上個世紀，醫(yī)學(xué)界取得了許多重大突破，全世界的科學(xué)家都在孜孜不倦地尋找下一個突破點。對于許多醫(yī)學(xué)研究人員來說，極有希望實現(xiàn)新突破的道路，就是了解人類大腦的工作原理，然后用它自己的信號模式與之溝通。大腦是一臺有機超級計算機，它負責指揮身體其他部分正常運作，并解釋各種感官所捕獲的數(shù)據(jù)，讓我們能夠與外界互動。

解讀我們的思維

現(xiàn)代電子系統(tǒng)可以捕獲并解讀來自大腦的信號，然后用于操作腦機接口（BCI）。這是一項發(fā)展迅速的新興技術(shù)，其原理和許多其他電子解決方案一樣簡單：傳感器捕獲大腦發(fā)出的電信號，這些信號再經(jīng)過調(diào)節(jié)和處理，生成控制信號，然后發(fā)送到設(shè)備或應(yīng)用程序。其輸出端可以是各種系統(tǒng)，包括計算機、機械，甚至人體的其他部位。

筆者自己動手做了一個動作感應(yīng)手套，它利用適當位置的紅外發(fā)射器向其他地方的傳感器發(fā)送信號。其他動作感應(yīng)手套可在手套上嵌入傳感器，并通過放置在其他地方的兩個或更多發(fā)射器進行三角測量。

當然，將理論付諸實踐并非易事。我們已經(jīng)能夠較為準確地解讀大腦活動，但理解這些信號的含義卻仍然是一項巨大挑戰(zhàn)，其復(fù)雜性的一大根源在于，即便是執(zhí)行同一動作的信號，也會因患者意識狀態(tài)和其他影響因素的作用而產(chǎn)生顯著差異。如果要采用非侵入式設(shè)備實現(xiàn)實時解讀，還會面臨更大的困難。

01信號捕獲

大腦中可以捕獲到各種類型的信號；通過解讀這些信號，我們可以知道大腦正試圖采取什么行動。

一般而言，捕獲信號的方式有三種：

侵入式：將電極直接植入大腦。這種方法可以獲得分辨率極高的讀數(shù)，但存在健康風險。此外，植入物還可能產(chǎn)生疤痕組織，致使捕獲的信號減弱或使電極偏離極佳位置。

半侵入式：將電極植入顱骨下方，但不進入大腦。這種方法也可以獲得不錯的分辨率，而且對患者健康造成的風險較小。

非侵入式：將電極連接到頭皮頂部。這種做法無需手術(shù)，但信號分辨率低于其他方法。

每種捕獲方式都會應(yīng)用到不同的技術(shù)中，具體取決于所測量的信號。例如，非侵入式技術(shù)包括腦電圖（EEG）、腦磁圖（MEG）、功能性磁共振成像（fMRI）和功能性近紅外光譜（fNIRS）。然而，這些方法并不被視為BCI，因為它們只記錄大腦活動，并不使用結(jié)果來產(chǎn)生可操作的輸出。

一般而言，BCI系統(tǒng)需要體積小、性價比高且不顯眼的設(shè)備。例如，如果能夠克服健康風險，植入式設(shè)備將是理想選擇。相較之下，fMRI雖然精度很好，但需要體積龐大、價格昂貴的設(shè)備。

無論采用何種技術(shù)，這些系統(tǒng)都能捕獲1Hz至100Hz之間的腦電信號，這些信號可以分解為與患者警覺狀態(tài)相對應(yīng)的波段。例如，大約在8Hz到13Hz之間的alpha波段表示患者處于放松狀態(tài)，而30Hz到100Hz之間的gamma波段則表示肌肉活動劇烈且感覺輸入水平較高。這些信號的幅度在10μV到100μV之間。

圖：大腦活動會產(chǎn)生各種波形。圖中的頻率為近似值。（圖源：stock.adobe）

02信號調(diào)理

捕獲信號后，必須對其進行調(diào)理，以便提取和處理有用信息。此過程首先要將信號進行放大，并過濾掉對于分類而言不必要的頻率和噪聲。隨后對信號進行數(shù)字化處理。信號調(diào)理非常重要，因為捕獲到的信號信噪比非常低。信號經(jīng)過清理后，就更容易確定和提取有助于解釋大腦預(yù)期動作的特征。

03特征提取

特征提取可能是整個過程中極具挑戰(zhàn)性的階段，因為其中涉及許多變量，而且信號通常會因多種因素（包括受試者的注意力、心理狀態(tài)，甚至不同受試者之間的解剖差異）而發(fā)生變化。除了提取測量信號的相關(guān)部分外，特征提取過程還會對信號進行變換，以獲得新的特征，從而提高效率并提升精度。不同類型的變換更適合不同的應(yīng)用。特征提取中常用的變換包括小波變換、快速傅立葉變換（FFT）、線性判別分析（LDA）、主成分分析（PCA）、經(jīng)驗?zāi)B(tài)分解（EMD）和自組織映射（SOM）[3]。

與信號捕獲階段一樣，特征提取階段需要仔細權(quán)衡功率和性能，以選擇合適的組件來完成這項任務(wù)。在某些應(yīng)用中，需要由PC來提供處理能力；而在其他應(yīng)用中，現(xiàn)代微控制器（尤其是具有AI功能和復(fù)雜數(shù)學(xué)計算功能的微控制器）就可以完成這項任務(wù)。

