脑机接口：从科幻电影到全脑仿真

当2024年即将结束，我们可以说这一年迎来了新一轮技术革命所有的临界点，诺贝尔物理学奖也颁给了神经网络机器学习。今天，我们就看到了技术如何可以尝试再次逾越那个《堂吉诃德》《哈姆雷特》所说的“不可逾越的死亡”。

图2024年的诺贝尔物理学奖授予了两位在机器学习领域做出开创性贡献的科学家

想要连接起碳基生物与硅基产品的桥梁，就势必深入对脑科学进行研究与探索。想象一下，只需一个念头，就能控制机械臂抬起、移动轮椅前进，甚至在虚拟世界中进行交互。这样的场景曾经是《黑客帝国》《阿凡达》等科幻电影中的桥段，如今却正在实验室通过脑-机接口(Brain-ComputerInterface,BCI)技术变为可能。这种突破性的技术让大脑与外部设备直接“对话”，不再依赖传统的键盘、鼠标或触摸屏，甚至可以绕过受损的神经系统，打开一个全新的交互时代。当前，全球各国都高度重视脑科学的发展。2014年，美国重新启动了脑计划；欧盟的脑计划则通过构建超级计算机模拟人脑运行机制；中国的脑计划于2016年发布，推动脑科学与人工智能的交叉融合，开展类脑研究计划。

认识脑机接口与脑科学，首先需要先通过大脑研究大脑，了解大脑。大脑是一座复杂的“生物计算机”，由数千亿个神经元组成。这些复杂组织结构通过电信号彼此沟通，在神经元之间传递，汇集在一起，就像一张精密的网络，构成了我们意识、行为和感知的基础。虽然每个神经元所产生的电化学信号并不强烈，但当数十亿个这样的微小信号同时传递叠加，其产生的信号便足以从头部外部进行测量。1924年，德国神经科学家HansBerger，过在头皮放置电极，可以记录到大脑神经元活动，首次描述了脑电图（(Electroencephalogram，EEG）。于是科学家进一步猜想，既然我们知道脑电在传输着我们的思维与行为信息，且我们可以检测到这样的脑电信号，那么是不是可以通过技术手段测量并提取大脑的活动信息呢？

图脑电采集设备（左）；脑电电极分布图（右）

表脑电信号的特点

脑电信号并不是简单的“开-关”模式。它们的频率、幅度、相位等因素都会随着大脑活动的不同而变化。如何处理是一个复杂的过程，涉及到脑科学、物理学、计算机科学等多个学科领域。因此，精确地采集脑电信号并完成复杂的信号处理并从中解读出大脑的“指令”，是BCI技术需要攻克的第一个难题。

图典型的BCI系统

如果把脑电比喻成嘈杂的市场里所产生的各种各样的声音，那么脑电信号的探测就可以理解为通过电话线对它们进行收听。而来自眼睛眨动、肌肉抽动甚至呼吸产生的生理信号则是市场中各种各样的杂音，这便是脑电信号中的噪声和伪迹。为了让大脑的真实信号显现出来，科学家们首先要通过预处理。主要包括：滤波，重参考，分段和基线校正，插值坏导，剔除坏段和基于ICA的伪迹去除。

图脑电信号预处理流程

通过上述的一系列技术处理，我们可以有效消除噪声和干扰，并剔除失效的电极和无效的信号片段。再通过基于ICA的伪迹去除，采用智能算法分离出来自眼动、肌肉活动等与大脑活动无关的信号，把不需要的杂音去除掉，从而留下最纯粹的脑电活动。

图确认并剔除伪迹成分

2014年，在举世瞩目的世界杯开幕式上，一位高位偏瘫的患者通过脑机接口控制的“外骨骼”机器人，踢出了第一颗足球。这一历史性时刻标志着BCI技术在医疗康复领域的重大突破，瞬间点燃了全球对这项前沿技术的关注和研究热情。

