系统神经工程与大脑的关联

292工程第1卷·第3期·2015年9www.engineering.org.cn研究医疗仪器-评论工程2015，1（3）：292-308DOI 10.15302/J-ENG-2015078系统神经工程：理解和与大脑布拉德利·JEdelman1#，Nessa Johnson1#，Abbas Sohrabpour1#，Shanbao Tong2，Nitish Thakor3，4，Bin He1，5*摘要在本文中，我们回顾了目前的国家的最先进的技术，用于了解大脑的内部工作在系统水平。支配我们日常生活的神经活动涉及许多过程的复杂协调，这些过程可以归因于各种大脑区域。从表面上看，这些功能中的许多似乎是由特定的解剖结构控制的;然而，实际上，大脑中的许多动态网络通过神经元和突触通路的互连网络对其功能做出贡献。 因此，无论大脑处于健康状态还是病理状态，都可以通过采取系统水平的方法来最好地理解。 虽然有许多神经工程技术存在，我们在这里集中在系统神经工程领域的三个主要推力：神经成像，神经接口和神经调节。神经影像学使我们能够描绘大脑的结构和功能组织，这是理解神经系统在正常和疾病状态下如何发挥作用的关键。基于这样的知识，设备可以用于与神经系统通信，如在神经接口系统中，或者用于调节大脑活动，如在神经调节系统中。这三个领域的考虑是神经设备开发和应用的关键。基于反馈的神经设备需要通过神经接口（侵入性或非侵入性）感测神经活动（经由神经成像模态）并最终选择一组刺激参数的能力，以通过神经调节方式改变神经功能。系统神经工程是指使用工程工具和技术来成像，解码和调节大脑，以理解其功能并修复其功能障碍。这些领域之间的相互作用将有助于塑造系统神经工程的未来-发展神经技术，以提高对全脑功能和功能障碍的理解，以及神经和精神疾病的管理。关键词系统神经工程、神经成像、神经接口、神经调节、神经技术、脑机接口、脑机接口、神经刺激1引言大脑是人体中最复杂的组成部分，是一台由相互连接的部件组成的精密机器，协调工作，控制着众多的意识和潜意识功能。支配我们日常生活的神经活动从表面上看，这些功能中的许多似乎是由特定的解剖结构控制的;然而，实际上，大脑内的许多动态网络通过神经元和突触通路的互连网络因此，无论大脑处于健康状态还是病理状态，都可以通过系统水平的方法得到最好的理解。系统神经工程是指使用工程工具和技术来成像，解码和调节大脑，以理解其功能并修复其功能障碍。已经开发了几种模式来对大脑的组织及其神经活动进行成像。其中许多技术，如磁共振成像（MRI），可以将整个大脑成像到毫米级，提供与特定任务或外部刺激相关的网络活动的高分辨率空间信息。这些网络的动态通常可以阐明解剖区域之间的联系或因果关系，并为大脑如何处理健康功能和病理功能（如癫痫）提供模型。今天可用的成像方式可以测量许多类型的大脑活动，从大脑的直接神经元输出到其功能的代谢要求。结合多种成像技术的信息通常可以揭示大脑内发生的神经血管关系，1明尼苏达大学生物医学工程系，Minneapolis，MN 55455，USA;2上海交通大学生物医学工程学院，Shanghai 200030，China;3约翰霍普金斯大学生物医学工程系，Baltimore，MD 21205，USA;4新加坡国立大学SINAPSE研究所，Singapore 119077，Singapore;5明尼苏达大学医学工程学院，Minneapolis，MN 55455，USA#21453;作者贡献均等。* 通讯作者。电子邮件地址：binhe@umn.edu接收日期：2015年8月2日;接收日期：2015年8月25日;接受日期：2015年9月6日作者（S）2015出版社：Engineering Sciences Press这是CC BY许可下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）293www.engineering.org.cn第1卷·第3期·2015年9月工程医疗仪器-回顾研究结构成像功能性神经成像直接（EEG）间接（fMRI）5（s）0.2（s）MRI扫描仪响应大胆DTI连通性映射DTFMax流在估计网络节点的位置和潜在的动态Min出来推进我们对其神经相关物的理解。成像本身并不是识别大脑神经接口技术通常用于解码与日常身体功能相关的神经活动。这些方法通常能够以高时间分辨率和多个空间尺度有创或无创地记录神经活动。