撰稿 | AiBrain 内容团队

排版 | AiBrain 编辑团队

在很多武侠大片中，我们看见大侠会使用”意念移物”这一大法，从而达成自己的目的。在现实世界中，意念移物看似是种幻想，不过近日iScience展示了最新的关于脑机接口(BMI)研究，这项研究似乎可以让意念移物成为现实。接下来，让我们一起来探索一下这项神奇的技术。

脑机接口（BMI）是一项使我们离读心术更近一步的技术。BMI是一种设备，它将来自神经元的信息进行转换，并将其传送给外部机器进行控制。结合神经科学、信号处理和机器学习的知识，这项技术被吹捧为这十年最重要的技术突破之一。

最近，一项来自帕多瓦大学的研究发现，通过共享控制方法融合人类和人工智能，通过低自由度、离散和不确定的控制通道（如运动图像 BMI）可以灵巧、连续地控制机器人。这一种思维控制轮椅的发现可以帮助瘫痪者获得新的行动能力。

该重大研究以Learning to control a BMI-driven wheelchair for people with severe tetraplegia为题发表在了iScience杂志上。

在这项研究中，Luca Tonin教授及其团队挑选了三个脊髓损伤（SCI）后受严重四肢瘫痪的患者参与了纵向实验：参与者坐在定制的电动轮椅上，凭借双手和双脚的想象运动控制轮椅转动。三名参与者戴着专门的帽子，通过脑电图（EEG）检测到他们的脑电波。在2到5个月的研究中，每周进行三次。完成培训几天后，参与者被要求在机器人智能的支持下在真实场景中驾驶轮椅(图1)。

图1：定制电动轮椅

三个瘫痪患者在纵向训练中均获得了BMI控制技能。第一位参与者和第三位参与者的脑电波模式有明显的变化。研究指出，参与者一在研究结束时使用指令的准确率为95%，参与者三的准确率为98%——从一开始就有了显著提高。Millán说：“我们从脑电图结果中看到，受试者巩固了调节大脑不同部位的技能，产生‘左转’和‘右转’的不同模式”(图2)。

图2：每个参与者的BMI训练的演变

三个人为什么会产生不一样的表现，Luca Tonin教授及其团队认为这一差别的原因主要是因为参与者的学习过程会导致大脑皮层发生重组。Luca Tonin教授及其团队研究了支持BMI学习的皮质可塑性表现为功能连接性变化的假设，通过识别通过训练演变的短时间直接定向传递函数（SdDTF）连接性特征，并与BMI准确性一致。

只有与参与者P1的MI任务“双脚”和参与者P3的MI任务的“双手”相关的频带SdDTF连接符合这些标准。重要的是，这两名参与者在任务依赖性SMR的准确性和辨别性方面也表现出BMI学习。相反，P2显示没有BMI学习和功能连接性变化(图3)。因此，参与者的学习过程会导致大脑皮层发生重组。

图3：SdDTF连接分析

为了确定共享控制对导航性能的关键贡献，Luca Tonin教授及其团队在实际实验和模拟中，有或没有共享控制的帮助下，检测了每个航点的成功率。

首先，启用共享控制的模拟结果与每个参与者的实际结果一致。其次，在没有共享控制的情况下，P1到达的航点百分比下降到82.5%，P2和P3下降了一半以上（分别为22.5%和32.5%）。说明受试者学习和机器人智能是转化BMI驱动机器人的关键。

这项研究推进了BMI技术的机会，然而，研究人员认识到还有更多的东西需要学习。第二个参与者在准确性提高方面表现出相对停滞的进展，这表明用户和机器之间的相互学习还远未被理解。

人工智能促进了医疗、工业、艺术领域的进展。精神控制轮椅的成功是人工智能创造新的可能性和改进的最新例子，但它仍然是一个有很大争议的话题，需要更多的人群去验证。