脑机接口是一项备受瞩目的新技术，但目前主流的脑机接口设备都要依赖于侵入式的大脑植入体。这意味着我们想要用大脑直接控制机器，得先打开自己的头颅。
然而最近，一项发表在《科学-机器人学》的新研究指出，科学家们第一次成功地利用非侵入性脑成像技术，通过解码脑电波（EEG）数据，使六名健康的被试通过“意念”操控了机器手臂的运动。
早在2012年，临床医学研究组织BrainGate就曾帮助两名瘫痪病人用“意念”操控机器手臂，完成抓和握这两种动作。其中一名病人甚至操控机器手臂举起一瓶咖啡，送到自己嘴边，轻轻呷了一口。但是在当时的技术条件下，研究人员为了解码大脑中的运动指令，需要在病人的大脑运动皮层内植入一枚微电极阵列 。
除了少部分研究组织可以像BrainGate一样在病人身上开展研究之外，大量的侵入式脑机接口设备都是在恒河猴身上进行研究的。而且，在真正应用于病人身上之前，研究人员还要面临植入体生物相容性的问题。在植入皮层之后的几个月时间里，微电极阵列由于受到侵蚀，其信号质量就会严重下降。也就是说，如果一个病人想使用长期稳定的脑机接口机器手臂，他们需要面临着每几个月就要进行一次植入物替换的手术。
因此，这种要求开颅手术的侵入式技术，在很大程度上限制了脑机接口技术的进一步推广应用。
好在非侵入性技术已经有了新的突破。在不久前发表的研究中，卡内基梅隆大学贺斌教授的团队设计并证实了一种新的训练框架：连续追踪任务（continuous pursuit task）及相关训练范式，从而极大提升了非侵入性脑机接口的应用潜力。
新的训练范式
脑机接口技术的科幻感常常使人们忽略了训练过程的必要性与重要程度。就如同对于任何一种运动任务的学习都需要人们进行训练，在如何使用”意念“操控机器手臂上，人们也都需要大量的训练学习。
在此之前，人们使用的训练范式大多数都采用回合式设计（discrete trials）来操控电脑屏幕上的光标。每一回合里，被试需要通过意念来控制电脑光标在10秒内到达目标位置。而目标位置则是随机出现在八个固定位置之一。这样的设计虽然可以给负责解读运动指令的算法提供很好的训练数据，然而，这样的训练从各种角度来看，都与真实世界中的复杂场景相去甚远。
贺斌教授团队所开发的连续追踪任务训练范式，在很大程度上改变了以前训练范式面临的限制。
在这种新的训练范式下，被试不再面临每十秒一回合的时间限制，只需要在规定的训练时间内通过运动想象（motor imagery）连续地追踪一个随机移动的目标。这样的训练范式在与电源成像（Electrical Source Imaging）结合之后，更是让训练效果比之前的传统框架提升500%。
更使人振奋的是，研究人员还发现，这样的训练范式可以完成从模拟光标到机器手臂的无缝衔接。
也就是说，被试在完成电脑屏幕上追逐光标的虚拟训练之后，可以很好地将训练效果迁移到对机器手臂的操控上。这说明这样的训练范式有着极大的临床应用潜力，使很多暂时没有机会使用机器手臂进行长时间训练的病人得到训练的机会。而且，对于该领域的科研人员来说，他们往往受限于较小的病人群体，并不能获得足够多的数据样本来得出更具有说服力的结论。而这样非侵入式的训练范式，则在一定程度上解决了这样的困境，使数据的采集变得更简便、能进行采集的范畴也更广泛。
当然，在这项令人为之一振的研究中，作者们也指出了目前这项技术的一些局限性。比如说，当从光标训练转移到机器手臂训练时，有些被试的表现会有所下降。作者们猜想，这是因为机器手臂的存在本身就会造成一定的干扰性导致的。
机器手臂被安装在被试的身体右侧，而当目标出现在左侧，机器手臂为了去追踪这样的目标，就会横跨被试的视域，使被试面临更多的视觉干扰。这样的视觉干扰，可能会使被试不能很好地将注意力集中在追踪任务上，导致操控机器手臂的表现下降。
2006年，杜克大学的研究人员就曾在一篇文章中不无悲观地指出，目前文献中没有任何证据支持，基于EEG信号的非侵入式脑机接口设备能在未来近期取得重大突破。而在十三年后的今天，贺斌教授团队的研究成果成功地颠覆了当年的论断，标志着一个新时代的开始。
参考文献
- Edelman, B. J., Meng, J., Suma, D., Zurn, C., Nagarajan, E., Baxter, B. S., … & He, B. (2019). Noninvasive neuroimaging enhances continuous neural tracking for robotic device control. Science Robotics, 4(31), eaaw6844.
- Hochberg, L. R., Bacher, D., Jarosiewicz, B., Masse, N. Y., Simeral, J. D., Vogel, J., … & Donoghue, J. P. (2012). Reach and grasp by people with tetraplegia using a neurally controlled robotic arm. Nature, 485(7398), 372.
- Jorfi, M., Skousen, J. L., Weder, C., & Capadona, J. R. (2014). Progress towards biocompatible intracortical microelectrodes for neural interfacing applications. Journal of neural engineering, 12(1), 011001.
- Lebedev, M. A., & Nicolelis, M. A. (2006). Brain–machine interfaces: past, present and future. TRENDS in Neurosciences, 29(9), 536-546.
- Wolpaw, J. R., & McFarland, D. J. (2004). Control of a two-dimensional movement signal by a noninvasive brain-computer interface in humans. Proceedings of the national academy of sciences, 101(51), 17849-17854.
