俺黑君夠黑，慎關注！

看點：CMU研究人員在使用非侵入式腦機接口開發了第一個成功用意念控制的機械臂，展現了連續追蹤和跟蹤計算機光標的能力。

卡內基梅隆大學與明尼蘇達大學的研究人員在非侵入式機器人設備控制領域取得了突破性的進展——使用非侵入式腦機接口（BCI），開發了有史以來第一個能用意念控制連續追蹤電腦光標的機械臂。

人們從上個世紀90年代就開始研究如何用意念遠程操控外物，這一研究領域的一大難點在於，如何在不需要向大腦植入任何晶片和傳感器的情況下，獲取大腦發出的信號。

對於機械臂而言，舉起重物、抓取物品等行動早已如同探囊取物，但高精度、靈敏的運動規劃依然困難重重。在這項新研究出現前，用非侵入式腦機接口控制的機械臂一直以不穩定、不連續的方式跟隨電腦上光標的移動，看起來就好像螢幕卡頓了一樣，延遲問題非常明顯。

而這一研究團隊構建了一種新的框架，採用一種人機相互適應的訓練方式，通過定向增加用戶學習和機器學習能力，改進腦機接口的「大腦」和「計算機」組成部分，並通過腦電圖（EEG，Electroencephalogram）源成像的方式提高非侵入性神經數據的空間分辨率。

最終，他們不僅將傳統的非侵入式腦機接口學習能力提升了近60%，還將連續追蹤電腦光標的能力提升了5倍以上。也就是說，機械臂能夠實時連續地操縱電腦光標，幾乎接近你直接用手操控滑鼠光標的體驗。這對於需要借助義肢的患者而言，絕對是一個福音。

這一研究成果已於美國時間2019年6月19日發表在機器人頂級期刊《Science Robotics》上，名為《用於機器人設備控制的非侵入式神經成像增強連續神經追蹤（Noninvasive neuroimaging enhances continuous neural tracking for robotic device control）》。

非侵入式腦機接口更安全，低信號分辨率成發展阻礙

這項突破性的研究關乎兩個關鍵的前沿研究領域——腦機接口和機械臂高精度實時運動規劃。

顧名思義，腦機接口（BCI，Brain-computer interface）指的是在人或動物大腦和外部機器設備之間建立的直接連接通路，大腦一發出信號，機器就能執行大腦所傳達的指令。

根據研究機構Allied Market Research的研究報告，全球腦機接口市場預計在2020年將達到14.6億美元，從2014至2020年的年復合增長率為11.5%。

腦機接口在醫療保健、智能家居控制、娛樂和遊戲等領域正得到越來越廣泛的應用。其中，醫療保健領域一直是腦機接口應用率最高的市場，癱瘓、肌肉萎縮、脊髓損傷、肢體殘疾等患者可以借此補足缺失的身體功能，做到和環境以及其他人之間的互動。

腦機接口主要分為侵入式、部分侵入式和非侵入式三種類型。侵入式需要往大腦里植入神經晶片、傳感器等外來設備；部分侵入式一般植入到顱腔內、灰質外；非侵入式有腦電圖（EEG）、功能性磁共振成像（fMRI）等類型，通常是通過腦電帽接觸頭皮的方式，間接獲取大腦皮層神經信號。

這些不同領域的複雜程度各不相同。侵入式相對容易做到，但面臨植入流程複雜、需要專業醫療和外科知識來正確安裝和操作、植入物可能引起人體排異反應以及造成感染等問題。

而非侵入式使用的是外部傳感器，價格相對低廉且更方便人們佩戴，但因為不是直接接觸，它接收到的信號會有更多的噪音，導致它記錄到的信號分辨率和控制精度很難達到像侵入式那麼高。

由於非侵入式的易用性，2013年，非侵入式腦機接口已經占了整個腦機接口市場收入的85%，並在未來表現出穩定的增長狀態。

盡管非侵入式更受歡迎，但在預期患者群體中處於最高優先級的手臂或手部控制的恢復、增強或輔助技術方面，基於腦電圖的腦機接口卻並不是很有效，因為在實際臨床應用中，機械臂的協調導航和精準定位對於患者體驗而言至關重要。

為了滿足這一需求，卡內基梅隆大學與明尼蘇達大學的研究團隊提出了一種統一的非侵入式框架，基於EEG做到對物理機械臂連續流暢的的二維控制與追蹤。

華人學術領袖：已做到高分辨率，研發連續追蹤新范式

其中一個研究人員叫賀斌，現任卡內基·梅隆大學（Carnegie Mellon University）的生物醫學工程系主任和神經科學研究所電氣與計算機工程系教授。

賀斌在1982年本科畢業於浙江大學電氣工程專業，1985年獲東京工業大學電氣工程碩士學位，1988年獲東京工業大學生物電工學博士學位，並於1991年拿到在哈佛大學-麻省理工學院（MIT）的生物醫學工程博士後獎學金。

他在功能性生物醫學成像、多模式神經成像和非侵入式腦機界面等神經工程和生物醫學成像領域做出了重要的研究和教育貢獻。

▲2018年，賀斌在浙江大學開《神經工程及腦成像》專題講座

他的開創性研究將腦電圖從一維檢測技術轉變為三維神經成像模式。2016年12月，其團隊首次證明人類在沒有植入腦電極的情況下，僅用意念就可以控制三維空間中的機械臂抓取、放置物品和駕駛無人機。

