TEL:17312606166（魏經(jīng)理）
美鳳力臨床前大動(dòng)物實(shí)驗(yàn)中心
17312606166
近日，加州大學(xué)洛杉磯分校團(tuán)隊(duì)在 《Nature Machine Intelligence》 上報(bào)告了一套將人工智能助手與非侵入式 EEG-BCI 結(jié)合的工作。 他們提出并實(shí)現(xiàn)了一個(gè)混合解碼器（將 EEGNet 卷積神經(jīng)網(wǎng)絡(luò)的隱藏態(tài)作為 卡爾曼濾波器的觀測(cè)——CNN-KF），并在此基礎(chǔ)上開(kāi)發(fā)了兩類(lèi)助手：一個(gè)用于光標(biāo)控制（用深度強(qiáng)化學(xué)習(xí)訓(xùn)練），一個(gè)用于機(jī)器人臂的抓放（結(jié)合計(jì)算機(jī)視覺(jué)，自動(dòng)識(shí)別目標(biāo)并在接近時(shí)執(zhí)行抓放）。
01、面臨問(wèn)題 傳統(tǒng)運(yùn)動(dòng)型 BCI 僅靠解碼神經(jīng)信號(hào)來(lái)驅(qū)動(dòng)執(zhí)行器，但臨床可行性要求“收益遠(yuǎn)大于風(fēng)險(xiǎn)/成本”。許多現(xiàn)實(shí)任務(wù)是目標(biāo)驅(qū)動(dòng)的（例如：在網(wǎng)頁(yè)里輸入后點(diǎn)“搜索”、桌上拿杯子喝水、把鑰匙放到抽屜里），一旦用戶意圖被識(shí)別，動(dòng)作往往可被簡(jiǎn)化或由助手完成，顯著降低對(duì)解碼自由度的需求。 論文正是基于“任務(wù)先驗(yàn)、歷史軌跡和視覺(jué)信息能幫助推斷用戶目標(biāo)”的觀察，提出共享自治來(lái)提升 BCI 實(shí)用性。 02、關(guān)鍵突破
研究團(tuán)隊(duì)要解決的核心問(wèn)題是：在非侵入式 EEG 條件下，信噪比較低、維度有限，傳統(tǒng)的解碼器很難提供足夠穩(wěn)定和精準(zhǔn)的二維運(yùn)動(dòng)控制。如果想進(jìn)一步讓用戶完成實(shí)際生活任務(wù)（例如光標(biāo)點(diǎn)擊、機(jī)械臂抓放），就必須找到一種方法，讓 AI 幫助用戶把“粗糙意圖”轉(zhuǎn)化為精確動(dòng)作。 圖1： AI-BCI 框架示意。 展示傳統(tǒng) BCI 與 AI-BCI 的對(duì)比：AI 助手如何利用任務(wù)先驗(yàn)、歷史軌跡與 CV 等信息推斷目標(biāo)并共享控制，從而提高性能與減少參與者代價(jià)。 方法層面有三個(gè)關(guān)鍵創(chuàng)新。 第一，解碼器設(shè)計(jì)。研究團(tuán)隊(duì)提出了CNN-KF混合解碼器。具體做法是先用EEGNet（一種輕量化卷積神經(jīng)網(wǎng)絡(luò)）對(duì)64通道EEG信號(hào)進(jìn)行特征提取，輸入為1秒窗口的連續(xù)數(shù)據(jù)，采樣率1 kHz，經(jīng)4–40 Hz帶通和Laplacian空間濾波后，每通道歸一化，再以100 Hz的時(shí)間分辨率輸入CNN。 CNN的最后一層隱藏狀態(tài)被送入卡爾曼濾波器作為觀測(cè)量。這樣的設(shè)計(jì)既能捕捉EEG中非線性特征，又能保留卡爾曼濾波器在在線自適應(yīng)中的可解釋性和穩(wěn)定性。CNN在訓(xùn)練后被凍結(jié)，閉環(huán)實(shí)驗(yàn)中只調(diào)整卡爾曼參數(shù)（包括解碼偏置和速度增益），這樣能抵消EEG漂移帶來(lái)的影響。 第二，訓(xùn)練范式。為了避免CNN僅僅學(xué)習(xí)到眼動(dòng)偽跡而非真正的運(yùn)動(dòng)皮層信號(hào)，實(shí)驗(yàn)分為兩個(gè)階段：首先是開(kāi)環(huán)階段，參與者根據(jù)提示執(zhí)行或企圖執(zhí)行上、下、左、右的動(dòng)作；隨后是去相關(guān)閉環(huán)階段，在這一階段中，視覺(jué)目標(biāo)位置與動(dòng)作提示被解耦，使得模型不得不依賴運(yùn)動(dòng)相關(guān)腦電特征而不是眼動(dòng)信號(hào)。研究團(tuán)隊(duì)還使用ReFIT-like卡爾曼策略，通過(guò)創(chuàng)新項(xiàng)和充分統(tǒng)計(jì)量來(lái)迭代更新卡爾曼濾波器參數(shù)，使解碼器更貼合用戶的真實(shí)控制。 圖2：解碼器及訓(xùn)練范式設(shè)計(jì) 第三，AI助手的引入。這里又分為兩類(lèi)。其一是光標(biāo)助手，研究人員在模擬環(huán)境中用近端策略優(yōu)化訓(xùn)練深度強(qiáng)化學(xué)習(xí)模型，輸入為CNN-KF輸出的速度與位置，輸出為每個(gè)候選目標(biāo)的概率分布。