2023年5月26日，马斯克旗下的脑机接口公司Neuralink称，已获FDA批准，即将开启首次临床试验，这意味着人体脑植入物将首次进入到临床研究。

消息一出，马斯克火速在Twitter上转发了这则喜讯，并表示“Congratulations！”

紧接着，脑机接口再次被推上浪潮。一位生物医疗领域投资人表示，脑机接口前景非常大，除医疗器械领域，元宇宙也是脑机接口的延伸。

(资料图片)

与此同时，2023年6月8日，在由MathWorks举办的MATLAB EXPO活动上，清华大学张丹教授发表了题为《脑机接口: 解码思维的力量》的主旨演讲。脑机接口如何解码思维？如何在医疗领域，发挥自己的高光时刻？又离产业化落地还有多远？在该活动期间，张丹教授针对此次话题接受了动脉橙果局的深度采访。

#01

三大类型，脑机接口研究向前

动脉橙果局：脑机接口如何解码思维？

张丹教授：依据脑机接口系统中所对应的脑科学知识、任务设计和应用场景，脑机接口研究包括多个不同类型，无创脑机接口中比较有代表性的有：想象运动脑机接口、视觉脑机接口和情绪脑机接口。

首先是想象运动脑机接口，它是所有脑机接口研究中，最接近于所想即所得的脑机接口。用户可以通过想象，来完成不同的肢体运动。值得一提的是，想象运动发生在人体大脑的运动皮层的不同的区域。因此，在想象不同运动状态时，大脑会在不同分区出现特定节律活动的变化。要将想象转换成对设备的控制指令，研究人员需要进行大脑的信号采集，再用算法进行有效识别，从而判断出用户的思考。

其次是视觉脑机接口，这也被称为信息交互速率最快的脑机接口。在这类脑机接口背后，有三项关键技术来支撑。一是精准时间的视觉信息呈现，将视觉信息的呈现精准到毫秒量级；二是脑机接口解码算法，是脑机接口数据分析最主流工具包，进行深度融合信号处理；三是实时数据处理和解码。

上述两类脑机接口研究，主要是用户主动输出指令来实现脑机交互，因此，也被成为主动脑机接口研究。

除了研究主动脑机接口外，现在越来越多的团队开始关注人的关键认知状态，而这一类脑机接口研究，也被称为被动脑机接口研究。

情绪脑机接口就是其中一个例子，也是我近年来主要开展工作的方向之一。让机器理解人类情感的情感计算技术正在成为人机交互、心理健康、人工智能等领域的研究热点。相比语音、表情、心率等行为与外周生理信号，脑电可以更加直接反映个体情绪体验信息，脑电情感计算/情绪脑机接口近年来得到了学界的广泛关注。

目前，我们正希望通过脑机接口技术，对人类情绪进行个体量化，实现对情绪障碍相关心理健康问题的客观评价。今年，我们还与MathWorks在2023世界机器人大赛—BCI脑控机器人大赛上共同合作了情绪脑机（青年组）赛项，比赛已经正式开始打榜，8月份将现场决赛。在这个赛项里，我们向参赛者提供了一批来自123位被试者已知情绪状态信息的脑电数据，参赛者需要建立具有跨个体情绪识别能力的脑电计算模型，对另一批被试者脑电数据进行实时情绪识别，我们会根据情绪识别准确率来确定比赛成绩。我们鼓励选手使用MATLAB进行编程与实现，一起加速探索情绪脑机接口的潜力！

#02

在罕见病、神经性疾病和心理疾病中大有可为

动脉橙果局：在生命健康领域，脑机接口能够在哪些应用场景下开发出自己的“高光时刻”?

张丹教授：首先来看主动脑机接口的应用，这类脑机接口的应用场景包含罕见病和神经性疾病：一是渐冻症，恢复渐冻症患者的交流能力交流；二是癫痫等神经系统疾病，用脑机接口技术控制患者癫痫等疾病的发作。

其次来看被动脑机口的应用，这类脑机接口的应用场景是心理测评。传统心理测评依赖于问卷、自我报告或者咨询师访谈，这对受访者的教育程度、背景和配合度都有很高的要求，所以其适用性有很大的局限。而脑机接口通过捕捉人类情绪状态，能建立更加客观的心理测评方案。

#03

研究端和应用端都还需加大投入

动脉橙果局：从实验室到工厂，脑机接口的科研成果转化可能会面临哪些困难?这个领域的商业化落地还有多远，或者说还需要些什么?

张丹教授：一方面是研发端，就脑机接口技术本身而言，如何快捷有效地获取大脑信号还需要进一步优化。这可以分两个分支，一是非入侵脑机接口，研究人员可能还需要解决传感器材料以及对应的电学问题；二是侵入式脑机接口，这可能涉及到临床技术方案等问题。

另一方面是应用端，我们还需要弄清楚哪些技术能跟脑机接口融合，把脑机接口的应用外延推广开来。

所以，从这两方面来看，我觉得脑机接口要走向产业化还需要加大投入。

动脉橙果局：有哪些新兴技术能帮助脑机接口研究和应用突破瓶颈? MathWorks在脑机接口研发和转化工作中，能提供哪些助力?

张丹教授：其实在脑机接口开发过程中，会遇到许多与其他医疗设备开发类似的挑战。在实际研发工作中，我们使用了MATLAB平台和大量相关的工具箱，从最基础的统计分析工具，到信号处理工具，再到机器学习/深度学习工具，帮助研究人员推动先进医疗设备开发和工程化落地进程。

▲MATLAB深度学习工作流程图

通过从硬件实时采集脑电信号，实现大数据集高精度标注的自动化；利用图形化App自动生成对应的代码，进行脑磁图/脑电图的预处理和特征提取；利用常用AI模型，进行迁移学习训练和图形化界面；通过一系列代码生成工具，实现完善的算法部署。

医疗不能停留在学术研究上。医疗科研成果想从实验室到工厂，其中离不开像MATLAB这样的新工具，为研究人员提供高质量工程化实现的完整体系，从而快速开发高质量脑机接口系统，乃至其他智能医疗设备。

*封面来源：123rf

想要联系动脉橙果局报道的科学家或企业，请点击文末左下方“阅读原文”填写表单，我们的工作人员将尽快为您服务。

更多精彩

声明：动脉橙果局所刊载内容之知识产权为动脉橙果局及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用

标签：