深度学习解码脑活动，帮助瘫痪的肢体恢复功能性运动

本周《自然-医学》在线发表的一篇论文Meeting brain–computer interface user performance expectations using a deep neural network decoding framework报道了一种可以分析四肢瘫痪患者大脑活动的深度学习算法。该算法已被用于向患者的前臂肌肉传递电刺激，从而恢复先前瘫痪的肢体的功能性运动。

实验设置、数据处理步骤和神经网络架构。

Schwemmer et al.

慢性瘫痪患者的生活质量可以通过脑机接口加以改善。脑机接口可以将控制运动的中枢神经系统回路和辅助设备（例如计算机光标或机器人设备）连接起来。近来，脑机接口已被用于绕过脊髓损伤，通过直接的肌肉刺激来恢复瘫痪肢体的功能。虽然这种方法前景可观，但是要实际应用仍面临一定障碍，比如需要准确快速的响应，能够提供多种功能以及根据需要进行有效的日常重新校准。

美国巴特尔纪念研究所的Michael Schwemmer及其同事用两年的时间收集了四肢瘫痪患者执行“想象的”手臂和手部运动时的皮质脑活动记录。他们向患者运动皮层植入微电极阵列，通过侵入式方式长期收集患者大脑活动信息。这些微电极以高时空分辨率直接采样神经元活动。根据这个大型数据集，他们使用深度学习方法开发了一种脑机接口解码器，它可以准确、快速而持久地运行，并且会学习新功能——基本不需要再训练。作者表明，解码器可用于控制电刺激设备，实时恢复患者瘫痪的前臂活动。

功能性电刺激的实时控制。

Schwemmer et al.

作者指出，虽然示例患者可以使用解码器来抓取和操纵物体，但是这种方法是否适用于其他患者，是否支持更长久的实际应用，还有待进一步的验证。他们总结表示，未来的研究应该调查是否可以通过实际应用中产生的训练数据而非在受控的实验室条件下获得的训练数据生成类似功能的解码器。ⓝ

nm|doi:10.1038/s41591-018-0171-y

点击“阅读原文”阅读论文

Meeting brain–computer interface user performance expectations using a deep neural network decoding framework

相关文章