文献速递 | 14 名 BrainGate 临床试验参与者的皮层内微电极阵列的长期表现

文献速递

14 名 BrainGate 临床试验参与者的
皮层内微电极阵列的长期表现

作者：Nick V. Hahn, Elias Stein, BrainGate Consortium, John P. Donoghue, John D. Simeral, Leigh R. Hochberg, Francis R. Willett

摘要

脑机接口（BCI）已使瘫痪患者能够控制计算机光标、操作假肢，并通过手写、语音和打字进行交流。大多数高性能演示都使用硅微电极“犹他”阵列以单神经元分辨率记录大脑活动。然而，迄今为止的报告通常仅限于一两个人，缺乏对长期植入的犹他阵列的寿命、解码精度和日常稳定性特性的系统评估。在此，我们对BrainGate和BrainGate2试点临床试验中20年的神经数据进行了全面评估。该数据集涵盖了这些试验中前14名参与者的2319次记录会话和20个阵列。平均而言，阵列在35.6%的电极上成功记录了神经尖峰波形，在研究入组期间（最长7.6年，平均2.8年）仅下降了7%。我们使用“解码信噪比”（dSNR）指标评估了运动意图解码性能，发现14个阵列中有11个在整个研究入组期间提供了有意义的运动解码（dSNR > 1）。三个阵列的峰值dSNR超过4.5，接近健全人使用计算机鼠标控制时达到的水平（6.29）。我们还发现dSNR随电极数量呈对数增长，为扩展性能提供了途径。本研究中犹他阵列记录的寿命和可靠性优于之前的非人灵长类动物研究。然而，要持续实现峰值性能，需要解决未知的变异来源。

引言

脑机接口已成为恢复瘫痪患者运动和沟通能力的一种有前景的方法。成功的演示包括点按光标控制、机器人控制、功能性电刺激、打字以及语音。迄今为止，许多性能最高的演示都使用硅微电极阵列（“犹他”阵列）以单神经元分辨率记录大脑活动，提供了关于用户运动意图的丰富信息。然而，几乎所有关于人类的报告都仅限于一两名参与者的案例研究，包括那些专注于总结阵列记录性能随时间变化的报告。关于解码准确性在个体间如何变化、神经记录能持续多少年以及记录在跨天稳定性如何等关键问题仍然存在。需要回答这些问题才能将孤立的演示置于背景中理解，并了解它们是否代表了典型的信号质量。对犹他阵列更全面的评估也可以设定一个基准来衡量改进，为未来记录设备的设计提供信息。

在此，我们对2004年至2019年间参加BrainGate和BrainGate2试点临床试验的前14名参与者中犹他阵列的神经记录和运动解码性能进行了事后分析（构成了本分析开始时所有可用的参与者，不包括2021年至2025年间入组的近期参与者）。这14名参与者的积极安全性结果最近在一项中期研究中报道过（Rubin et al. 2023）。与之前在非人灵长类动物中的评估类似，我们在此评估了随时间推移成功记录神经尖峰波形的电极百分比（阵列“产出率”）。此外，由于大多数阵列被放置在相同的大脑区域（运动皮层的手结区），并且所有参与者都定期参与启用BCI的光标控制任务，我们能够比较9名可获得高带宽（30kHz）神经数据的参与者的神经解码质量。我们评估了神经调谐随时间变化的稳定性、光标解码精度与健全志愿者使用鼠标运动的精度比较，以及解码精度如何随电极数量扩展（这对于理解更高通道数的设备如何改进解码非常重要）。这些功能测量比阵列产出率更直接与BCI应用相关，特别是因为即使低振幅的背景活动未能产生清晰的尖峰波形，它对神经解码也可能非常有用。

结果

在2004年至2019年间，14名参与者参加了BrainGate和BrainGate2试点临床试验；每名参与者在其皮层中置入了一个或两个96通道镀铂犹他微电极阵列。总共20个阵列中的19个被放置在运动皮层的手部区域（图1A, B），一个阵列被放置在参与者T10的额中回。BrainGate和BrainGate2临床试验旨在评估植入微电极阵列的安全性，并发现关于皮层内BCI有效设计的基本见解。在整个试验过程中，测试新的神经解码架构和任务设计很常见，因此无法对所有收集的数据类型进行总结。