04分類

BCI技術(shù)的分類階段通常使用翻譯算法，將特征提取階段得出的用戶期望操作轉(zhuǎn)換為向目標設(shè)備輸出的控制信號。這些數(shù)據(jù)集通常可從早期研究中獲得。提取的特征可根據(jù)頻率和形狀，基于線性和非線性方法進行分類。這不是一門精確的科學(xué)，需要對用戶、數(shù)據(jù)集或兩者進行訓(xùn)練，以減少誤差并提高準確性。翻譯算法的開發(fā)依賴于各種分類器，如k-近鄰（kNN）、線性判別分析（LDA）、神經(jīng)網(wǎng)絡(luò)和支持向量機（SVM）等。

此階段所需的計算能力和計算速度取決于所使用的分類器。線性分類器速度較快，且耗電量和消耗的計算資源較少，但準確度較低。非線性分類技術(shù)雖然準確度較高，但會耗費較多的時間和電力。合適的分類方法取決于具體應(yīng)用。

05輸出

信號的輸出方式有很多種。它可以控制屏幕上的光標，就像Neuralink近期展示的四肢癱瘓者操作復(fù)雜的CAD程序以及玩電子游戲一樣[4]；它也可以控制假肢和其他機器。許多現(xiàn)有的應(yīng)用改善了患者的生活，還有更多的應(yīng)用正在開發(fā)中。也許非常激動人心、具有變革性的例子，就是將輸出轉(zhuǎn)換回大腦信號來控制身體的各個部位。

神經(jīng)調(diào)節(jié)是一種廣為人知的醫(yī)療技術(shù)，可以向身體某些部位的神經(jīng)細胞或神經(jīng)元發(fā)送信號，或者阻斷發(fā)向它們的信號。這項技術(shù)早在20世紀60年代初用作深層腦刺激方式，以緩解慢性疼痛。如今，緩解疼痛仍然是神經(jīng)調(diào)節(jié)主要為人所知的應(yīng)用，但它還有許多其他應(yīng)用，例如脊髓刺激，可以幫助帕金森病患者改善活動能力[5]。隨著電子技術(shù)的進步以及我們對大腦工作原理認識的加深，神經(jīng)調(diào)節(jié)治療的案例數(shù)及其復(fù)雜程度也在不斷增加。

神經(jīng)調(diào)節(jié)有兩種不同的類型：電刺激和化學(xué)刺激。在電刺激中，脈沖發(fā)生器和電源相結(jié)合，用于對大腦、脊髓或周圍神經(jīng)進行治療。在化學(xué)刺激中，藥物被精確地施加到所需區(qū)域。無論采用哪種方法，這項治療都可以抑制大腦發(fā)出的疼痛信號或刺激神經(jīng)沖動。

與大腦對話

上文中，我們探討了從大腦到應(yīng)用程序的單向路徑，但應(yīng)用程序也可以直接與大腦通信。通過了解大腦的信號，我們還可以偽造出通常由感官發(fā)送的信號，使大腦了解身體和外界正在發(fā)生的事情。某些疾病會打破感官和神經(jīng)系統(tǒng)之間的聯(lián)系。例如，許多聽力受損患者的耳蝸神經(jīng)是完好無損的，依然能夠向大腦傳遞聽覺信號，但他們的內(nèi)耳受到了損傷，無法傳遞聲音信號[6]。

而人工耳蝸所做的，就是繞開受損區(qū)域，將聲音傳遞給大腦。聲音首先由麥克風從外部拾取，然后經(jīng)過處理并傳輸?shù)?a target="_blank">接收器，接收器將聲音轉(zhuǎn)換為電信號，并發(fā)送到電極陣列，將聲音直接傳遞給聽覺神經(jīng)，從而幫助患者恢復(fù)部分聽力。

圖：典型的人工耳蝸植入體。（圖源：Pepermpron/stock.adobe.com）

未來趨勢

本文介紹的一系列技術(shù)凸顯了我們在與大腦交互方面取得的進展——無論是解讀大腦信號來控制機器，還是利用神經(jīng)通信連接身體其他部位進行神經(jīng)調(diào)節(jié)，還是直接與大腦進行交互。將這些技術(shù)結(jié)合起來后，實現(xiàn)完全雙向的系統(tǒng)只是時間問題。例如，當患者的脊柱受損時，我們可以完全繞過受損的神經(jīng)系統(tǒng)部分，發(fā)送控制肢體所需的信息。當實現(xiàn)這一點后，我們就可以向大腦發(fā)送反向信號，以提供反饋。通過這一過程，患者將能夠移動肢體，并感受到他們可能早已失去的感覺。

這種治療方法可能離我們還很遙遠，而且每個部分可能都是獨立發(fā)展的。大腦反饋系統(tǒng)很可能率先用于假肢BCI應(yīng)用，其出現(xiàn)可能遠遠早于能夠精確復(fù)制脊柱受損患者肢體運動所需運動技能的BCI技術(shù)。

目前，實現(xiàn)這些進步的部分技術(shù)正在開發(fā)中，還有一部分已經(jīng)實現(xiàn)。能夠捕捉大腦活動的傳感器以及過濾、放大和轉(zhuǎn)換信號所需的模擬解決方案正在不斷改進。未來，這些模擬系統(tǒng)可能變得不再必要，因為一些研究人員正在探索直接從原始測量信號中提取特征，并使用AI一步完成分類的方法，從而繞過傳統(tǒng)的調(diào)節(jié)過程。隨著我們對AI的理解不斷加深，以及這項技術(shù)的硬件和算法不斷改進，以減少所需的能耗和計算量，植入物將變得更小、更實用，為患者提供更精確的解決方案，進一步改善他們的生活，同時減少弊端。