从运动脑机接口到情感脑机接口：马斯克的脑机接口公司 Neuralink 背后的原理

从运动脑机接口到情绪脑机接口（1）

-简介

脑机接口 (BMI) 是一个闭环控制系统，记录它以调节神经活动的方式与大脑交互。目前的应用是恢复失去的神经功能，尤其是瘫痪患者的运动功能。由于运动脑机接口可以精确操纵神经回路，因此也可以作为研究控制和学习神经机制的工具。近期，闭环情绪脑机接口研究也取得了长足进展，目标是恢复神经精神疾病中的异常情绪，探索情绪调节的神经机制。在本文中，我们将回顾以闭环控制思想作为运动指导的脑机接口技术在神经功能恢复和科学发现方面的重要成果。通过总结脑机接口的研究成果，我们还提出了将脑机接口的应用扩展到神经精神病学领域的观点。

脑机接口（BMI）是指通过建立与大脑直接相连的控制通路与外部设备进行交互，包括读取神经活动信息和通过刺激将信息写入神经。目的是恢复患有神经系统疾病和神经精神疾病的患者失去的大脑功能（图1）。脑机接口研究目前主要集中在恢复瘫痪患者的运动功能，即运动脑-它是使用称为“解码器”（列1））的数学算法从神经信号中估计用户的运动意图，然后使用解码结果来控制外部“执行器”（假肢）并提供感觉和奖励信息作为反馈给用户（图1a），这样，脑机接口就形成了一个以大脑为控制器，以运动目标为导向的闭环控制系统，控制指令在神经活动的形式，通过感觉反馈来修改内容。神经假体的运动状态，最终达到目标（图1a）。脑机接口实际上建立了一个新的感觉。 sorimotor电路，它是大脑需要学习掌握的工具。

图 1a

从闭环控制的角度来看，脑机接口很可能也利用了大脑在自然感觉运动控制中的控制和学习机制，因为两者都是闭环控制系统。两者的研究成果也可以相互借鉴。在功能恢复方面马斯克的脑机接口公司，深入了解大脑控制和学习的神经机制，可以为脑机接口的设计提供清晰的指导，从而提高运动功能的恢复效果。在科学发现另一方面，运动脑机接口为研究大脑控制和学习的神经机制提供了一种新的工具，因为脑机接口是一个可预置的简化闭环控制系统，具有具有可验证性和易操作性的优点。

脑机接口在功能恢复和科学发现方面的潜力可能远远超出运动系统领域。事实上，在许多神经和神经精神疾病中，脑机接口的目标是调节大脑的内部状态，而不是控制外部“执行器”的运动。在全球范围内，导致残疾的原因中，神经精神疾病居首位，而抑郁症是其中最重要的疾病。情绪脑机接口的目标是通过调节情绪状态来恢复失去的情绪功能。目前还没有针对重度抑郁症患者的有效药物疗法，因此我们可以探索药物疗法的替代方案，例如直接用电刺激大脑。开环刺激（列2），即忽略症状变化并始终使用固定模式的刺激）已被证实对难治性抑郁症有一定疗效，但不稳定。也许量身定制的、模式可变的或多目标刺激方法将提高疗效。此外，由于患者与同一患者在不同时间段的症状存在差异，通过从神经活动中解码症状变化来调整刺激的闭环脑机接口方法可能更具治疗性。 “情绪”脑机接口的治疗方法是首先解码情绪症状的状态（不是运动状态），然后使用这种状态作为反馈来决定何时以及如何对大脑进行电刺激（图 1b）。机器接口也是一个闭环控制系统，执行器是大脑，控制指令是来自外部的电刺激形式马斯克的脑机接口公司，内容由神经活动的反馈和要达到的治疗目标决定（图 1b）。除了电刺激，情绪脑机接口还可以使用解码的情绪作为用户反馈，让用户主动参与情绪控制，尽管它们发作的时间尺度不同（图 1b）。此外，情绪脑机接口可用于研究情绪调节的神经机制。 ，因为情绪也可以通过实验预设。当然，还有道德问题需要考虑。

