Достижения в алгоритмах обработки нейронных сигналов для сложных двигательных и когнитивных задач

Введение: новый рубеж в нейронном декодировании

За последнее десятилетие произошел сдвиг парадигмы в обработке нейронных сигналов. То, что когда-то требовало трудоемких функций и линейных классификаторов, теперь извлекает выгоду из архитектур глубокого обучения, байесовской оптимизации и рамок замкнутого цикла в реальном времени. Эти алгоритмические достижения позволяют исследователям и клиницистам расшифровывать сложные двигательные намерения, такие как достижение, захват и локомоция, а также когнитивные состояния более высокого порядка, включая внимание, поиск памяти, принятие решений и даже воображаемую речь. Поскольку глобальный рынок интерфейса мозг-компьютер перескакивает к многомиллиардным оценкам, основные алгоритмы, которые превращают шумные электрофизиологические данные в действенные команды, более важны, чем когда-либо.

В статье рассматриваются наиболее значительные алгоритмические прорывы в обработке нейронных сигналов за последние два-три года, оценивается их влияние как на двигательные, так и на когнитивные приложения, а также обсуждаются оставшиеся технические проблемы, которые определяют повестку дня исследований на ближайшее будущее.

Понимание обработки нейронных сигналов: основные концепции и постоянные проблемы

Нейронная обработка сигналов - это вычислительный конвейер, который извлекает значимую информацию из записей активности мозга. Необработанные сигналы - будь то полученные с помощью неинвазивной электроэнцефалографии (ЭЭГ), магнитоэнцефалографии (МЭГ), функциональной ближней инфракрасной спектроскопии (ФНИРС) или инвазивной электрокортикографии (ЭКОГ) и микроэлектродных массивов - по своей сути нестационарны, имеют низкое отношение сигнал-шум (SNR) и высокоразмерны. Типичная 64-канальная система ЭЭГ дает десятки тысяч временных точек в секунду, а внутрикортикальные записи из одного массива Юты могут производить пиковую активность из сотен нейронов одновременно.

Фундаментальные проблемы включают: (1) удаление физиологических и экологических артефактов без искажения основной нейронной сигнатуры; (2) выравнивание сигналов через сеансы или субъектов, несмотря на дрейф электродов, изменения импеданса и вариации размещения электродов; (3) работа с нестационарностью состояний мозга - одна и та же когнитивная задача может производить заметно разные спектральные и пространственные паттерны в зависимости от усталости, внимания или лекарств. Ранние подходы в значительной степени полагались на функции ручной работы, такие как мощность полосы, общие пространственные паттерны (CSP) и ауторегрессивные модели.

Алгоритмическая революция по существу была связана с автоматизацией этапа извлечения функций при одновременном изучении временных и пространственных зависимостей, которые характеризуют естественную нейронную динамику. Этот сдвиг был обусловлен прежде всего наличием крупномасштабных нейронных наборов данных, фреймворков с открытым исходным кодом (PyTorch, TensorFlow, Braindecode) и созреванием аппаратных ускорителей (GPU, TPU), которые делают возможным обучение глубоких моделей.

Алгоритмические инновации: от ручной работы до конечного обучения

Современные алгоритмы обработки нейронных сигналов можно разделить на три категории: сквозное глубокое обучение, передача и самоконтрольное обучение и адаптация к конкретным областям, которые включают в себя предыдущие знания, такие как римановская геометрия или байесовские непараметрики.

Архитектура глубокого обучения

Связочные нейронные сети (CNN) остаются рабочей лошадкой для декодирования как моторных, так и когнитивных задач. Архитектуры, такие как ShallowNet, DeepConvNet и EEGNet, стали стандартными базовыми линиями, обрабатывая сырые или минимально фильтрованные временные ряды через временные и пространственные извилины. Эти модели косвенно изучают пространственные фильтры, которые заменяют ручной подход CSP, и они могут захватывать нелинейные взаимодействия через каналы и интервалы задержки.