为了总结跨越15年和14名参与者的发现，我们在此策划了两种类型的数据集：(1) 一个“产出率数据集”，包含每次研究会话中至少5分钟时长的单次神经记录，用于估计阵列产出率（图1D）；(2) 一个“解码数据集”，包含所有使用BCI将计算机光标移向明确定义目标的神经记录（图1E），用于估计神经解码精度、神经调谐稳定性和电极数量扩展特性。该数据集包含的天数和参与者数量更有限，因为并非每次实验会话都包含BCI光标控制，并且对于前5名参与者（S1, S2, A1, S3, T1），在光标控制期间要么未记录高带宽神经数据（S1, S2, A1），要么在植入后第一年未记录（S3），要么无法与光标任务数据持续对齐（T1）。请注意，之前的出版物已展示在S1和S2（Hochberg et al. 2006）、S3（Kim et al. 2008; Simeral et al. 2011; Jarosiewicz et al. 2013; Bacher et al. 2015; Jarosiewicz et al. 2015）、A1（Kim et al. 2008）和T1（Jarosiewicz et al. 2013）中成功演示神经光标控制。

图1 | 用于评估记录和解码性能的数据集。
(A) 作为BrainGate和BrainGate2临床试验的一部分，在14名参与者的皮层中置入了一个或两个96通道皮层内微电极阵列。20个阵列中的19个被放置在优势中央前回的手结区
(B)，一个被放置在参与者T10的额中回。
(C) 示例尖峰波形。对于本研究，30 kHz记录被降采样至15 kHz，使用250-5000 Hz通带的带通滤波器进行滤波，采用线性回归参考（LRR）重新参考，并对每个通道的电压信号使用-4.5倍鲁棒标准差作为阈值。
(D) 为了评估解码性能，我们回顾性分析了参与者被要求尝试将计算机光标移向预定目标的会话。想象方式在会话间和参与者间有所不同。任务包括Fitts、Radial-8、网格任务及其变体。为了评估阵列记录产出率，使用了所有类型会话的数据（包括未发生光标控制的会话）。
(E) Radial-8任务的光标轨迹示例。
(F) 记录持续时间和分析会话概览。总阵列植入天数范围从296天到2780天，平均为1063天。排除存在过度电噪声的会话后，分析了2,319次记录会话和634次解码会话。T10的额中回阵列仅用于记录评估，因为它位于不同的大脑区域，其神经调谐特性与手结区不可比。需要以统一方式回顾性评估解码性能的高带宽神经数据（每秒30千样本）对于参与者S1、S2、S3、A1和T1并非持续可用，因此这些参与者未包含在解码分析中。

1. 神经尖峰活动持续多年且平均下降幅度小

我们首先调查了能够检测尖峰活动的电极数量（“产出率”）随时间的变化，共观察了2,319次记录会话。尖峰活动定义为在使用-4.5倍电压信号鲁棒标准差的阈值时，每秒至少检测到2个尖峰事件（见方法）。我们在14名不同参与者的20个阵列中观察到显著的变异性（图2A），一些阵列在第一年内产出率急剧下降（S2、S3和T2）或持续低产出率（T3），一些阵列随时间推移而增加（T7、T8），许多阵列保持相对稳定或随时间逐渐下降（例如，T5、T6、T10、T11）。第一年的产出率轨迹并不总能预测更长时间的产出率（例如，T7的内侧阵列在第一年后产出率增加）。使用局部加权散点图平滑（LOWESS）（Cleveland 1979）估计产出率曲线。虽然S2和T2产出率突然下降的原因未知，但S3的下降与在研究会话之外发生的基座机械创伤同时发生，并可能由其触发。T3的阵列持续产出率非常低，据信是在手术中无意中将线束置于张力下，这可能导致记录尖端主要位于皮层表面（epicortical）而非皮层内（intracortical）。

