实验范式。受试者被指示进行伸手抓握运动，以指定目标在三维空间中的位置。(A)受试者A和B在四个伪随机化位置中的一个位置被提供作为真实网球的视觉提示。(B)向受试者A和B提供了虚拟现实剪辑形式的视觉提示，显示了伸手抓握运动的五个阶段。鸣谢:韩国高等科学技术研究所(KAIST)的研究人员开发了一种读心术系统，用于解码手臂运动时大脑发出的神经信号。《应用软件计算》杂志上描述的这种方法，可以由人通过脑机接口(身体质量指数)来控制机器人手臂。身体质量指数是一种将神经信号翻译成命令来控制机器(如计算机或机器人肢体)的设备。在BMI中有两种主要的神经信号监测技术:脑电图(EEG)和皮层脑电图(ECoG)。
EEG显示来自头皮表面的电极的信号，并且由于它是非侵入性的、相对便宜的、安全的并且易于使用而被广泛使用。然而，EEG具有低空间分辨率，并且检测不相关的神经信号，这使得很难从EEG中解释个体的意图。
另一方面，ECoG是一种侵入性方法，包括将电极直接放置在头皮下的大脑皮层表面。与脑电图相比，ECoG能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。
KAIST的大脑科学家Jaeseung Jeong教授解释说:“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病人的不同位置，可能不在大脑中检测感觉和运动信号的最佳区域。”"这种不一致性使得解码大脑信号来预测运动变得困难."
为了克服这些问题，Jeong教授的团队开发了一种新的方法来解码手臂运动期间的ECoG神经信号。该系统基于一种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”和一种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抓握任务时的ECoG信号。因为ECoG电极是根据每个患者癫痫发作的潜在来源放置的，所以只有22%到44%的电极位于大脑中负责控制运动的区域。
在运动任务中，参与者被给予视觉线索，要么在他们面前放置一个真实的网球，要么通过虚拟现实耳机以第一人称视角显示人类手臂向前伸出的片段。他们被要求向前伸出手，抓住一个物体，然后收回手，松开物体，同时在手腕和手指上戴上运动传感器。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从神经信号中预测这种运动的方向。他们发现，这种新型解码器成功地对真实和虚拟任务中三维空间中24个方向的手臂运动进行了分类，其结果比随机结果至少准确5倍。他们还使用计算机模拟显示，这种新型ECoG解码器可以控制机械臂的运动。
总的来说，结果表明，新的基于机器学习的BCI系统成功地使用了ECoG信号来解释预期运动的方向。下一步将是提高解码器的精度和效率。在未来，它可以用于实时身体质量指数设备，以帮助有运动或感觉障碍的人。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
