015). Real-time MEG neurofeedback training of posterior alpha activity modulates subsequent visual detection performance. Neuroimage 107, 323–332. doi: 10.1016/j.neuroimage.2014.12.014

Perge, J. A., Zhang, S., Malik, W. Q., Homer, M. L., Cash, S., Friehs, G., et al. (2014). Reliability of directional information in unsorted spikes and local field potentials recorded in human motor cortex. J. Neural Eng. 11:046007. doi: 10.1088/1741-2560/11/4/046007

Rockel, A. J., Hiorns, R. W., and Powell, T. P. (1980). The basic uniformity in structure of the neocortex. Brain 103, 221–244. doi: 10.1093/brain/103.2.221

Stavisky, S. D., Kao, J. C., Nuyujukian, P., Ryu, S. I., and Shenoy, K. V. (2015). A high performing brain-machine interface driven by low-frequency local field potentials alone and together with spikes. J. Neural Eng. 12, 036009. doi: 10.1088/1741-2560/12/3/036009

Vitale, F., Summerson, S. R., Aazhang, B., Kemere, C., and Pasquali, M. (2015). Neural stimulation and recording with bidirectional, soft carbon nanotube fiber microelectrodes. ACS Nano 9, 4465–4474. doi: 10.1021/acsnano.5b01060

Waldert, S., Lemon, R. N., and Kraskov, A. (2013). Influence of spiking activity on cortical local field potentials. J. Physiol. 591, 5291–5303. doi: 10.1113/jphysiol.2013.258228

Waldert, S., Pistohl, T., Braun, C., Ball, T., Aertsen, A., and Mehring, C. (2009). A review on directional information in neural signals for brain-machine interfaces. J. Physiol. Paris 103, 244–254. doi: 10.1016/j.jphysparis.2009.08.007

Waldert, S., Preissl, H., Demandt, E., Braun, C., Birbaumer, N., Aertsen, A., et al. (2008). Hand movement direction decoded from MEG and EEG. J. Neurosci. 28, 1000–1008. doi: 10.1523/JNEUROSCI.5171-07.2008

Waterstraat, G., Burghoff, M., Fedele, T., Nikulin, V., Scheer, H. J., and Curio, G. (2015). Non-invasive single-trial EEG detection of evoked human neocortical population spikes. Neuroimage 105, 13–20. doi: 10.1016/j.neuroimage.2014.10.024

Wodlinger, B., Downey, J. E., Tyler-Kabara, E. C., Schwartz, A. B., Boninger, M. L., and Collinger, J. L. (2015). Ten-dimensional anthropomorphic arm control in a human brain-machine interface: difficulties, solutions, and limitations. J. Neural. Eng. 12, 016011. doi: 10.1088/1741-2560/12/1/016011

Zrinzo, L., Foltynie, T., Limousin, P., and Hariz, M. I. (2012). Reducing hemorrhagic complications in functional neurosurgery: a large case series and systematic literature review. J. Neurosurg. 116, 84–94. doi: 10.3171/2011.8.JNS101407

欢迎科技企业参加人工智能学家举办的活动

人工智能学家 Aitists

人工智能学家是权威的前沿科技媒体和研究机构，2016年2月成立人工智能与互联网进化实验室（AIE Lab)，重点研究互联网，人工智能，脑科学，虚拟现实，机器人，移动互联网等领域的未来发展趋势和重大科学问题。

长按上方二维码关注微信号 Aitists

投稿邮箱：post@aitists.com

责任编辑：