在所有天数、参与者和阵列上平均，平均阵列产出率（记录尖峰活动的电极百分比）为35.6%。阵列在记录的前3个月与最后3个月之间，产出率仅经历了适度的平均7%的下降（图2B；前3个月41%产出率，最后3个月34%产出率）。然而，不同阵列间的产出率存在很大变异性（标准差：20.5%）。少数参与者的少数阵列对这种变异性贡献很大，包括产出率在第一年急剧下降的三个阵列（S2、S3和T2；图2C）。总体而言，与之前在非人灵长类动物中的工作相比，结果更有利，超过50%的阵列在前三年保持了至少20%的产出率（图2D；与Sponheim等人2021年相比，当时只有不到15%的阵列保持了20%的产出率）。这证明了在人类中使用平面微电极阵列长期可靠检测神经尖峰波形的潜力。

图2 | 神经尖峰活动记录性能的长期趋势。
(A) 二十个96通道微电极阵列在记录持续时间内的阵列产出率。每个点代表一次5分钟或更长时间的单次神经记录（每次会话一次记录）中检测到尖峰活动的电极数量。使用-4.5倍鲁棒标准差阈值时，检测到阈值穿越率大于2 Hz的电极被定义为尖峰电极（见方法）。LOWESS曲线以黑色显示。对于拥有两个阵列的参与者，颜色较浅的数据点代表更靠内侧的阵列。植入日期标注在每个参与者面板上方。参与者S2的阵列在经皮基座修复后（第190天，在每处键合点涂覆导电环氧树脂以恢复连接）产出率急剧上升。数月后，阵列产出率再次急剧下降（第323天），未知是由于先前修复失败还是无关事件。参与者S3在第181天晚上意外地使基座与床头板发生强力接触，导致产出率下降，之后缓慢部分恢复。
(B) 产出率的总体变化量（Delta）。变化量的计算方法是取植入后最后3个月记录会话中尖峰电极数量的平均值，减去记录前3个月记录的尖峰电极数量的平均值。
(C) 植入后长达六年半的6个月产出率变化量。每个点代表6个月时间段内尖峰电极数量的平均值减去前6个月时间段内尖峰电极数量的平均值。红线描绘了变化量的平均值。离群点已标注，参与者T2、S2和S3均经历了急剧下降。
(D) 在记录的前3年内超过特定产出率的阵列比例。如果在某个时间段内未从某个阵列记录数据，则该阵列不计入该时间段的计算。

我们还检查了电极阻抗，发现它在植入后急剧上升，随后持续逐渐下降（补充图1），这与之前的报告一致（Barrese et al. 2013; Barrese, Aceros, and Donoghue 2016）。尖峰波形振幅和背景噪声振幅也随时间推移而下降（补充图2A-B），较小的波形振幅与较低的阻抗值相关（补充图2C）。由于尖峰波形和背景噪声振幅以相似的速度下降，波形信噪比随时间推移保持相对恒定（补充图2D）。这种信号振幅和阻抗的总体下降可能是由于绝缘层退化（Barrese et al. 2013; Barrese, Aceros, and Donoghue 2016），特别是在平面阵列边缘，随着时间的推移有时会观察到阻抗逐渐降低（例如，T2、T3、T5、T6；补充图3）。然而，这些变化似乎并未影响尖峰信号的检测或解码性能（见下一节）。

2. 大多数阵列中运动意图可以多年可靠地解码

接下来，我们检查了从皮层内记录中可靠解码光标运动意图的程度、解码在不同阵列间的变化，以及它与健全人使用计算机鼠标进行光标控制的准确性相比如何。共分析了14个阵列和9名参与者的634次会话，以评估闭环光标控制任务期间的运动意图解码（图1F）。

为了评估阵列记录的神经信号中包含的预期运动信息量，我们量化了离线线性解码器将神经活动转化为“运动意图”单位向量（从光标指向目标）的能力，使用的是每次运动开始时一个短时间窗口内的神经特征。每次试验的解码器输出可视化为二维空间中的一个点，并根据真实方向着色；解码器越准确，点越应形成一个紧密的环，其颜色形成有序的梯度（图3A）。准确的解码器输出代表运动意图向量，能更准确地指向目标并具有一致的幅度，因此可以实现更高质量的光标控制，因为光标控制算法通常使用神经特征与光标速度之间的线性映射（Kim et al. 2008; Gilja et al. 2012; Willett et al. 2017, Pandarinath, et al. 2017）。