长期以来，人们一直认为大脑是在神经密码的原则下运作的，在神经密码中，特定的功能会引发一系列稳定且可重复的活动。神经接口技术使我们能够检测大脑中的这些输出模式，并确定相应的行为或心理操作。这些技术的优点之一是能够从细胞（单个单元活动）到系统水平（脑电描记术）检测脑的电生理反应。这种多尺度的机会可以揭示大脑在其分层结构中编码的详细功能。运动控制就是这样一种应用，已经在多个尺度上进行了广泛探索，揭示了大脑如何组织灵巧运动任务以使用从神经元到脑节律的跨尺度神经信号来控制假肢的生理学原理。神经调节是神经工程中一个快速发展的领域，为理解和治疗大脑提供了广泛的应用。异常的电活动，如癫痫发作和帕金森震颤，通常归因于一系列神经病理学，在许多情况下被认为局限于特定的大脑区域。无论这是否正确，大脑中的大量连接都会导致一连串的非典型行为，这些行为在各种神经网络中传播，影响整个系统。神经调节技术提供了一种通过使用各种电、光和声波方法刺激大脑来改变不规则活动的方法，目的是将系统稳定到健康状态。刺激还可以帮助揭示各种大脑活动的机制通过暂时改变健康大脑的正常功能来达到目的。类似于神经接口，这样的扰动可以侵入性地和非侵入性地应用，以便获得和组合多尺度信息以暴露大脑的内部功能。重要的是要注意，没有一种技术可以提供对大脑的全面了解;相反，需要上述技术的协同组合来揭示大脑功能。在许多情况下，解码神经信号可以帮助识别特定大脑状态的生物标志物，这些生物标志物可以用于导出改变或校正正在进行的活动所需的刺激参数。成像结果可以另外用于通知神经调节的目标区域，使得仅刺激期望的区域。此外，多种可用的模式提供了优化预期改变的灵活性，以最好地适应受试者人群和预期研究目标。在这篇综述中，我们概述了系统神经工程领域的神经成像，神经接口和神经调节，并讨论了这些技术在个人和跨学科尺度上的发展趋势和挑战2 神经影像神经影像学是现代科学最伟大的成就之一。成像通常可以分为两个不同的类别：结构成像和功能成像。虽然结构成像揭示了大脑的形态、结构和解剖结构，但功能成像的目的是测量灌注率、血流、神经兴奋产生的电信号或磁信号以及类似过程，以便描绘所研究系统的功能。结构成像模态的实例是MRI、扩散张量成像（DTI）、计算机断层 扫 描 （ CT ） 、 超 声 （ US ） 、 荧 光 分 子 成 像 （FMI ） 和 光 学 相 干 断 层 扫 描（OCT）。功能性成像模态的实例包括功能性MRI（fMRI）、正电子发射断层扫描（PET）、单光子发射计算机断层扫描（SPECT）、脑磁图（EEG）、脑磁图（MEG）、皮质电图（ECoG）、功能性近红外光谱（fNIRS）、激光散斑成像（LSI）和光声断层扫描（PAT）。各种结构和功能成像方式已经聚集在一起，以揭示大脑网络（图1）。图1.神经影像学一瞥：不同的神经成像方式相互作用，以描绘潜在的大脑网络（不包括所有的方式）。改编自Refs。[1，2]有权限。研究医疗仪器-评论294工程第1卷·第3期·2015年9www.engineering.org.cn2.1 影像学设备简介与综述2.1.1 结构成像MRI图像提供了高分辨率的大脑图像，具有良好的对比度，使MRI成为研究精细大脑结构的合适选择。另一方面，CT扫描速度快，可提供高分辨率图像，但需要更多的预防措施，因为X射线辐射是该模式中图像采集的基础[3]。此外，与MRI相比，其对软组织（例如大脑）成像的空间分辨率有限。US成像于20世纪90年代首次引入脑成像[4]，但在通过颅骨传输时面临衰减挑战。虽然US成像是最安全的成像方式之一，但它具有低信噪比（SNR），因此对大脑的深层结构进行成像仍然是一个挑战。DTI是一种改良的MRI技术， 在白色物质中的纤维束可以被可视化[5]。这种技术对于高分辨率脑成像特别感兴趣，因为不同脑区域的布线有助于大脑回路和网络的组织。人类连接组计划（HCP）通过确定结构和功能性神经连接来绘制人脑连接图已经取得了重大进展[6，7]。 使用DTI和白质纤维的纤维束成像，研究了不同大脑区域和网络之间的连接，一个大的正常人群以及遗传和行为数据[7]。光学成像具有优越的空间分辨率（μm）和时间分辨率（亚ms）的优点，但具有低穿透深度（mm）的限制。结合疾病特异性荧光造影剂，FMI在分子水平上提高了神经系统疾病检测的特异性[8]。OCT提供具有微米空间分辨率的非接触式横截面组织成像，并实时提供穿透深度为2 mm的三维组织微结构图像[9]。