图 1b

目前闭环刺激尚未在神经精神疾病中进行临床测试，但其对帕金森病（PD）和癫痫等神经系统疾病的疗效是确定的（列2）。原则上，脑机界面可以通过分析低维神经信号来确定开关刺激实际上并不是那么简单。涉及情绪的脑网络是分布式的，情绪症状是动态的且难以测量，并且个体之间差异很大。动态控制也需要一个封闭的-工作原理清晰的回路控制器，仅仅切换刺激是不够的。这需要我们开发一种可定制的基于神经网络活动的情绪解码方法，以实现根据患者需求量身定制的刺激（专栏2）@ >. 在解码方式上，情绪脑机接口与运动脑机接口一致。

与运动脑机接口的丰富研究成果相比，情绪脑机接口研究处于新生阶段，具有挑战性（表1））。与运动不同，情绪难以衡量，并且涉及分布式、多站点的皮质边缘网络，其功能组织尚不清楚。此外，情绪脑机接口需要表征刺激对分布式脑网络中神经活动的影响以及刺激诱导的神经可塑性变化在数月至数年内的影响。但两者也有很强的相似性，从锻炼脑机接口获得的经验可以指导情绪脑机接口的研究。首先，两个脑机接口都需要使用记录的神经信号来解码大脑的内部状态。其次，用户可以借助运动神经解码作为反馈来学习控制神经修复体。也可以通过神经反馈来学习调节情绪状态，或者使用某些学习机制和荆棘。激动人心的合作，实现有效的情绪控制。事实上，感觉运动控制和学习以及情绪调节背后的计算机制是相似的。此外，关于情绪和情绪处理的大量神经影像学文献以及对情绪解码的研究表明，BCI 技术可以扩展到情绪领域，既可以作为功能恢复的工具，也可以作为科学发现的工具。

表 1

本文将从闭环控制的思想出发（图1），讨论侵入性脑机接口技术在运动和运动领域的功能恢复和科学发现的潜力）我们首先回顾了闭环运动脑机接口的最新进展，包括系统设计优化和脑机接口理解控制和学习背后的神经机制。基于运动领域的丰富研究成果脑机接口、神经影像学和心理学，并在闭环控制原理的指导下，提出情感脑机接口开发的技术路线，回顾可行性并介绍技术实现的最新进展。

方框 1 |侵入性脑机接口中的神经解码器和动态潜在状态空间模型

Brain-Computer 接口解码器的作用是根据记录的神经活动估计大脑状态，建立大脑-行为映射关系。侵入式脑机接口可以同时在一个或多个时空尺度上使用神经活动信息。这些神经信号包括神经脉冲（spike）、局部场电位（LFP）和皮层电图（ECoG）等。神经脉冲测量单个或多个神经元的电活动，而LFP和ECoG场电位信号测量更大规模的神经元。人口的电活动，人口信号可以长时间保持相对稳定的记录效果。神经冲动活动的时间尺度在毫秒级，场电位的特性（如谱功率）只能在较慢的时间尺度上表现出来。

解码器结构通常由将神经活动与运动状态相关联的编码模型确定。例如，具有神经脉冲计数或 LFP 功率特征的运动状态线性模型。二元神经脉冲事件（即，0-1 的时间序列，表示时间轴上是否发生神经脉冲）可以通过借用描述瞬时发射的点过程来建模为描述运动状态的对数线性函数速度。大多数侵入性脑机接口使用高性能神经脉冲解码器。这些解码器大多做脉冲计数，即单位时间窗口内的脉冲数作为输入值。早期的解码器由维纳滤波器、相关种群向量和最优线性估计器组成，它将运动状态解码为神经脉冲计数的线性函数。后来出现了结合运动模型解码的卡尔曼滤波器。除了脉冲计数解码器，最近还出现了用点过程和最优反馈控制模型开发的闭环点过程大脑。直接解码神经冲动的计算机接口。点程脑机接口可以利用每个脉冲事件对神经假体进行适应和控制，因此具有毫秒级的精度。此外，点过程解码器还可以集成到运动状态模型中。