为了量化离线解码器输出的质量，解码信噪比（dSNR）指标（Willett, Murphy, et al. 2017）将每个解码器输出向量分解为一个信号向量和一个噪声向量（图3A），并取其幅度的比值（见方法）。dSNR与数据收集期间实时使用的特定任务参数、解码架构和信号处理无关，因此能够在多样化的数据集之间进行有意义的事后比较，而仅靠任务性能指标通常无法实现这种比较。它也可用于量化目标导向的健全人鼠标运动（图3B），从而将神经dSNR值置于上下文中。为了计算健全人鼠标运动的dSNR，我们使用初始“弹道式”中心向外光标运动后计算机光标的终点来定义“解码器输出”向量。

图3 | 运动解码信噪比的回顾性跨时间评估。
(A) 解码信噪比（dSNR）及dSNR图示例。dSNR是一种基于向量的运动意图解码指标，量化了在目标导向光标控制任务中从给定阵列的所有电极解码运动意图的能力。为了估计dSNR，回顾性计算的300毫秒窗口内的线性解码器输出被分解为指向目标的信号分量和噪声分量，以计算解码信噪比。dSNR图中的每个点代表一次试验，按目标位置着色编码。对于所有可获得高带宽神经记录进行分析的参与者，尖峰频带功率神经特征均以统一方式回顾性计算。然后以统一方式训练线性解码器来解码这些神经特征，确保结果独立于数据收集时使用的任何算法。
(B) 健全人使用计算机鼠标进行光标控制的示例SNR图。用于计算dSNR的初始朝向目标的推动产生的光标轨迹
(C) 解码SNR随时间变化。每个点代表一次会话的dSNR值。每个阵列的LOWESS曲线以黑色显示。
(D) dSNR的总体变化量（Delta）。变化量的计算方法是取植入后最后3个月记录会话中平均dSNR值，减去前3个月记录的平均dSNR值。
(E) 解码SNR分布。阵列按植入顺序显示。虚线表示9名健全参与者使用计算机鼠标的平均解码SNR。
(F) 解码SNR与阵列产出率相关（r = 0.52, p = 2e-68）。当排除具有低阵列产出率但尖峰频带功率特征中信息含量高的T6阵列时，这种关系更为显著（r = 0.70, p = 9e-133）。

不同参与者和阵列间的dSNR存在很大变异性（图3C），尽管平均而言dSNR在记录期间（范围从1.2年到7.6年）增加了0.34（图3D）。大多数阵列保持dSNR值大于1，表明其持续具有解码有意义运动意图信号的能力。少数阵列在植入后第一年末具有较低的dSNR，并且在研究参与过程中未能恢复dSNR（T2、T3、T11外侧）。高性能阵列接近健全人的dSNR值（图3E；T5外侧、T5内侧、T11内侧），但典型阵列产生的dSNR约为健全人计算机鼠标运动的三分之一（平均计算机鼠标dSNR=6.29）。

dSNR与阵列产出率相关（皮尔逊r：0.52，p：2.10e-68；图3F），但阵列产出率并不能完全解释解码性能的巨大变异性，部分原因是“尖峰频带功率”特征中包含的信息（例如参与者T6）。上述结果使用尖峰频带功率特征来解码运动意图，因为尖峰频带功率（包含在250-5000 Hz频带内的功率）可以捕获可能被阈值穿越特征遗漏的低振幅尖峰信号。我们评估了dSNR如何随用于解码的神经特征而变化，发现与阈值穿越率相比，尖峰频带功率平均带来更高的性能，即使在较低阈值下也是如此（补充图5）。总体而言，这些结果表明，有意义解码性能的长期持续是典型的，即使在低阵列产出率下也可能发生，尽管绝对的dSNR水平在不同参与者和阵列间可能存在很大差异。