作为作为一种非扫描光学技术，LSI还以出色的时空分辨率描绘了神经血管结构以及血管生成[102.1.2 功能成像神经元活动的功能成像可分为直接和间接神经成像[13]。模态因为fMRI、PET和SPECT通过检测血流、血氧或葡萄糖代谢的变化来间接地测量神经元活动，而电生理学模态如EEG和MEG直接测量由神经元活动产生的电磁场[14]。间接方法具有低时间分辨率（以s计），这是由于它们测量由神经元活动调制的较慢的生物过程（例如血流变化），而电生理记录更适合于记录潜在神经元动力学的快速变化（以ms计）[15]。在SPECT和PET中，测量神经元代谢或血流（其由神经元活动调节 通过向血液中注射放射性同位素试剂[16，17]。PET和SPECT中注射放射性同位素试剂的微创程序具有额外的风险，并且与fMRI相比是一个缺点。功能磁共振成像已被广泛用于研究大脑功能，具有高空间分辨率的网络。然而，由于缓慢的血液动力学反应（大脑中血管网络的扩张以响应增加的神经元活动），fMRI具有有限的时间分辨率，是几秒钟的事fMRI可以检测不同脑区响应于外部刺激的同时激活（例如，任务提示），内部状态（例如，癫痫患者的发作间期尖峰）或在静息状态期间，从而构成与刺激时间锁定的不同脑区域的网络[18]。这个网络可以被认为是神经元回路，它响应、传递或放大特定的外部刺激，或者参与内部刺激的产生和传播。自20世纪90年代初引入该模式以来，fMRI研究呈指数级增长[19][20-22]。功能磁共振成像目前用于各种基础和临床神经科学和精神病学研究[23，24]。fMRI的高空间分辨率（3 T临床扫描仪中的mm）使其成为研究神经元网络时定位参与区域的理想选择，特别是在通过其他成像方式无法访问的脑深部区域;然而，fMRI的低时间分辨率使其无法看到神经元的快速动态（在kHz范围内放电）。另一方面，EEG和MEG（E/MEG）可以记录更高频率的更快活动。由于E/MEG记录仅限于头皮，测量次数有限，因此与fMRI相比，它们具有固有的有限空间分辨率[25]。为了从表面记录的电磁测量确定脑内神经元的电活动，需要解决电生理学逆问题。从表面的电磁记录估计神经元集合的电活动的过程被称为电源成像（ESI）。在过去的三十年里，随着偶极子源定位[26]和分布式源成像方法[27-29]的发展，ESI已经取得了重大进展。ESI技术已被广泛用于研究潜在的神经回路和病理网络。其中一种应用是癫痫，其中ESI技术可以定位癫痫灶并描绘潜在的致癫痫网络[30]。另一个应用是脑机接口，其中ESI技术可以破译人类受试者控制计算机光标或其他外部设备的运动意图[31，32]。fNIRS测量血氧的变化，当这种变化反映在脑组织的光学特性中时，通过将光束从头皮传输到大脑并测量所得的反射光束来测量脑组织的光学特性[33]。fNIRS通常测量血液动力学信号，这些信号是间接神经元表示，因此具有较低的时间分辨率，但fNIRS是一种便携式设备，与EEG相比，对运动伪影更稳健。fNIRS的局限性是其穿透深度（由于生物组织中的光散射），其至多为3cm。LSI提供了高时空全视野血流成像，不依赖于外源性造影剂[34]。被研究的大脑区域被激光医疗仪器-回顾研究295www.engineering.org.cn第1卷·第3期·2015年9月工程MRI扫描仪视觉刺激EEGEEG帽EEG-fMRI记录bold-fMRI激活1.51.00.5212毫秒0时间（ms）050100150 200250 300 350 400头皮电位图神经血管偶联建模计算光源，其最终形成照明区域的图像以生成二维血流图由于单个功能成像模态的固有限制，即低空间或时间分辨率，因此出现了将不同模态组合以形成多模态成像的想法[14]。这种多模态成像技术的最成功的例子之一是EEG/MEG-fMRI成像，其中来自E/MEG和fMRI的信息被组合在一起，以引出比单独使用每种模态产生的更高的时空分辨率[1，35]。图2描述了EEG-fMRI技术的基本原理。脑电功能磁共振成像研究已被用于许多应用，如映射双边视觉整合[36]了解癫痫网络[37]。多模式功能神经影像学76 MS112毫秒神经反应图2.EEG-fMRI的原理 间接的功能性神经成像方式如fMRI通过某种耦合（在fMRI的情况下为神经血管耦合）与直接的电生理活动相关。GFD：Global Field Power。改编自Ref。[1]许可。2.1.3 网络、电路和连接虽然大脑的不同区域可能涉及专门的功能，但大脑并不是由一组独立运作的节点组成的。