解码大脑信号以控制机械臂由 韩国科学技术高等研究院 (KAIST)实验范式。受试者被指示进行伸手可及的动作，以指定目标在三维空间中的位置。(a) 在四个伪随机位置之一向受试者 A 和 B 提供视觉提示作为真正的网球。(b) 为受试者 A 和 B 提供视觉提示，作为虚拟现实剪辑，显示一系列五个阶段的伸手可及的动作。图片来源：韩国科学技术高等研究院（KAIST）研究人员开发了一种读心系统，用于在手臂运动期间解码来自大脑的神经信号。该方法在《应用软计算》杂志中有所描述，人们可以使用该方法通过脑机接口 (BMI) 来控制机械臂。BMI 是一种将神经信号转换为命令以控制机器（例如计算机或机器人肢体）的设备。有两种主要技术可用于监测 BMI 中的神经信号：脑电图 (EEG) 和皮层电图 (ECoG)。

EEG 显示来自头皮表面电极的信号，并且由于它是非侵入性的、相对便宜、安全且易于使用而被广泛使用。然而，脑电图具有低空间分辨率并检测到不相关的神经信号，这使得难以从脑电图解释个人的意图。

另一方面，ECoG 是一种侵入性方法，涉及将电极直接放置在头皮下方的大脑皮层表面上。与 EEG 相比，ECoG 可以以更高的空间分辨率和更少的背景噪声监测神经信号。然而，这种技术有几个缺点。

“ECoG 主要用于寻找癫痫发作的潜在来源，这意味着电极被放置在不同患者的不同位置，可能不在大脑中检测感觉和运动信号的最佳区域，”Jaeseung Jeong 教授解释说， KAIST 的脑科学家。“这种不一致使得解码大脑信号以预测运动变得困难。”

为了克服这些问题，Jeong 教授的团队开发了一种在手臂运动过程中解码 ECoG 神经信号的新方法。该系统基于用于分析和预测神经信号的机器学习系统（称为“回声状态网络”）和称为高斯分布的数学概率模型。

在这项研究中，研究人员记录了四名癫痫患者在执行伸手可及的任务时的心电图信号。由于 ECoG 电极是根据每位患者癫痫发作的潜在来源放置的，因此只有 22% 到 44% 的电极位于负责控制运动的大脑区域。

在运动任务中，参与者被给予视觉提示，或者通过在他们面前放置一个真实的网球，或者通过虚拟现实耳机以第一人称视角显示人类手臂向前伸的片段。他们被要求向前伸手，抓住一个物体，然后把手收回并释放物体，同时在手腕和手指上佩戴运动传感器。在第二项任务中，他们被要求想象在不移动手臂的情况下向前伸手。

研究人员在真实和想象的手臂运动期间监测来自 ECoG 电极的信号，并测试新系统是否可以根据神经信号预测这种运动的方向。他们发现，新的解码器成功地在 3D 空间中对 24 个方向的手臂运动进行了分类，无论是在真实任务中还是在虚拟任务中，结果的准确度至少是偶然性的五倍。他们还使用计算机模拟来证明新型 ECoG 解码器可以控制机械臂的运动。

总体而言，结果表明新的基于机器学习的 BCI 系统成功地使用 ECoG 信号来解释预期运动的方向。下一步将是提高解码器的准确性和效率。将来，它可以用于实时 BMI 设备，以帮助有运动或感觉障碍的人。