目前，賀斌在主要推進的一個研究領域，即是開發出幫助殘疾患者的非侵入式心智控制腦機界面。

▲專題講座現場

賀斌表示，使用腦植入物的意念控制機器人設備已經取得了重大進展。這是一門很棒的科學，而非侵入性是這項研究的最終目標。神經解碼的進展，以及非侵入式機械臂控制的實際應用，都將對非侵入式神經機器人的最終發展產生重大影響。

一方面，利用新的傳感和機器學習技術，賀斌和他的實驗室團隊能夠獲取大腦深處的信號，做到對機械臂的高分辨率控制。

另一方面，通過非侵入式神經成像和一種新的連續追蹤范式，他們正在攻克EEG信號帶來的噪音，從而顯著改善基於腦電圖的神經解碼，並進一步推進實時連續的2D機器人設備控制。

創新框架：傳統方法學習能力提高60%，連續追蹤學習能力增強5倍

這是賀斌他們第一次通過人類受試者使用非侵入式腦機接口來控制在計算機螢幕上連續追蹤光標的機械臂。

此前，非侵入式腦機接口只能以不穩定、離散的方式來控制機械臂移動光標，好像機械臂在努力「跟上」大腦的命令。而在賀斌等研究人員的努力下，機械臂的行動正在變得更加流暢、連續。

腦電圖系統的基本流程是先經由電極帽等采集裝置獲取到大腦皮層的信號，並將其轉換為數字信號，再選擇最優導聯的信號進行全局參數設置、預處理、特徵提取和分類等信號處理任務，最終通過控制器做到對機械臂等外部裝置的控制。

而在本文介紹的新研究中，研究人員們建立了一個新的框架，採用一種人機相互適應的訓練方式，通過定向提高腦機接口的用戶學習和機器學習能力，改進腦機接口的「大腦」和「計算機」部分，並通過腦電圖（EEG）源成像提高非侵入式神經數據的空間分辨率。

由於人腦活動隨著時間和空間的變化而改變，因此要對大腦神經進行成像，需要使用高時間和高空間分辨率的工具。

本次研究採用的腦電圖源成像（ESI，EEG source imaging）技術是通過頭皮的電位分布反推顱內皮層的電位分布，並根據頭顱解剖特點採用限差分頭模融入頭顱空間，來減輕噪音影響，預測大腦皮層活動。

相比傳統傳感技術， EIS技術能提供更高的時間分辨率和空間分辨率，給離線神經解碼領域帶來了令人驚喜的進展，不過，這些方法還需經進一步的驗證。

▲基於源連續追蹤腦機接口機械臂框架

以此為基礎，研究人員們研發了實時ESI平台，並使用了一種連續追蹤（CP，continuous pursuit）的方法進行訓練，經實驗，其框架使得傳統離散試驗（DT，Discrete Trial）的腦機接口學習能力提高了近60%，連續追蹤的腦機接口學習能力增強500%以上。

實時ESI的實用性還進一步為基於傳統傳感器的腦機接口用戶在連續追蹤腦機接口控制方面帶來10％的改進。

基於上述改進，研究人員們展示了機械臂的連續控制能力，其水平與虛擬光標控制的水平幾乎相同，突出了非侵入式腦機接口轉化為用於實際任務和臨床應用的真實設備的潛力。

迄今為止，該技術已經在68個健全的人類受試者中進行了測試（每個受試者多達10次），測試內容包括虛擬設備控制和機械臂控制。

該研究團隊表示，該技術能直接適用於患者，同時他們計劃在不久的將來進行臨床試驗。

「盡管使用非侵入性信號存在技術挑戰，但我們將會一直致力於把這種安全且經濟的技術，帶給可以從中受益的人。」賀斌說，「這項努力是非侵入式腦機接口領域邁出的重要一步，腦機接口技術未將有機會成為無處不在的輔助技術，就像智慧型手機一樣。」

這項研究得到了美國國家補足和綜合健康中心（National Center for Complementary and Integrative Health）、國家神經疾病和中風研究院（National Institute of Neurological Disorders and Stroke）、國家生物醫學成像和生物工程研究所（National Institute of Biomedical Imaging and Bioengineering）和國家心理衛生研究所（National Institute of Mental Health）的支持。

結語：非侵入式腦機接口邁出重要一步

盡管目前侵入式神經解碼領域的目標動態追蹤能力要普遍高於非侵入式，但對於大多數人來說，非侵入式腦機接口仍然是更安全、更容易接受的選擇。

此次連續追蹤腦機接口范例成功提升了腦機接口的性能和效率，展示了高度靈活的機械臂操控計算機光標技能。如果這項技術能夠走向成熟，將會給癱瘓患者和手部、手臂部位運動障礙患者們的生活帶來極大的便利。

同時，隨著研究人員對它進一步深入的研究和開發，它在將來也許會更普及地應用到普通人的生活中。我們不妨大膽設想一下，或許未來有一天，人們可以用意念實時控制計算機光標和打字，徹底解放雙手、拋棄鍵盤。

論文鏈接：

https://robotics.sciencemag.org/content/4/31/eaaw6844

文章來源：Carnegie Mellon University College of Engineering