顶刊速读:《Nat Med》瘫痪患者用脑机接口控制飞行器游戏

AI与医学 · 公众号 · · 2025-01-31 07:00

正文

请到「今天看啥」查看全文

点击👆蓝字或👇名片，关注"AI与医学"

类型：超精简版

选文: 大壮

编辑: 大壮

《中国脑卒中防治报告（2023）》数据显示，我国40岁及以上人群脑卒中现有患者达 1242万 ，幸存者中，约75%留下不同程度的运动、感觉、言语、认知等功能障碍，还有40%患者重度残疾。失能老人中瘫痪占比很高。

脑机接口是解决瘫痪人群运动、交互、娱乐的一个新的途径，也是研究的热点。我国目前瘫痪和失能群体逐渐增多，脑机接口研也会获得更多关注。

本次分享的论文来自顶刊 Nat Med关于瘫痪和脑机接口的研究。

Willsey MS, Shah NP, Avansino DT, Hahn NV, Jamiolkowski RM, Kamdar FB, Hochberg LR, Willett FR, Henderson JM. A high-performance brain-computer interface for finger decoding and quadcopter game control in an individual with paralysis. Nat Med. 2025 Jan;31(1):96-104. doi: 10.1038/s41591-024-03341-8 IF: 58.7 Q1 . Epub 2025 Jan 20. PMID: 39833405; PMCID: PMC11750708.

0.研究背景

瘫痪患者常常面临社交、娱乐和运动需求未被满足的问题（其实面临更多的是生存问题，能否活下去，绝大多数娱乐和运动根本谈不上）。许多人在脊髓损伤后无法参与需要精细运动控制的活动，如视频游戏。BCI技术通过直接读取大脑信号并将其转化为控制指令，为瘫痪患者提供了一种潜在的解决方案。以往的BCI研究多集中在控制单个效应器（如光标或机械臂），而本研究则专注于手指运动的解码，以实现更复杂的多效应器控制。

1.研究简介

研究团队开发了一种高性能的脑机接口（BCI）系统，使瘫痪患者能够通过 手指运动控制虚拟四旋翼飞行器游戏， 展示了BCI技术在恢复运动功能和改善生活质量方面的巨大潜力 （商机巨大啊！！） 。

（1）研究方法

研究对象为一位69岁的男性瘫痪患者（T5），因 C4脊髓损伤导致四肢瘫痪 。研究人员在其大脑的左前中央回手部“凸起”区域植入了两个96通道的硅微电极阵列，用于记录神经元活动。通过Unity软件（3D动画和游戏的引擎工具）创建了一个虚拟手模型，参与者可以通过BCI系统尝试控制虚拟手指的运动。

（2）实验设计

实验包括两种任务：2D任务和4D任务。

1）2D任务中

参与者需要控制拇指和食指-中指组的运动；

2）4D任务

增加了环指-小指组的运动，并允许拇指在两个维度（屈伸和展收）上运动。实验中，参与者需要将手指移动到随机出现的目标位置，并保持500毫秒以完成试验。

图4 手指脑机接口控制虚拟四旋翼飞行器

a. 手指位置控制飞行器速度：拇指控制前后左右移动，食指-中指控制上下移动，无名指-小指控制旋转。
b. 上：飞行器控制界面，显示虚拟飞行器、手指中性点和飞行轨迹。下：障碍赛路径，包括不同方向和高度的飞行任务。
c. 完整飞行路径示例，按圈数分解。

（3）实验结果

手指解码性能 ：

在2D任务中，平均获取时间为1.33秒，目标获取率为每分钟88个，98.1%的试验成功完成。在4D任务中，平均获取时间为1.98秒，目标获取率为每分钟64个，98.7%的试验成功完成。随着参与者对任务的熟悉，4D任务的获取时间降低到1.58秒，目标获取率提高到每分钟76个
手指独立性 ：

实验结果表明，参与者能够独立控制各个手指组的运动，非提示手指的运动显著小于提示手指。
神经活动维度 ：

研究发现，随着解码自由度（DOF）的增加，神经活动的维度也显著增加。4D任务的神经活动维度为7.5，远高于2D任务的2.4，表明手指运动的神经表征可能涉及多个自由度的复杂组合。
通道数量对解码精度的影响

研究还探讨了增加电极通道数量对解码精度的影响。结果表明，随着通道数量的增加， 方向信噪比（dSNR）呈对数线性增长，表明增加通道数量可以提高解码精度。

（4）应用：虚拟四旋翼飞行器控制

研究人员将手指解码技术应用于虚拟四旋翼飞行器的控制。每个手指运动被映射到飞行器的一个自由度，实现了四自由度的控制。参与者在单日内完成了12次完整的障碍课程飞行，平均用时222秒。此外，在随机环形目标任务中，参与者在10分钟内通过了28个环形目标，平均每分钟2.8个。

（5）研究意义

BCI系统能 够实现对多个手指组的连续解码 ，并将其应用于虚拟四旋翼飞行器的控制。
该系统不仅提高了瘫痪患者对复杂任务的控制能力
还为他们提供了娱乐和社交的机会。
研究还揭示了手指运动的神经表征特性，为未来BCI技术的发展提供了重要的理论依据。

2.算法介绍

使用的算法是一种基于深度学习的 浅层前馈神经网络（Feed-Forward Neural Network, FFNN） ，用于将大脑神经信号解码为手指运动指令，进而控制虚拟手指和四旋翼飞行器。

（1）算法概述

该算法的核心目标是将大脑皮层中记录到的神经信号（尖波带功率，Spike-Band Power, SBP）实时转换为手指运动的速度指令。通过训练神经网络，使其能够学习神经信号与手指运动之间的映射关系。

（2）网络结构

该算法采用了浅层前馈神经网络，具体结构如下：

输入层 ：输入数据为192个电极通道的尖波带功率（SBP），每个时间步长为50毫秒， 连续输入3个时间步长的数据 ，因此输入矩阵的维度为 192×3 。
时间特征学习层 ：通过卷积操作将3个时间步长的输入数据转换为16个特征，这些特征能够捕捉时间序列中的动态信息。该层使用标量乘法和共享权重实现。
隐藏层 ：包含4个全连接（Fully Connected, FC）层，每层后接有批量归一化（Batch Normalization, BN）和50%的Dropout，以防止过拟合并提高模型的泛化能力。
输出层 ：输出层的神经元数量与解码的目标自由度（DOF）一致。例如，在4自由度任务中，输出层有4个神经元，分别对应拇指的屈伸、展收，以及食指-中指组和无名指-小指组的运动速度。