3. 运动意图神经表征在短时间尺度上保持稳定

接下来，我们研究了记录到的神经活动中运动意图表征的日常变化。通过使用线性编码模型描述尖峰频带功率特征如何调谐到从光标指向目标的运动意图向量来分析神经调谐稳定性。拟合后，通过关联在不同天拟合的模型系数之间的相关性来评估模型系数的相似性（见方法）。仅分析了来自解码数据集且运动意图能被可靠解码（dSNR >1）的阵列（排除了3个阵列），共产生593次记录会话和来自7名参与者的11个阵列。

图4 | 跨天神经对运动意图调谐的稳定性。
(A) 调谐稳定性热图。使用线性编码模型将神经活动描述为光标控制任务期间描述用户运动意图的指向目标向量的函数。每个会话对模型系数的皮尔逊相关性显示在相应的(i,j)条目中。蓝色块表示高稳定性的时间段。
(B) 调谐稳定性作为天数间隔的函数。调谐在一个月的时间尺度上保持稳定（11个阵列中的8个，r>0.6），这使得先前天校准的解码器可以在未来天使用，无需重新校准。线条颜色对应于(a)中的热图轮廓。

日常调谐相关性表现出多种模式（图4A），部分原因是不同天和/或任务中运动想象的潜在变化、不同的任务指令以及连续光标控制会话之间的可变间隔。尽管如此，许多阵列显示出明显的持久调谐稳定性机制。作为时间流逝函数的平均稳定性（图4B）在1个月的时间跨度内通常较高（11个阵列中的8个，r>0.6）。这令人鼓舞，因为短程稳定性使得先前天校准的解码器可以在未来天使用，无需中断用户进行重新校准（Card et al. 2024; Wilson et al. 2023; Fan et al. 2023; Hosman et al. 2023）。

4. 电极数量扩展为实现更高性能提供了途径

最后，我们研究了解码性能如何随电极数量扩展。我们通过从所有96个电极中随机子采样（每个电极数量n=500次重采样），计算了每个阵列和参与者在所有光标控制会话中的平均dSNR，作为电极数量的函数。我们发现dSNR随电极数量呈近似对数函数扩展，对于拥有双阵列的参与者最多可达192个电极，对于拥有单个阵列的参与者最多可达96个电极（图5）。仅评估了提供有意义运动意图解码（dSNR >1）的阵列。通过线性外推至1024个电极，一部分阵列（T5外侧、T5内侧、T6、T11内侧）展现出预测的dSNR达到或超过在9名健全志愿者中观察到的平均计算机鼠标dSNR的70%。这些结果支持了许多正在进行的更高通道数设备的努力（Musk and Neuralink 2019; Sahasrabuddhe et al. 2021; Hettick et al. 2022），尽管对于具有较低dSNR值的阵列（例如T8），似乎需要多几个数量级的电极才能达到健全人计算机鼠标的性能水平。

图5 | 解码SNR随电极数量呈对数扩展。
对于每个阵列，使用随机的电极子集评估解码SNR（dSNR），以研究dSNR如何随电极数量变化（对于每个电极数量，dSNR在500个随机子集上取平均）。对于每个单一阵列，电极数量范围从6到96。对于拥有双阵列的参与者，组合电极数量范围从6到192。外推数据用虚线表示，组合阵列用黑色表示。dSNR随电极数量呈对数扩展。在此，对于表现出更高单位电极性能的阵列（例如t5, t11），当电极数量外推至1024时，性能接近健全人水平。

讨论

我们分析了植入式脑机接口运行时间最长的临床试验中前十四名参与者体内放置的犹他微电极阵列的性能。总体而言，我们的研究结果表明，犹他阵列通常能持续记录神经尖峰波形多年，平均下降幅度很小，这与之前在非人灵长类动物中的一些报告相反（Barrese et al. 2013; Sponheim et al. 2021）。即使阵列产出率较低，由于尖峰频带功率特征中包含的信息，解码SNR仍然可以很高（例如参与者T6）（Nason et al. 2020），并且整合尖峰频带功率特征现已成为标准做法（Willett et al. 2023; Card et al. 2024; Gusman et al. 2025）。除两个阵列外，所有阵列都产生了功能性运动意图信号，并且几乎所有（14个中的11个）在整个研究参与期间都是如此。与之前的阵列相比，近十年来的阵列记录通常显示出更高的解码SNR（但参见T11外侧；图3E），这可能反映了随时间推移的工艺改进。许多阵列中的神经调谐稳定性也相当高（1个月时间跨度内的会话对相关性 > 0.6）。良好的调谐稳定性允许将先前天校准的解码器在新的一天使用，减少或消除了中断用户进行重新校准的需要（Jarosiewicz et al. 2015; Sussillo et al. 2016; Wilson et al. 2023; Fan et al. 2023; Hosman et al. 2023; Card et al. 2024）。