Рекуррентные нейронные сети (RNN), особенно блоки с длинной кратковременной памятью (LSTM) и затворные повторяющиеся блоки (GRU), преуспевают в моделировании последовательных зависимостей в моторном планировании. Для непрерывного декодирования кинематики (например, скорости курсора, углов суставов) из внутрикортикальных записей гибридные модели CNN-LSTM продемонстрировали превосходную производительность по сравнению с любой архитектурой. Недавнее исследование с использованием данных из исследования BrainGate показало, что декодер CNN-LSTM достиг ближне-натуралистического управления курсором в клиническом пилоте с тетраплегическими участниками, что позволяет им печатать на скоростях, сопоставимых с ранним использованием смартфонов (см. IEEE Trans. Biomed. Eng., 2024.

Возможно, наиболее преобразующей архитектурной тенденцией является принятие трансформаторных моделей , первоначально разработанных для обработки естественного языка., рассматривая нейронные временные окна как токены и используя механизмы самовнимания, трансформаторы могут захватывать зависимости на большие расстояния, с которыми борются LSTM, — критические для когнитивных задач, где решения зависят от последовательностей стимулов, охватывающих много секунд. Препринт 2025 года из группы Природа продемонстрировал, что трансформаторный декодер, обученный сигналам ECoG, может реконструировать воспринимаемые речевые слоги с беспрецедентной точностью, даже при наличии фонового шума. Однако трансформаторы жаждут данных; их применение к меньшим наборам данных требует тщательной регуляризации и часто предварительной подготовки.

Трансфертное обучение и самоконтролируемые рамки

Одним из наиболее насущных узких мест в разработке BCI является необходимость больших наборов данных для калибровки по конкретным предметам. Обучение передаче решает эту проблему путем адаптации моделей, предварительно обученных на основе популяции источников или сеанса, к целевому субъекту с минимальной тонкой настройкой. В ранней работе использовалась адаптация домена (например, CORAL, TCA) для выравнивания дистрибутивов функций, но более поздние подходы интегрируют глубокие состязательные сети или слои смеси экспертов, которые справляются с межсубъектной изменчивостью.

Самоконтролируемое обучение (SSL) появилось в качестве мощной альтернативы чисто контролируемому обучению. Построение предлоговых задач — таких как прогнозирование закупоренных временных этапов, контрастное обучение между расширенными представлениями того же исследования или реконструкция маскируемых спектрограмм каналов — модели SSL изучают богатые, обобщаемые представления из немаркированных нейронных данных. Например, крупномасштабная модель EEG SSL под названием BrainBERT (Природа, 2024) была предварительно обучена более чем 10 000 сеансов из нескольких наборов данных и впоследствии тонко настроена, чтобы превзойти состояние самых современных через дюжину моторных и когнитивных бенчмарков, включая моторные изображения и связанные с ошибками потенциалы. Эти представления захватывают фундаментальные физиологические ритмы (альфа, бета, гамма) и кросс-частотные связи без каких-либо специфических меток задач, резко сокращая меченные данные, необходимые для новых субъектов.

Обработка в реальном времени и Edge Computing

В то время как многие алгоритмические инновации проверяются в автономном режиме, практическая полезность BCI зависит от декодирования в режиме реального времени. Пространственно-временная фильтрация, оптимизированная для потоковой передачи и легких вариантов нейронных сетей (например, глубинно-раздельные извилины, квантованные модели) теперь позволяют делать вывод о маломощных процессорах ARM на глубине 50 миллисекунд. Полевые программируемые затворные массивы (FPGA) и нейроморфные чипы были использованы для реализации моделей вычислений резервуаров, которые обрабатывают ЭЭГ с микросекундным джиттером, идеально подходящие для моторных протезов с замкнутым циклом. Обзор 2023 года в Frontiers в Neuroscience подчеркнул, что декодеры ЭЭГ в реальном времени могут теперь достигать скорости связи более 60 бит в минуту при сохранении точности классификации выше 90% - веха, которая приближает неинвазивные BCI ближе к практической вспомогательной технологии.