尽管存在功能隔离，但大脑不同区域之间确实存在一些重叠和冗余。这些重叠和冗余意味着特定任务的执行可能涉及许多这样的节点或大脑区域，这一概念被称为功能整合[38]。因此，即使是最简单的功能和任务，也涉及到互连的电路和网络。为了理解和研究这些网络，需要数学工具来研究大脑区域之间的连接和关系。连贯性是检验这些关联的最简单的数学工具，因为它测量整个频谱中不同信号的相似性。该工具特别令人感兴趣，因为据信大脑不同区域之间的通信是通过频域中的神经元振荡实现的，而不是时域[39]。虽然连贯性使我们认识到一种存在的关系或联系，但它并不描述这些联系的方向或因果关系。为了在Ganger因果关系框架内系统地研究这种因果关系，引入了定向传递函数（DTF）[41]。DTF可以同时分析和确定大脑内不同感兴趣区域之间的直接关系[2，41]。DTF是一种数据驱动的方法，它使用所研究的时间序列的多变量自回归建模来确定因果关系。还有其他几种数据驱动的方法来研究连通性，例如部分定向相干（PDC）[42]和非线性方法，例如互信息[43]和广义同步[44]。线性方法是直接和快速运行，并已被证明在大多数情况下，在确定连接性能良好而非线性方法可以更好地模拟底层连接，但它们通常复杂且耗时[45，46]。与DTF不同，DTF不假设所研究网络的连通性的任何基础模型，结构方程建模（SEM）[47]和动态因果建模（DCM）[48]等方法假设先验连通性模式，并试图拟合数据以找到模型的参数。尽管SEM和DCM成功地用预实验模型对研究充分的问题进行了建模，但引入此类模型可能会给估计带来相关的模型偏倚[49]。DCM声称通过考虑替代假设（连接模式）并选择最能描述数据的假设来解决这个问题。尽管这可能在一定程度上缓解问题，但测试多个模型是耗时的，并且仍然需要存在一组可能的模型来解释潜在的连通性。DCM最初是为fMRI研究开发的，但已被修改为与E/MEG记录一起使用[46]。2.2 功能磁共振成像已被广泛用于研究大脑网络及其潜在的连接。它的高空间分辨率和广阔的视野（即，整个大脑）使其成为确定空间分布的大脑网络和回路的理想选择。功能磁共振成像研究通常设计在一个基于任务或刺激驱动的方式。近年来，静息态fMRI（rsfMRI）越来越受欢迎。在rsfMRI中，受试者在扫描进行时放松[50]。rsfMRI已被用于识别患有各种脑部疾病如自闭症、精神分裂症和癫痫的患者的生物标记物。由于它们的高时间分辨率，脑电和脑磁图适合于研究脑动力学。在Ding等人进行的一项研究中，分析记录的局灶性癫痫患者的癫痫发作，使用ESI技术确定致癫痫灶;随后，使用DTFGFP（μV）研究医疗仪器-评论296工程第1卷·第3期·2015年9www.engineering.org.cn分析[51]。因此，这种分析可以阐明，例如，哪个大脑区域负责开始癫痫发作或中继癫痫发作活动[52]。同样令人感兴趣的是借助独立成分分析（ICA）开发动态癫痫发作源成像技术[53];这些技术揭示了对诸如癫痫发作的振荡性脑活动进行成像的可能性。成像模态很少同时具有高空间分辨率和高时间分辨率[15];因此，多模态成像已被建议作为一种折衷解决方案，以实现比其组成子模态更高的空间和时间分辨率[14]。为了研究具有高空间分辨率的快速动态（如癫痫或认知过程）网络，多模态成像技术已被证明是有用的。在癫痫研究中，使用同步EEG记录进行fMRI激活映射，这种技术称为EEG知情fMRI [37，54]。fMRI分析也可用于约束ESI中的逆解，通常称为fMRI约束的E/MEG源成像[1，35]，其中fMRI活动的空间范围和位置可用于确定fMRI活动的位置。使用ity来约束ESI解决方案。fMRI和E/MEG整合有其自身的挑战。由于fMRI和E/MEG的时间尺度不同，fMRI提供的空间图相对静态，并且可能使EEG源成像的源定位结果产生偏差，其往往与潜在的E/MEG信号一样快速变化。第二种已经流行的组合模态是PET-MRI。这种组合的结果与从MRI获得的形态学数据和从PET获得的功能图像更加匹配。PET可以提供特定的-这对研究代谢和神经化学物质的功能活性非常重要[55]。MRI和PET已被整合，提供MRI的高空间分辨率和PET的高特异性。尽管如此，这种组合方式缺乏时间分辨率，这是研究大脑回路的理想特征。另一个成功组合不同模态的范例是PAT成像，其规避了每种包含模态的限制。PAT结合了光学和US技术。生物组织吸收通过激光束发射的热能。吸收的热量被转化为高频机械振动，其由US接收器检测（光学激发和US检测）。