尽管总体结果良好，但一些阵列确实未能随时间推移持续产生有用的解码信号（评估解码的14个阵列中有3个；T2、T3、T11外侧；图3A），在第一年内经历了产出率的大幅下降（19个中的2个；S2、S3；图1A）或持续低产出率（19个中的4个；S1、T3、T6、T11外侧；图1A）。此外，解码质量存在显著变异性，这不能完全由产出率解释（图3F）。虽然一些表现最佳的阵列提供的运动意图信号能够实现与健全人计算机鼠标运动相当的方向性解码，但解码SNR的范围很广，并且向低性能阵列添加更多电极预计无法在约1000个电极范围内实现顶级性能。为确保持续的高解码SNR，可能需要发现驱动信号质量变异性的潜在因素，这些因素可能包括疾病状态、基础损伤、植入位置、植入技术、设备制造的变异性以及异物反应。

有研究表明，非常晚期的肌萎缩侧索硬化症（ALS）可能导致运动皮层信号丢失（Lawyer and Netsky 1953; Eisen and Weber 2001; Vansteensel et al. 2024）。本研究包括了六名当时患有ALS的参与者（A1、T1、T3、T6、T7、T9），尽管没有人达到完全闭锁状态。对于这些参与者，阵列产出率在某些情况下相对较高（A1、T1、T7、T9），在其他情况下较低（T3、T6），与他们剩余的移动、说话或用眼睛交流的能力没有明显关系。无法评估A1和T1的解码SNR（缺乏存储的高带宽记录）；T3的dSNR较差（产出率低），但在参与者T6、T7和T9中似乎没有随时间下降。尽管这些dSNR和阵列产出率测量值有些波动，但它们似乎与更广泛的研究群体一致。

植入位置也可能影响解码SNR，如果运动皮层手部区域包含方向性光标运动的调谐“热点”。如果是这样，更精确的术前神经影像学或更广泛地覆盖运动皮层的相关区域可能会提高解码SNR。此外，可变的异物反应可能是一个因素，因为已知硅微电极阵列在动物模型中会引起组织破坏（Nolta et al. 2015），并且即使神经元得以保留，神经连接性也可能下降（Gregory et al. 2023; Chen et al. 2024）。手术技术也可能通过最小化组织破坏和异物反应来影响阵列性能。

最后，重要的是要注意，本研究中包含的阵列跨越了15年不同的制造工艺，这将导致我们观察到的一些变异性。此外，早期试验参与者植入的阵列使用长度为1.0 mm的电极（S1、S2、A1、T1、T3、T6），而后期电极长度为1.5 mm（S3、T2、T5、T7至T11）；结合个体皮层厚度的差异，预计这将在记录哪些皮层层方面引入变异性。

数十年来人类皮层内BCI研究收集的数据证明了皮层内BCI作为一种可行辅助技术的日益增长的潜力，目前许多商业努力正在进行中，以开发具有更高耐用性和更多电极的新型记录设备（Musk and Neuralink 2019; Sahasrabuddhe et al. 2021; Hettick et al. 2022）。随着这些新的记录技术变得可用，朝着更高性能BCI系统的进展将需要标准化的基准来比较设备。对于光标控制应用，已经应用了各种性能指标，包括Fitts比特率、实现比特率、打字速率、目标获取时间和路径长度（Hochberg et al. 2006; Simeral et al. 2011; Gilja et al. 2015; Jarosiewicz et al. 2015; Nuyujukian et al. 2015; Pandarinath et al. 2017; Brandman et al. 2018）。然而，这些指标对任务参数（例如，目标保持时间或点击解码延迟）和解码算法敏感，这些参数在不同研究间差异很大，并且很少为最佳比较性能进行调整。在此，我们使用了一种解码SNR指标，该指标量化了神经群体中存在的线性运动方向信息量，独立于解码算法和任务参数，使得在10年不断发展的研究会话设计中能够进行有意义的比较。该指标可用于比较旨在实现BCI光标控制的设备，并且该指标的变体可能能够实现跨其他领域（例如语音）的比较，作为临床结果评估的有益补充，后者衡量特定设备和神经解码方法在恢复有用功能方面的综合效能。

