神经接口将人类大脑与外部计算系统连接起来,具有恢复运动功能、促进交流和监测神经系统健康的转型潜力。 然而,信号不稳定和它们要求的繁琐、频繁的调整一直阻碍着这些装置的实际部署。 机器学习正在成为克服这些障碍的强大工具,提供了适应性算法,在人类不间断干预的情况下长期保持高真性神经记录。

神经界面的基本校准问题

电极记录的神经信号本质上是非静止的。

  • 电极漂移: 电极相对于神经元的微视运动,由组织脉冲或装置沉淀而引起,改变所记录的信号.
  • 组织响应: 身体的外体反应可以将电极封装在滑翔疤组织中,增加阻力,并减少信号振幅,持续数周或数月.
  • 环境噪声:[ 附近装置的电干扰,肌肉文物,以及受体的运动,都会产生不可预测的噪声.
  • 神经可塑性:[ 大脑本身适应植入物的存在,预期动作的神经表现可以转移.

传统的校准方法依赖于定期的人工校准会话,在系统调整解码参数时,会要求用户执行一组预先定义的任务,这一过程对用户来说是耗时的,饱和的,并且可以中断设备的平滑运行,此外,静态校准模型随着信号的演化而迅速过时,导致解码准确性和用户性能的退化.

机器学习地址如何使神经界面不稳定

机器学习提供了一套技术,可以不断适应不断变化的信号统计,识别漂移模式,甚至预测在影响性能之前即将发生的降解。 关键优势是能够从神经数据中提取高维非线性关系 — — 线性或手动调制模型忽略了这种关系。

适应性过滤和除尘

神经信号处理中的一个基本步骤是清理原始录音. 传统的波段-通过过滤器是静态的,不能将神经突起与瞬态文物或局部噪声分开. ML基于解码器的解码器接受清洁和噪音神经记录的大块体学训练;在运行时,它们可以在压制文物的同时重建基础神经信号. 这种方法在研究中详细介绍,如a 2019 科学报告[ 关于细胞外录音的深解码的论文,在没有人工调值的情况下,大幅改进信号对噪声比.

神经元网络(RNN)和时间演化网络(TCN)可以模拟神经信号中的时间依赖性。 通过学习动作潜力的典型形状和背景噪音的统计,这些模型可以通过在线调整其内部参数来适应渐进变化 — — 例如电极障碍的缓慢增加。

与深层学习进行神经活动解码

许多神经界面的核心是解码器,它将记录的神经活动转化为命令 — — 如光标移动或假肢速度。 深层学习解码器在处理高维非静止神经数据时,比起线性解码器(如维纳滤波器)表现出了优异的性能。

神经网络(CNN)可以提取跨电极阵列的空间规律,而长期短期记忆(LSTM)网络则能捕捉射速率的时间动态。 来自脑细胞联盟的划时代研究表明,一个经常性神经网络解码器可以在不重校的情况下保持1000多天的高性能,即使单个神经元改变调理特性。 网络以自我监督的方式不断更新其重量,将患者的持续运动作为隐含的教学信号。

动态参数优化强化学习

除了解码,神经界面本身的物理配置可以通过强化学习(RL)来优化。 比如,在多电子罗德阵列中,选择从哪个渠道记录以及应用哪些刺激参数可以被设定为马尔科夫决定过程。 RL代理学习了一种选择动作的政策 — — 如调整电极深度,切换到不同的参考物,或者修改刺激振幅 — — 以最大限度地获得长期奖励(如解码准确性或信号稳定性 ) 。

匹兹堡大学的研究人员使用深Q网络自动选择大脑-计算机接口的最佳电极配置[,与固定通道选择相比,稳定解码性能提升了30%,这种方法减少了对专家人调图的需求,并能对实时变化做出响应.

预测维护和自校系统

ML在神经界面中最实际的应用之一是预测性维护。 通过监测信号特征 — — 如阻滞、振幅、噪音底部和解码误差率 — — 机器学习模型可以预测设备何时有可能降解或失效。

例如,从植入电极中接受过历史数据培训的随机森林分类器可以识别胶片封装或微运动的早期迹象,在用户发现任何变质之前触发重新校准或软件补偿程序。 已经显示使用变异自编码器进行异常检测可以检测到在信号质量丧失之前几小时或几天神经波形的微妙变化。

自校定系统将这些预测模型与主动学习循环相结合。 当系统检测到性能下降的概率很高时,它可以启动一个简短的、不侵扰性的校准序列 — — 也许可以要求用户想象几个特定的运动 — — 并更新解码参数。 这种自动化大大减轻了用户的负担,使得神经界面更适合日常使用。

最近的研究突破和现实世界的实施

一些著名的研究团体和公司已经证明了ML驱动的适应性校准在真神经植入系统上的有效性.

2022年,BrainGate财团报告了一次临床试验,四聚体参与者使用一个经常性神经网络控制一个机器人臂,持续时间最长可达7小时,每场只有一次自动重排活动[. 该系统采用了一个基于卡尔曼滤波器的解码器,并用一个小神经网络进行加固,以补偿会间信号漂移.

纽林克2024年在人类参与者身上展示的完全可植入的装置,在很大程度上依赖于适应电极运动的无监督的悬崖分拣算法。 系统使用模拟的悬崖算法,根据波形形状重新将悬崖分拨到神经元上,在没有人类输入的情况下实时更新分配矩阵。

在学术领域,密歇根大学的一个团队演示了一个闭路系统,该系统利用强化学习来优化刺激参数,用于感知反馈。RL代理学会选择产生数周内没有变化的稳定、可知感知的电极和电流水平。在 神经科学杂志[ 中发表的结果表明,基于RL的校准保持了96%的感知感知可靠性,而固定参数方法的这种感知感知率为73%。

未来方向和临床影响

随着机器学习的不断成熟,它与神经界面的融合将深化。

  • 真实时间元学习:[ "学习学习"的算法将在几分钟内而不是小时内适应新用户的神经信号,从而大幅缩短初始校准时间.
  • 多式联运聚变:[ 利用ML模型将神经信号与其他生理数据(EMG,眼跟踪,EEG)结合,可以产生比任何单一信号的降解更强的混合接口.
  • 定点部署:[] 直接在植入器的微控制器上运行轻量级ML模型——使用量子化和硬件加速——将能够在不传输原始神经数据的情况下进行在设备上的适应,解决隐私问题.
  • 个人化医学: 适应性校准可以自动调整界面,以适应每个用户独特的神经“透视”,在解剖学,伤害剖面和神经可塑性方面能容纳差异.

伦理和监管方面的考虑也至关重要。 确保适应性算法不会引入意想不到的偏差或不安全行为,需要不同患者群体进行严格的验证。 在未来的系统中必须建立模型如何适应 — — 以及临床医生是否有能力超越自动调整 — — 的透明度。

结论

机器学习从根本上重塑了神经界面的设计,解决了长期存在的校准和稳定性挑战。 通过不断适应动态大脑,预测和自我校准系统,可以维持数月和数年的高性能,减轻用户和临床医生的负担。 随着这些技术的成熟,我们可以期望脑机界面变得更加可靠,更加方便,更深入地融入临床实践,最终恢复神经残疾者的功能和独立性。