PAT是一种功能成像方式，也是一种结构成像技术[56]。例如，当脑血管的血液动力学响应于神经元活动而改变时，血液氧合和血红蛋白浓度改变，导致通过PAT检测到的不同吸收率。另一种多模态成像技术，磁感应磁声断层成像（MAT-MI）[57]，使用磁激励来感应涡流，涡流反过来产生洛伦兹力，驱动由US传感器拾取的机械振动。虽然MAT-MI显示出成像组织电特性的前景，毫米空间分辨率，其在活体脑成像中的应用仍有待观察。另一种技术，磁共振电特性断层扫描（MR EPT），通过发射和接收射频磁场测量电特性[58]，显示出对脑组织功能信息成像的前景。光学成像由于其安全性高、时间分辨率高、设置简单等优点，近年来已成为神经成像的热门工具。OCT和双光子成像在微米级提供了极好的空间分辨率;然而，其他光学模式，如fNIRS和LSI更受欢迎。fNIRS已显示其作为生物标志物测量中风、癫痫或情感障碍的病理变化的能力[59]。在不久的将来，fNIRS的临床翻译将有助于评估和诊断大脑的认知状态。LSI近年来发展迅速。LSI在原理上不同于激光多普勒血流仪;它测量二维血流速度[60]，因此可用于获得神经血管结构模式以及血流动力学变化。LSI已成功用于监测中风期间以及神经血管手术期间的脑血流变化[61]。光学脑成像的最新趋势是组合不同的光学模态，例如LSI-OCT，以便同时获得不同的神经、血管和血液动力学信息。尽管如此，光学成像方法具有有限的穿透深度，这对于非侵入性脑成像至关重要。2.3 挑战、需求和未来趋势大脑网络在空间上是分布和相互连接的，并且可以具有快速动态。为了研究和描绘这些网络，需要高时空分辨率的成像模式和技术。在空间和时间分辨率方面存在持续的权衡，所有成像模式，这使得单一模式很难在任何意义上都完美。在空间和时间上实现高分辨率被证明是一个巨大的挑战用于未来的神经成像模式和技术[15]。为了提高fMRI的时间分辨率，一种新的技术正在开发中，称为多频带fMRI。在这种方法中，大脑的多个切片被激发，并使用同时发射的各种射频进行亚稳态成像[62]。这项技术基本上减少了fMRI的采集时间，增加了整体节奏- 最终决议然而，由于fMRI固有地记录缓慢变化的血液动力学信号，因此时间分辨率的改善实质上导致对缓慢变化信号的更高采样。对于ESI技术，基于稀疏信号处理方法的新逆算法已被证明在提高空间分辨率方面是有效的[63]。受益于E/MEG的高时间分辨率，有新的ESI技术在时域中使用冗余，以便提供对潜在神经元活动的更准确和集中的估计，从而提高空间分辨率[64，65]。虽然光学技术和工艺享有高空间和时间分辨率，但其主要限制是光在生物组织内的散射和低穿透，这反过来又减小了这种成像模式的视场（尺度）。为了进一步克服光学成像技术的低深度穿透，多模态成像，医疗仪器-回顾研究297www.engineering.org.cn第1卷·第3期·2015年9月工程成像方法需要结合来自成像技术（如CT、MRI和PET）的三维信息，以补偿有限的深度穿透[66]。研究分布式大脑网络时的另一个重要问题是所研究回路的特异性。许多大脑回路可以同时活跃，从而导致成像模式测量的信号受到干扰。特征提取和成分分析是功能神经成像的重要组成部分，可以帮助解决这种干扰问题。一种根本不同的方法是刺激和/或扰动神经元回路以诱导所需网络内或甚至所需细胞类型内的活性，例如在光遗传学方法中进行[67，68]。最近，一种基于这种方法的新技术被称为光遗传学fMRI（ofMRI），它将fMRI与光遗传学方法相结合，以研究特定的全脑规模网络（图3）[69]。由于注射病毒基因组的安全性问题，将此类技术转化为临床设置和应用还需要一段时间 进入神经元细胞（光遗传学方法的必要步骤）。图3.光遗传学功能性MRI（ofMRI）[69]。 该技术继承了fMRI的高空间分辨率和宽视野以及光遗传学的特异性，使其成为选择性脑范围大规模网络成像的理想选择。(a)注射病毒以编码对光有反应的特定细胞;（b）确认所需模式的诱导;（c）MRI数据的BOLD和（d）MRI-HRF，用于BOLD光刺激引起的信号。改编自Ref。[69] I'm sorry.很明显，神经成像领域需要适合以特定方式研究具有快速变化动态的空间分布网络的技术和技术。这种需求要求成像模态在空间分辨率、时间分辨率、视场或尺度和特异性之间具有良好的权衡。由于每种成像模态和神经成像技术的固有局限性，单一模态极不可能实现所有上述性能标准。