Применение в сложных двигательных и когнитивных задачах

Описанные выше алгоритмические достижения привели к конкретным улучшениям в спектре приложений. Мы выделяем три области, где воздействие наиболее выражено.

Моторное декодирование для нейропротезов

Точный, интуитивный контроль роботизированных конечностей или компьютерных курсоров остается флагманской целью моторных BCI. Недавние работы вышли за рамки простых дискретных движений (например, захват / выпуск) к непрерывному, многоградусному контролю. Объединение внутрикортикальных записей с фильтрами Калмана или повторяющимися нейронными сетями теперь позволяет тетраплегическим пользователям достигать, захватывать и манипулировать объектами скоординированным образом. Заметное клиническое исследование консорциума BrainGate (2024) использовало глубокий рекуррентный декодер для достижения первой демонстрации человека с тетраплегией, питающегося с помощью роботизированной руки, управляемой исключительно нейронными сигналами. Алгоритм использовал сложенную архитектуру LSTM, которая предсказывала как положение, так и скорость от 192-канальных записей с задержкой ниже 200 мс.

Для неинвазивных подходов, ЭЭГ высокой плотности (128-256 каналов) в сочетании со пространственно-временными CNN позволили расшифровать движения пальцев (сгибание / расширение отдельных цифр) с точностью до 85% у трудоспособных людей и с достаточной точностью для управления виртуальной рукой в режиме реального времени (см. ] J. Neural Eng., 2024 ].

Когнитивное состояние декодирование

Декодирование когнитивных состояний — внимание, нагрузка на память, мониторинг ошибок и усталость — имеет приложения, начиная от взаимодействия человека и компьютера (адаптивные интерфейсы) до клинического мониторинга неврологических расстройств. Самоконтролируемые трансформаторы , предварительно обученные данным состояния покоя ЭЭГ, продемонстрировали замечательную чувствительность при обнаружении скрытых сдвигов внимания. В исследовании 2025 года участники смотрели непрерывное кино, в то время как их ЭЭГ была декодирована каждые 100 мс, чтобы сделать вывод, присутствовали ли они на визуальном потоке или слуховом повествовании. Модель достигла 78% точности на уровне испытаний, превзойдя обычные функции на основе мощности на 15 процентных пунктов.

Еще одна быстро растущая область - это оценка когнитивной нагрузки во время сложных задач, таких как управление воздушным движением или хирургические процедуры. Модели глубокого обучения, которые интегрируют ЭЭГ, отслеживание глаз и гальванический кожный ответ, теперь могут прогнозировать провалы в производительности за несколько секунд до их возникновения. Хотя эти системы еще не достигли клинической сертификации, несколько компаний развернули носимые гарнитуры ЭЭГ в пилотных исследованиях для управления усталостью в средах с высокими ставками.

Реабилитация и нейрофидбэк

Достижения алгоритма оживляют нейрофидбэк-терапию для инсульта, черепно-мозговой травмы и психиатрических состояний. Традиционная нейрофидбэк использует простые пороговые значения мощности полосы (например, увеличение альфа-активности), которые могут быть неоднозначными и медленными. Современные подходы используют спатиотемпоральную классификацию шаблонов для обеспечения обратной связи в реальном времени по конкретным нейронным мишеням (например, выполнение двигательных изображений на пораженном полушарии). В рандомизированном контролируемом исследовании (2024) выжившие после инсульта, использующие BCI с замкнутым контуром, которые декодировали сигналы от ЭЭГ и вызвали помощь экзоскелета, показали значительно больший выигрыш в функции верхней конечности по сравнению с фиктивной обратной связью — даже 12 месяцев после вмешательства. Алгоритм использовал байесовский онлайн-классификатор , который адаптировал сеанс к сеансу, сократив время переподготовки до менее 5 минут за сеанс.