【脑机接口论文分享】一种引发触觉感觉的脑机接口改善了机器臂的控制能力

本篇论文由美国匹兹堡大学产出，于2021年发表在权威期刊Neuroscience上。

针对的群体主要是因脊髓损伤（SCI）导致四肢瘫痪的人，他们亟需通过技术手段替代实现手臂和手部功能。

对该群体的身体特征进行分析，他们虽然缺少感知、缺少对躯体的控制能力，但大脑皮层仍能产生控制手部运动的神经活动，所以通过植入电极，测量与运动相关的神经活动可以恢复部分丧失的功能

但随之我要提出一个问题，那就是——用意念抓住一个你感觉不到的东西，有多难。这也是这篇论文提出的初衷

该团队先前在另一篇论文中开发了一种脑机接口控制的机器人臂，可以成功进行伸手和抓握动作，并采用了行动研究臂测试（ARAT）针对上肢功能进行临床评估。

然而，这种脑机接口控制仅依赖于视觉，缺乏一个关键的感觉维度。

当健全人与环境进行互动时，皮肤的触觉反馈对于拿取和操作物体至关重要；如果没有触觉反馈，即使是简单的操作也会变得笨拙和缓慢。

当你伸手去拿一杯热咖啡时，你可以感觉到它的重量和状态，并相应地调整握力。对手臂和手有充分感觉和运动控制的人，在触摸或抓住物体的瞬间就能感觉到他们已经接触到物体，使他们能够自信地开始移动或提起物体。但是，当一个人操作假肢时，这些任务就会变得更加困难，更不用说用意念控制的假肢了。

该团队在发现机械臂性能提升遇到瓶颈时，考虑到这一点，便致力于研究一种具有触觉反馈的机械臂。令人惊喜的是，在新方案下，被试对机械臂的控制表现出非常大的提升

本实验的男性被试在植入装置时年龄为28岁，因10年前脊髓损伤导致四肢瘫痪。

根据术前成像指导阵列的放置，实验团队在他的运动皮层和体感皮层植入了两套微电极阵列：

1、左图中蓝色部分所示，在运动皮层的手部和手臂区域，植入了两套微电极阵列，用来解码运动意图。

2、左图中红色部分所示，在体感皮层的1区域中，植入了两套微电极阵列，通过颅内微电刺激（ICMS）在右手的手指中引发感觉。

这里提到的体感皮层的区域1，临床上已有相关研究表面，它主要处理来自皮肤周围机械感受器的皮肤触觉神经输入。在区域1进行ICMS会产生触觉性质的意识感知，包括压力、触感、温热和电感觉。

通过这两套电极阵列，蓝色部分读取被试的运动意图，控制机械臂，红色部分为被试提供机械臂的触觉反馈，这样便形成了完整的仿生的逻辑回路

在植入设备完成之后，首先是设计神经记录流程、如何处理神经记录信号

通过在运动皮层中的每个电极上进行电压记录，使用信号处理器进行带通滤波，并对信号进行数字化。

为了排除干扰因素，通过数字信号消除和滤波的组合来消除由微刺激引起的电器伪迹：在每个刺激脉冲期间，使用一个采样保持电路来消除记录的信号。然后使用一阶Butterworth滤波器对信号进行高通滤波，从而最小化信号中附加瞬态不连续性的影响，使宽带信号快速稳定到基线。

使用这种方法，我们能够在刺激脉冲结束后的740微秒内记录被试的神经活动。

利用处理之后的运动皮层细胞信号，训练一个五自由度的解码器。五个自由度如图所示分别为xyz轴上的平移、腕部旋转及抓取，自由度的数目5可以在快速训练时间和灵活度之间取得平衡。

建立逆向运动学模型，控制手在三维空间中的末端速度、腕部旋前和旋后、手张开度。

为了训练解码器，参与者被要求1、观察假肢在三维环境中移动的虚拟版本，2、在听觉的提示下想象自己执行假肢的运动，包括手的平移，然后是定向，最后是命令手臂去抓取虚拟目标。

观察完成27次试验后，利用将神经元信号与手臂运动学关系建立的编码模型，得到一个最优的线性估计解码器。

在这个线性估计解码器中，f表示记录平方根转换后的信号射频，v表示运动速度，分别对应五个维度平移维度x、y和z + 腕部旋转θ + 抓取g，b表示给定速度维度的回归系数，通过使用线性回归计算得到。

然后，使用间接最优线性估计计算解码器权重。

通过观察训练得到第一组数据之后，参与者使用从观察数据中训练的解码器重复训练任务，得到第二组数据。但需要注明，计算机限制解码后的运动速度为理想路径上的速度。接下来，使用第二组训练数据训练一个新的解码器。实验周期中，每天都会训练一个新的解码器，而且所有的解码器训练都是在没有ICMS的情况下进行的。

在处理过程中，还需要对所有射频进行缩放，这是由于之前的实验经验表明，在假肢手接近物体时相关射频会增加。通过这种缩放，参与者能够更好地将手稳定在物体附近。

最终，这个速度解码器将被用于没有计算机辅助的任务表现评估。

（介绍未完待续，请见下篇文章）