该领域的趋势表明，成像系统的多模式集成对于神经成像所涉及的重大挑战至关重要[15]。3 神经接口和解码神经接口的概念跨越了以下领域的各种研究领域：系统神经工程，从神经系统和外部设备之间的物理相互作用到使用尖端技术解释和调节神经活动。在本节中，我们将重点介绍与后一个概念相关的直接大脑通信和控制技术。从这个意义上说，与大脑的接口涉及创建双向人工路径，类似于身体固有的生理控制系统。从这一思想演变而来的技术被称为脑机接口（BMIs）或脑机接口（BCI）。在本文中，我们将同时使用BMI和BCI。一般来说，BMI破译大脑为完成特定任务而产生的复杂信号，并提供反馈以帮助用户调制或控制这些信号。这些BMI背后的动机源于许多严重衰弱性神经肌肉病变和损伤 的 流 行 ， 如 肌 萎 缩 性 侧 索 硬 化 症（ALS）和脊髓损伤。在这些情况下，认知功能保持完整;然而，下降的运动回路变得脱离大脑的控制。BMI提供了一种综合手段，通过他或她的神经活动，侵入性或非侵入性地将用户的意图传达3.1 BMI技术简介与综述3.1.1 无创BMI非侵入性BMI方法通常使用EEG，EEG是通过将传感器放置在头部表面上来测量大神经元群体的电生理活动。可以从这些神经记录中解码各种类型的信号，以表达用户初级运动和感觉皮层中产生的感觉运动节律（SMR）可以说是无创BMI控制中最广泛使用的信号[72，73]。目前对BMI应用中SMR行为的理解是建立在对事件相关同步（ERS）和事件相关去同步（ERD）的研究医疗仪器-评论298工程第1卷·第3期·2015年9www.engineering.org.cn图4.脑机/机器接口系统的示意图 信号是通过使用内部或外部刺激从大脑获得的。然后，计算机对这些信号进行解码，以解释用户的目标，并将结果转化为输出设备的动作。 受试者通常可以观察到这种效果，并调节他们的大脑信号以完成所需的任务。由想象运动任务产生的现象。计算机光标的一维控制在20世纪90年代初首次通过想象运动任务或通过执行右手和左手的运动想象（MI）来这些系统已经扩展到在虚拟环境中使用各种MI任务的三维控制[75，76]，并已应用于实时导航四轴飞行器（图5）[75，77，78]和轮椅[79]。尽管基于EEG的BMI取得了重大进展，但由于EEG信号的有限空间分辨率和低SNR，挑战仍然存在。然而，通常采用各种空间滤波技术（如通用空间模式算法[80]和EEG源成像[31，32]）来克服该信号质量问题。虚拟现实平台是改善SMR BMI性能或探索新应用的另一种常用途径[81]。应该注意的是，通常需要长时间的训练方案来成功控制SMR BMI;然而，健康人类受试者图5.使用无创BMI在三维空间控制无线四轴飞行器的概念图[77]。安装在四轴飞行器上的摄像头允许用户查看他们的环境。然后，用户可以使用电机连续地导航四轴飞行器。 图像 任务 适配 取自参考文献[77] I'm sorry.见参考文献[78]这是一个演示意念控制的四轴飞 行器 如 何工作的视频剪辑。一般可以实现两个或三个自由度的独立控制。虚拟现实范例对于BMI培训特别有吸引力，因为它们可以提供一个交互式环境来激励BMI用户。利用事件相关电位（ERP）的BMI在20世纪80年代末首次概念化[82]，并早在2000年就开始实施。这些范例已经相当成功的拼写应用程序，利用脑ERPs的P300组件。P300分量是指在P300之后约300 ms出现的正头皮电位峰。呈现“罕见的”外部（或内部）刺激。这些信号通常是在视觉古怪的paradigms期间引起的，其中两类事件以不同的规律显示给受试者。不太常见事件的发生常引起内源性P300电位峰电位的发生。在这些系统中，用户可以通过关注由其他不需要的字符组成的字母网格中的所需字符来一次一个字母地传达完整的句子;通过顺序突出显示行和列来进行选择，直到出现P300响应[82]。这种经典的刺激呈现网格已经被广泛修改，以提高通信速率并增加系统功能。稳态视觉诱发电位（SSVEP）是自20世纪90年代中期以来用于BMI控制的另一种大脑信号[83]。使用这些系统的受试者通过关注外部刺激来调节频率特异性脑振荡的幅度。与ERP BMI类似，控制信号的内源性本质几乎不需要用户培训;然而，刺激呈现需要结构化环境，因此将SSVEP BMI限制为预定义设置。强大的信号检测使SSVEP BMI能够实现高达100 bits·min-1的信息传输速率 [84]，这是对其他EEG BMI信号通信的显著改进。