除了脉冲信号，LFP信号也可以同时被解码器使用。运动脑机接口可以在一个时间窗口内同时进行LFP功率特征计算和神经脉冲计数，卡尔曼滤波也可以同时对两个信号进行。运动解码。最近开发的多尺度解码器不仅可以保证快速的控制和反馈速率，还可以在神经冲动和场电位这两个不同的时间尺度上建立信号的统计模型。这样的解码器既可以直接从离散的二进制神经脉冲中提取信息，精度为毫秒，同时又可以从较慢时间尺度上的连续场电位信号中提取信息。

最后一点是，动态潜在状态空间模型可以描述神经活动的时空模式。该模型用所谓的底层低维神经状态的动力学来描述高维神经网络活动（空间范围）的动力学（即时变）。例如，动态潜在状态空间模型已被用于开发用于运动脑机接口的解码器。不仅包括单独使用神经脉冲信号的解码器，也包括使用脉冲和场电位双重信号的解码器，还包括基于ECoG信号的情绪解码器。底层的状态空间模型也可以用于计算机模拟，以模拟神经活动的刺激-反应。

框 2 |癫痫和帕金森病的闭环刺激

开环电刺激系统是刺激模式在时间上连续恒定的系统（例如，幅度和固定频率脉冲序列）。系统的刺激参数只能由医生在就诊期间进行调整。另一方面，闭环电刺激系统可以从记录的神经活动中推断出疾病的程度，并随着时间的推移调整刺激模式。尽管闭环刺激在神经精神疾病中很大程度上未经测试，但它确实对治疗癫痫和帕金森病等神经系统疾病有效。然而，开发闭环的情绪脑机接口在获取反馈信号和控制和调节刺激方面仍存在许多挑战。

对于癫痫，Neuropace 反应性神经刺激系统已获得美国食品和药物管理局 (FDA) 的临床使用批准。该系统有一根或两根引线，每根引线上有四个电极触点。当检测到异常的 ECoG 活动时，系统会短暂打开固定预设刺激模式。由于可以在癫痫发作开始时观察到明显的异常脑电图活动，因此临床医生可以建立神经特征作为检测反馈。另一方面，情绪在分布式大脑网络活动中具有更复杂和微妙的表现，即使在行为上也不容易测量。此外，由于癫痫发作不频繁且间断，且精神病有较长的无症状期，因此适合快速开关控制。

对于帕金森病，目前的临床刺激系统都是开环的。研究发现，闭环深部脑刺激具有更高的效率和功效。这些闭环控制系统通常使用从电极尖端记录的帕金森病的一维神经特征作为反馈信号。最常见的是丘脑底核场电位信号中 β 波（12-30 Hz）的幅度，它与运动迟缓程度相关。当神经标记信号的水平超过阈值时，打开固定的预设刺激。除了开关控制之外，还使用了一些简单的闭环策略，例如改变与神经标记信号水平成比例的刺激幅度。在反馈信号方面，有情绪的脑机接口的情况与癫痫和帕金森的情况不同。情绪症状涉及高维分布式神经表征，并且在个体之间是异质的。在这种情况下，单个通用的一维或低维神经特征信号可能不适合。此外，情绪症状是高度动态的，即使在几分钟或一天内也会迅速变化。因此，与运动 BCI 一样，情绪 BCI 也需要定制的解码方法来实时整合来自相关大脑网络的多维神经信息。这种定制的解码方法可以解决个体异质性，因为它可以随着时间的推移跟踪情绪症状并调整刺激以满足患者的临床需求。

在控制器方面，用于癫痫和帕金森病的闭环系统目前使用简单的开关或比例控制。此外，控制器参数的设置（例如开关控制中的阈值、比例控制中的增益、刺激频率和幅度水平等）是相当主观的。为了进一步优化功效和效率，需要自动调整参数。在这一点上，了解刺激如何改变与疾病症状有因果关系的神经活动至关重要。这对于情绪脑机接口尤其重要，因为情绪的症状是复杂多变的。一种可行的方法是建立一个数据驱动的输入输出模型，描述刺激参数（输入）和神经活动（输出）之间的关系，然后基于该模型构建控制器，实现刺激参数的实时优化调整这种输入输出模型的开发和验证是一个非常重要的研究方向，将在许多精神疾病的治疗中派上用场。

本文由中科院深圳高级研究所研究员李小健整理