助手并不是直接“接管”控制，而是通過(guò)勢(shì)場(chǎng)的方式，把自己的速度貢獻(xiàn)與用戶解碼出的速度向量疊加，從而持續(xù)修正光標(biāo)的運(yùn)動(dòng)軌跡。 其二是機(jī)器人助手，使用實(shí)時(shí)計(jì)算機(jī)視覺(jué)算法對(duì)場(chǎng)景中的物體進(jìn)行檢測(cè)和定位；當(dāng)機(jī)械臂到達(dá)預(yù)設(shè)閾值距離（2.54 cm）時(shí)，助手自動(dòng)執(zhí)行抓取或放置動(dòng)作。這大大降低了對(duì)用戶提供高維連續(xù)指令的需求。 結(jié)果方面，論文報(bào)告了多個(gè)量化數(shù)據(jù)。 在光標(biāo)任務(wù)中，健康被試和脊髓損傷參與者（S2）均表現(xiàn)出顯著提升。對(duì)健康被試，AI助手使目標(biāo)獲取速率平均提高約2.1倍；對(duì)S2，提升幅度更大，約為3.9倍。S2在沒(méi)有助手時(shí)，命中率和成功率都非常有限，而接入助手后，命中率和成功率顯著提升（p<<0.01）。 在任務(wù)時(shí)間分解分析中，助手最顯著的作用是縮短了最后階段的小范圍微調(diào)時(shí)間。健康被試的微調(diào)時(shí)間中位數(shù)下降至0.38秒，而S2在無(wú)助手條件下微調(diào)時(shí)間往往需要數(shù)秒，有助手后顯著降低，部分試次幾乎接近健康水平。路徑分析顯示，助手條件下的軌跡更直、更高效。 圖3：AI助手大幅提升光標(biāo)任務(wù)表現(xiàn) 在機(jī)器人任務(wù)中，設(shè)置了一次性和序列性兩種形式。一次性任務(wù)要求用戶抓取后立即放置；序列性任務(wù)則要求用戶按順序完成多個(gè)抓放。健康被試在助手條件下幾乎所有試次都能成功，完成率接近100%。而S2在沒(méi)有助手狀態(tài)下完全無(wú)法完成成功試次；在助手條件下則能夠完成任務(wù)，在序列性任務(wù)中最終正確放置率達(dá)到約93%，平均完成時(shí)間也明顯縮短（與健康被試相比稍慢，但仍然在可接受范圍內(nèi)）。 圖4： AI助手大幅提升機(jī)器人任務(wù)表現(xiàn) 此外，研究團(tuán)隊(duì)還分析了CNN輸出的敏感圖，發(fā)現(xiàn)左右移動(dòng)激活主要集中在對(duì)側(cè)半球的感覺(jué)運(yùn)動(dòng)區(qū)，符合已知的皮層功能定位。這說(shuō)明CNN-KF的確在利用可靠的運(yùn)動(dòng)皮層信息，而不是簡(jiǎn)單依賴眼動(dòng)或其他偽跡。 03、重要意義 
這項(xiàng)研究讓系統(tǒng)能夠在用戶提供有限、低維度的腦信號(hào)時(shí)，通過(guò)推斷和共享自治補(bǔ)全剩余部分，最終實(shí)現(xiàn)了健康人和嚴(yán)重運(yùn)動(dòng)障礙患者都能完成目標(biāo)驅(qū)動(dòng)的連續(xù)動(dòng)作任務(wù)。為未來(lái)工作提供了以下提示： 1. 推廣性：研究思路可同樣用于侵入式BCI，以進(jìn)一步提升已有的高性能系統(tǒng)；同時(shí)，非侵入式的易獲取性使得構(gòu)建大規(guī)模EEG基礎(chǔ)模型成為可能（類(lèi)似語(yǔ)言模型在NLP的作用），這可能顯著降低校準(zhǔn)時(shí)間并提升性能。 2. 信號(hào)與模態(tài)融合：將眼動(dòng)、姿態(tài)、表面肌電等非侵入信號(hào)并入助手推斷流程，有望在弱EEG調(diào)制或疾病不同階段保持穩(wěn)健性。 3. 人–機(jī)交互與用戶自主性：未來(lái)助手需更注重“干預(yù)邊界”，以避免過(guò)度干預(yù)造成挫敗或控制感喪失；如何平衡性能與用戶感受是關(guān)鍵。 文章同時(shí)提到了臨床轉(zhuǎn)化過(guò)程中的現(xiàn)實(shí)問(wèn)題：研究樣本量小（本研究?jī)H3名健康+1名脊髓損傷患者），且個(gè)體差異與疼痛/感覺(jué)狀態(tài)會(huì)影響解碼（論文記錄一次S2因幻痛導(dǎo)致當(dāng)天無(wú)法訓(xùn)練出高性能解碼），因此需要更大樣本與病種分層研究來(lái)評(píng)估穩(wěn)健性與普適性。 參考材料： https://www.nature.com/articles/s42256-025-01090-y
| 上一篇：【資訊前沿】全球首款入耳式腦電耳機(jī)！腦韻科技完成千萬(wàn)級(jí)天使輪融資 | 下一篇：【海外風(fēng)雲(yún)】飛利浦推出用于心臟監(jiān)測(cè)的智能遙測(cè)平臺(tái) |
TAG標(biāo)簽： |
|
|
|