因此，SSVEP BMI已应用于广泛的应用，包括虚拟拼写器和诸如手部矫形器的外部设备[85]。通过使用覆盖枕叶皮层的电极测量不同刺激的频率标记功率来检测SSVEP信号，这些电极通常不会干扰SMR或P300 BMI所用的电极。上述三种信号的独特特征使它们非常适合组合成一个单一的系统或混合BMI。混合BMI利用每种信号类型的优势来增加BMI功能，并克服限制每种模式的缺点。性（有关混合BMI的更多信息，请参见参考文献[86]）。如果某些受试者难以使用一种类型的信号控制BMI，则这些系统是有用的。虽然每个信号的基本限制仍然存在，但混合系统可以通过结合一个更容易控制的额外信号，最终扩大了非侵入性BMI的整体效用。3.1.2 侵入性BMI与基于EEG的BMI相比，侵入性BMI通过将一个或多个微电极阵列植入大脑皮层来记录单个神经元或小神经元集合的活动。在1980年代初，有人首次提出，在-医疗仪器-回顾研究299www.engineering.org.cn第1卷·第3期·2015年9月工程初级运动皮层中的单个神经元用运动信息编码。小的神经元集合体很快被证明对这些信号更敏锐，并导致了用于预测运动方向的“群体矢量”理论[87]。通过这种方法，可以从具有高自由度的多个神经元中准确地检测单个身体部位。使用这种思想，自21世纪初以来，侵入性系统已经证明了仅使用神经元信号对计算机光标的连续控制[88，89]。这样的系统很快被转化为灵长类动物模型中的机械臂[90，91]。探测神经元回路的能力提供了与不同身体部位的特定运动学运动相关的详细传出模式，使得可以以仿生方式控制输出设备。这种解码器最初是在灵长类动物中构建的，基于在重复执行各种任务期间收集的信号。在这些情况下，在正在执行的任务和不同细胞的放电率之间建立了一个强大的映射，并且可以用来解码连续的大脑活动。然而，用于在开环阶段初始构建解码器的神经元模式甚至可能在会话到会话的基础上发生变化，并且可能导致性能下降并需要重新训练[89，90]。虽然结果尚未得出结论，但自适应解码器可能能够以闭环方式适应这些变化，以便在长时间内维持BMI控制的性能[92]。一些团体声称，通过改变固定参数以降低性能，可以在参考文献[93]记录的单元中驱动成功的自适应，而不是调整解码器，仅在不久之后看到性能恢复。这些病例特别有趣，因为它们可能为研究运动皮层内细胞的神经可塑性或其他编码机制提供新的机会。正如在许多情况下发生的那样，当脑电极界面随时间推移而退化并且神经元尖峰不再可检测时，局部场电位（LFP）被用作替代信息源。虽然运动运动具有不同的编码属性的单一单位和LFP，达到- ING和抓取运动学可以成功地解码的情况下，尖峰活动。使用这些LFP信号的成功BMI已经在灵长类动物中证明了稳定的仿生控制[94]。还报告了尖峰和LFP的混合使用，以延长侵入性BMI使用的寿命;由于尖峰活动的可用性随时间推移而减少，LFP信号可以逐渐取代丢失的信号，以保持平稳过渡[95]。尽管信号质量降低，但LFP保留了信号的空间特异性，从而为成功的仿生BMI控制保留了可用信息。基于ECoG信号的侵入性BMI也应该注意，尽管它们比基于皮质内信号的侵入性BMI更不常见。基于ECoG的BMI利用从放置在大脑表面上的硬膜下电极阵列记录的LFP。与皮质内阵列相比，这些电极提供了更大的空间采样，同时牺牲了空间特异性。ECoG首次应用于BMI技术，2000年代中期，人类癫痫患者接受临时癫痫发作监测[96]，并成功实现了一维光标控制。ECoG阵列绕过颅骨，避免了EEG所面临的许多体积传导问题，并且通常从大的传感器激励器区域收集信号。因此，这些系统能够检测单个手指活动以及手臂的运动信息，并成功控制假肢装置[97]。此外，基于ECoG的BMI可以通过构建具有传感器和视频功能的混合系统来增强BMI，从而使其更具功能性和用户友好性[98]。尽管ECoG阵列目前仅暂时植入参与患者，但正在努力延长使用[99]。3.2 BMI的研究现状和趋势3.2.1 临床转化在非侵入性领域，P300 BMI范例显示了患者人群使用的最大前景。P300拼写器的应用集中在ALS患者身上，并表明在患者和健康人群中可以实现类似的性能[100]。然而，疾病进展会严重影响P300的性能，系统通常需要针对个别患者进行定制。对于一些患者来说，ALS已经发展到视觉能力衰退的状态。在这种情况下，已经实施了基于听觉[101]或触觉[102]刺激模式的替代系统来保持成功的沟通。