这一事件激发了BCI技术的迅速发展。2019年，Neuralink公司发布了一款具备高带宽、可扩展的侵入式BCI系统，并在2021年完成了一项令人惊叹的实验——猴子通过意念成功玩电子游戏。同时，BCI技术在帮助瘫痪患者恢复部分能力方面也取得了重要进展。Simeral等研究人员首次实现了高位瘫痪患者通过无线侵入式BCI系统控制电脑鼠标，患者能够用大脑指挥鼠标进行精确操作。在中国，浙江大学的研究团队完成了国内首例侵入式BCI临床转化，帮助一位72岁的全身瘫痪患者通过意念灵活地控制机械臂。

图侵入式BCI研究案例

虽然预处理后的脑电信号已经被科学家们从复杂的噪声中提取出来，但BCI系统是如何以清晰的方式表达大脑活动，并转换成机器可以识别的指令，完成上面介绍的那些精密操作的呢？这便需要一系列进一步的处理和解码，最终让大脑信号可以像遥控器一样进行遥控指挥。

特征提取与信号解码：找到大脑的“控制按钮”

要让机器理解大脑的“命令”，科学家们首先需要从中提取出有用的特征。这些特征可以看作是大脑信号中的“控制按钮”，每个特征对应着大脑发出的某种具体指令。通过分析这些信号的频率、幅度和时域特征，科学家能够找到这些控制动作的特征，并对其进行解码。

这些特征可以进一步通过机器学习算法进行训练，让系统逐渐学会“理解”用户的脑电信号。比如某一组信号可能代表“抓取动作”，而另一组信号则可能表示“移动手臂”。

分类与指令生成：将脑信号翻译为动作

在信号解码之后，接下来的关键步骤是将这些信号分类并转换成具体的设备控制指令。这一步就是把大脑的语言翻译成机器可以理解的命令。通过机器学习分类算法（如KNN、SVM等）可以帮助精确地识别大脑信号类别，并将其分类为特定的动作指令。每个分类结果都对应着一个具体的动作：向左移动、向右移动或抓取物体。

设备响应与实时反馈：大脑与机器的同步合作

一旦设备收到指令，接下来的步骤便是执行动作。外部系统会根据大脑发出的指令进行相应的操作，这意味着实时反馈机制同样非常重要。当设备执行某个动作时，视觉、触觉或听觉反馈会传回大脑，让大脑了解操作的结果。当机械臂抓取某个物体时，用户可以通过视觉确认是否成功抓住。大脑根据这些反馈进行微调，进一步发出更精准的控制信号。这个闭环反馈系统让大脑与设备的互动更加流畅和自然。

图脑电信号识别学习算法流程

脑机接口技术，正一步步将存在于科幻作品中的设想变为现实。从帮助瘫痪患者重新掌握行动能力，到让猴子通过意念玩电子游戏，而BCI技术在未来的应用将远远超出简单的设备操控。我们或许很快就能通过脑机接口进入完全沉浸式的虚拟现实体验中，直接用大脑控制虚拟世界中的角色与环境互动。只需思考，就能穿越虚拟世界，感受虚拟触觉，甚至与数字化身进行即时对话，并把大脑和意识上传到计算机中完成全脑仿真，这样的体验将重新定义我们与世界互动的方式，真正地实现“数字永生”。

参考文献

李瑞凯.无线高通量脑电信号采集关键技术及其在脑-机接口中的应用研究[D].河北大学,2023.

桂亚伟.基于运动想象脑电信号的分类算法研究[D].中国科学院大学(中国科学院西安光学精密机械研究所),2023.

张尹.基于脑电信号特征处理和深度学习的癫痫发作预测研究[D].南京邮电大学,2023.

罗维.基于运动想象脑机接口的上肢外骨骼康复系统研究[D].北京协和医学院,2022.

策划制作

作者：蔡文垂 中国科学院长春光学精密机械与物理研究所研究生

审核：于旸 腾讯玄武实验室负责人