韩国科学技术院(KAIST)24日表示,脑认知科学系郑在胜教授研究团队开发出一种脑机接口系统,可解读人类脑信号,使用户无需长期训练、仅凭意念即可将机械臂控制到期望方向。
本次研究与首尔大学医学院神经外科郑天基教授研究团队共同进行,郑教授研究团队以癫痫患者为对象,分析其想象伸臂动作时观测到的大脑皮层信号,开发出预测患者意图手臂动作的手臂动作方向想象脑信号解码技术。
该解码技术不需要实际动作或复杂的运动想象,因此运动障碍患者即使不经长期训练也能自然、轻松地控制机械臂,预计今后可广泛应用于各种医疗器械。
本次研究由KAIST生物及脑工程系博士研究生张相镇作为第一作者参与,已发表于脑工程领域国际权威学术期刊《神经工程杂志》(Journal of Neural Engineering)9月第19卷第5期。
脑机接口是人类仅凭意念即可控制机械的技术,作为手臂运动存在障碍或截肢患者控制机械臂、恢复日常所需手臂动作的辅助技术而备受关注。
要实现用于控制机械臂的脑机接口,需要测量人类活动手臂时大脑产生的电信号,并通过机器学习等多种人工智能分析方法解读脑信号,从脑信号中预测意图动作的解码技术。
然而,因上肢截肢等导致运动障碍的患者难以实际活动手臂,因此迫切需要仅凭想象即可指示机械臂方向的接口。脑信号解码技术必须能够从想象脑信号而非实际动作中预测用户想象的方向,但想象脑信号的信噪比(signal to noise ratio)显著低于实际动作脑信号,难以准确预测手臂方向,这一问题长期是难题。
为克服这一问题,已有研究曾尝试想象信噪比更高的其他身体动作来活动手臂,但由于所要意图的伸臂与认知动作之间存在不自然的脱节,导致用户需要长期训练的不便。
因此,预测想象伸臂时伸向哪个方向的解码技术存在准确度较低、患者难以掌握使用方法的问题。这一问题长期以来是脑机接口领域需要解决的难题。
为解决该问题,研究团队首次开发出以空间分辨率优异的大脑皮层信号(electrocorticogram)测量用户自然的手臂动作想象,并利用变分贝叶斯最小二乘(variational Bayesian least square)机器学习方法计算难以直接测量的手臂动作方向信息的解码技术。
研究团队的手臂动作想象信号分析技术不局限于包括运动皮层在内的特定大脑区域,可针对每位用户可能不同的想象信号与大脑区域特性进行定制化学习,输出最优计算模型参数结果值。
研究团队确认,通过大脑皮层信号解码,可以最高80%以上的准确度预测患者想象的伸臂方向。
研究团队还通过分析计算模型,揭示了对方向想象至关重要的大脑时空特性,并确认想象的认知过程越接近实际伸臂过程,方向预测准确度可显著提高。
研究团队曾于今年2月在国际权威学术期刊《应用软计算》(Applied soft computing)发表基于人工智能与遗传算法的高准确度机械臂控制脑机接口先行研究成果。
本次后续研究在此基础上,通过简化计算算法、机械臂驱动测试、改进患者想象策略等,营造接近实战的使用环境,实际驱动机械臂并测试机械臂是否按意图方向移动,成功演示了读取四个方向的意图并准确到达目标物。
研究团队开发的手臂动作方向想象脑信号分析技术预计今后将有助于提高面向四肢麻痹患者等运动障碍患者的机械臂控制脑机接口的准确度与效率。
研究负责人郑在胜教授表示:“针对每位残障人士不同的脑信号进行定制化分析,即使不接受长期训练也能控制机械臂的技术是革新性成果,该技术预计今后也将为替代义肢的机械臂商用化作出重大贡献。”
第一作者张相镇博士研究生表示:“通过大脑皮层信号分析,仅凭想象信号就以高准确度预测了手臂的移动轨迹,这表明用户无需动作、仅凭意念即可控制驱动装置的方向”,“该技术将被广泛用于辅助技术开发的脑机接口研究。”






