上個世紀，醫學界取得了許多重大突破，全世界的科學家都在孜孜不倦地尋找下一個突破點。對于許多醫學研究人員來說，極有希望實現新突破的道路，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據，讓我們能夠與外界互動。

解讀我們的思維

現代電子系統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）。這是一項發展迅速的新興技術，其原理和許多其他電子解決方案一樣簡單：傳感器捕獲大腦發出的電信號，這些信號再經過調節和處理，生成控制信號，然后發送到設備或應用程序。其輸出端可以是各種系統，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手套，它利用適當位置的紅外發射器向其他地方的傳感器發送信號。其他動作感應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，其復雜性的一大根源在于，即便是執行同一動作的信號，也會因患者意識狀態和其他影響因素的作用而產生顯著差異。如果要采用非侵入式設備實現實時解讀，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，但存在健康風險。此外，植入物還可能產生疤痕組織，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，但信號分辨率低于其他方法。

每種捕獲方式都會應用到不同的技術中，具體取決于所測量的信號。例如，非侵入式技術包括腦電圖（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，并不使用結果來產生可操作的輸出。

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

無論采用何種技術，這些系統都能捕獲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相對應的波段。例如，大約在8Hz到13Hz之間的alpha波段表示患者處于放松狀態，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：大腦活動會產生各種波形。圖中的頻率為近似值。（圖源：stock.adobe）

02信號調理

捕獲信號后，必須對其進行調理，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。隨后對信號進行數字化處理。信號調理非常重要，因為捕獲到的信號信噪比非常低。信號經過清理后，就更容易確定和提取有助于解釋大腦預期動作的特征。

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，甚至不同受試者之間的解剖差異）而發生變化。除了提取測量信號的相關部分外，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）、經驗模態分解（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衡功率和性能，以選擇合適的組件來完成這項任務。在某些應用中，需要由PC來提供處理能力；而在其他應用中，現代微控制器（尤其是具有AI功能和復雜數學計算功能的微控制器）就可以完成這項任務。

04分類

BCI技術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換為向目標設備輸出的控制信號。這些數據集通常可從早期研究中獲得。提取的特征可根據頻率和形狀，基于線性和非線性方法進行分類。這不是一門精確的科學，需要對用戶、數據集或兩者進行訓練，以減少誤差并提高準確性。翻譯算法的開發依賴于各種分類器，如k-近鄰（kNN）、線性判別分析（LDA）、神經網絡和支持向量機（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。許多現有的應用改善了患者的生活，還有更多的應用正在開發中。也許非常激動人心、具有變革性的例子，就是將輸出轉換回大腦信號來控制身體的各個部位。

神經調節是一種廣為人知的醫療技術，可以向身體某些部位的神經細胞或神經元發送信號，或者阻斷發向它們的信號。這項技術早在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調節主要為人所知的應用，但它還有許多其他應用，例如脊髓刺激，可以幫助帕金森病患者改善活動能力[5]。隨著電子技術的進步以及我們對大腦工作原理認識的加深，神經調節治療的案例數及其復雜程度也在不斷增加。

神經調節有兩種不同的類型：電刺激和化學刺激。在電刺激中，脈沖發生器和電源相結合，用于對大腦、脊髓或周圍神經進行治療。在化學刺激中，藥物被精確地施加到所需區域。無論采用哪種方法，這項治療都可以抑制大腦發出的疼痛信號或刺激神經沖動。

與大腦對話

上文中，我們探討了從大腦到應用程序的單向路徑，但應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送的信號，使大腦了解身體和外界正在發生的事情。某些疾病會打破感官和神經系統之間的聯系。例如，許多聽力受損患者的耳蝸神經是完好無損的，依然能夠向大腦傳遞聽覺信號，但他們的內耳受到了損傷，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，然后經過處理并傳輸到接收器，接收器將聲音轉換為電信號，并發送到電極陣列，將聲音直接傳遞給聽覺神經，從而幫助患者恢復部分聽力。

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，還是利用神經通信連接身體其他部位進行神經調節，還是直接與大腦進行交互。將這些技術結合起來后，實現完全雙向的系統只是時間問題。例如，當患者的脊柱受損時，我們可以完全繞過受損的神經系統部分，發送控制肢體所需的信息。當實現這一點后，我們就可以向大腦發送反向信號，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展的。大腦反饋系統很可能率先用于假肢BCI應用，其出現可能遠遠早于能夠精確復制脊柱受損患者肢體運動所需運動技能的BCI技術。

目前，實現這些進步的部分技術正在開發中，還有一部分已經實現。能夠捕捉大腦活動的傳感器以及過濾、放大和轉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，從而繞過傳統的調節過程。隨著我們對AI的理解不斷加深，以及這項技術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。