最近，使用SMR的BMI在皮质卒中康复患者的康复中也得到了普及。这些研究中的许多研究通过机器人末端执行器[103，104]结合了感官反馈，以帮助恢复过程。这些设备通常通过被动操作来物理引导患者的手，以响应执行MI，从而加强想象运动任务和执行运动任务之间的关联。其他策略涉及使用虚拟现实的类似过程，将想象的手运动图像投影到屏幕上，以获得逼真的神经反馈[105]。与对照组相比，这种BMI训练导致了显著的功能性运动恢复，并代表了非常有希望的临床应用途径。一些研究已经证明了侵入性BMI的成功在患有各种形式脊髓损伤的人类患者人群中[106，107]。尽管病例有限，但这些实验为瘫痪患者提供了在伸手抓握模式下生物仿生控制机械臂的能力[107，108]。具体来说，在Hochberg等人的研究中。[107]，一名四肢瘫痪的女性能够拿起一个水瓶，喝一口，然后把瓶子放回桌子上。这样的例子证明了BMI临床翻译的关键一步，以增加自主性虚弱的病人。其他涉及功能性电刺激（FES）技术的灵长类动物研究已使用MI信号通过刺激参与任务的相应肌肉来使瘫痪肢体恢复活力[109，110]。当最终转化为人类时，这些系统有可能完全取代受损的脊髓研究医疗仪器-评论300工程第1卷·第3期·2015年9www.engineering.org.cn运动解码脑控主动探测任务手控人工触觉编码并为患者提供一种使其能够过上更独立生活方式的技术[111]。3.2.2 体感反馈通过振动触觉刺激的感觉反馈[112] 是目前非侵入性BMI中视觉反馈的主要替代方案。这种方法背后的想法是释放视觉通路，以便参与对BMI控制有用的其他任务，例如空间导航和障碍物回避。这种触觉方法已被证明是通过关闭感觉运动反馈电路来替代视觉反馈的合适的方法，并且允许完成更现实的基于导航的任务。其他方法已经对本体感受反馈进行了实验[113]，结果令人鼓舞;然而，在非侵入性环境中将躯体感觉的任何一个方面与其他方面隔离仍然存在挑战。在20世纪90年代，灵长类动物初级感觉皮层的微刺激被证明可以引起触觉刺激的认知感觉反射，类似于在外周施加的机械刺激[114];然而，该技术直到最近才应用于BMI [115]。如图6所示，当灵长类动物控制BMI时，对灵长类动物的初级体感皮层进行微刺激可以提供触觉[115，116]。使用其躯体映射刺激初级躯体感觉皮层可以激发触觉的基本感知;然而，这只是为了模拟在环境相互作用期间发生的神经元活动所需的信息的一小部分。一般来说，人工诱导感官知觉需要刺激，以解决自然发生的不同感官特征在神经系统内弯曲。图6.双向BMI示意图[116]。运动意图是从初级运动皮层中收集的信号解码的。当受控设备与环境相互作用时，感觉线索被转换成脉冲串并用于刺激初级感觉皮层。在这种方法中，传出和传入信号都有助于BMI控制。 经许可，改编自参考文献[116]。3.3 挑战和未来方向非侵入性和侵入性BMI之间的巨大差异导致这些系统向独立和日常使用发展的独特挑战。非侵入性BMI的明显好处包括记录头皮信号的安全性以及这种技术对患者甚至普通人群的广泛适用性。同时，信号质量和可靠性问题代表了在非侵入性BMI中实现高维控制的挑战。然而，信号采集硬件和机器学习算法的进步可以进一步提高非侵入式系统的可用性。例如，电极设计的最新进展现在提供了使用表皮电极测量电信号的能力[117]。解决ESI问题还表明，在离线设置中对自然MI任务进行分类的性能得到了显着改善[31，32]。 此外，非侵入性BMI技术的商业化已经引起了允许干燥和无线记录的新设备的激增，这些设备可以实现越来越低的皮肤阻抗，同时允许用户在他们的环境中移动。非侵入性BMI的另一个挑战是缩短掌握BMI技能所需的培训，尽管有各种尝试寻找预测BMI表现的生物标志物[118]。创新的训练模式，如冥想和瑜伽练习[119]，已被证明可以帮助用户更好地控制BMI;然而，必须更好地理解作用机制，以制定最佳策略。其他以SMR和触觉刺激为特征的混合范例也试图解决文盲问题，并取得了可喜的成果[120]。一般来说，非侵入性BMI的进步必须朝着单一目标努力，即推动这些系统在普通人群中易于使用。侵入性BMI技术在向前发展时面临着自身的挑战，安全性是最重要的问题。头柱通常伴随植入的电极阵列，以便将布线从内部阵列引导到外部处理设备。该设备将大脑暴露于外部环境，并造成显著的感染风险，正如众所周知的BrainGate实验[107，121]所示，由于安全问题，必须将头柱从参与者身上移除基于无线遥测的设备