参考文献

1.Ajiboye, A. Bolu, Francis R. Willett, Daniel R. Young, William D. Memberg, Brian A. Murphy, Jonathan P. Miller, Benjamin L. Walter, et al. 2017. “Restoration of Reaching and Grasping Movements through Brain-Controlled Muscle Stimulation in a Person with Tetraplegia: A Proof-of-Concept Demonstration.” Lancet 389 (10081): 1821–30.

2.Bacher, Daniel, Beata Jarosiewicz, Nicolas Y. Masse, Sergey D. Stavisky, John D. Simeral, Katherine Newell, Erin M. Oakley, Sydney S. Cash, Gerhard Friehs, and Leigh R. Hochberg. 2015. “Neural Point-and-Click Communication by a Person with Incomplete Locked-in Syndrome.” Neurorehabilitation and Neural Repair 29 (5): 462–71.

3.Barrese, James C., Juan Aceros, and John P. Donoghue. 2016. “Scanning Electron Microscopy of Chronically Implanted Intracortical Microelectrode Arrays in Non-Human Primates.” Journal of Neural Engineering 13 (2): 026003.

4.Barrese, James C., Naveen Rao, Kaivon Paroo, Corey Triebwasser, Carlos Vargas-Irwin, Lachlan Franquemont, and John P. Donoghue. 2013. “Failure Mode Analysis of Silicon-Based Intracortical Microelectrode Arrays in Non-Human Primates.” Journal of Neural Engineering 10 (6): 066014.

5.Benabid, Alim Louis, Thomas Costecalde, Andrey Eliseyev, Guillaume Charvet, Alexandre Verney, Serpil Karakas, Michael Foerster, et al. 2019. “An Exoskeleton Controlled by an Epidural Wireless Brain-Machine Interface in a Tetraplegic Patient: A Proof-of-Concept Demonstration.” Lancet Neurology 18 (12): 1112–22.

6.Brandman, David M., Tommy Hosman, Jad Saab, Michael C. Burkhart, Benjamin E. Shanahan, John G. Ciancibello, Anish A. Sarma, et al. 2018. “Rapid Calibration of an Intracortical Brain-Computer Interface for People with Tetraplegia.” Journal of Neural Engineering 15 (2): 026007.

7.Card, Nicholas S., Maitreyee Wairagkar, Carrina Iacobacci, Xianda Hou, Tyler Singer-Clark, Francis R. Willett, Erin M. Kunz, et al. 2024. “An Accurate and Rapidly Calibrating Speech Neuroprosthesis.” The New England Journal of Medicine 391 (7): 609–18.

8.Chen, Keying, Adam M. Forrest, Guillermo Gonzalez Burgos, and Takashi D. Y. Kozai. 2024. “Neuronal Functional Connectivity Is Impaired in a Layer Dependent Manner near Chronically Implanted Intracortical Microelectrodes in C57BL6 Wildtype Mice.” Journal of Neural Engineering 21 (3): 036033.

9.Chestek, Cynthia A., Vikash Gilja, Paul Nuyujukian, Justin D. Foster, Joline M. Fan, Matthew T. Kaufman, Mark M. Churchland, et al. 2011. “Long-Term Stability of Neural Prosthetic Control Signals from Silicon Cortical Arrays in Rhesus Macaque Motor Cortex.” _Journal of Neural Engineering_ 8 (4): 045005.

10.Christie, Breanne P., Derek M. Tat, Zachary T. Irwin, Vikash Gilja, Paul Nuyujukian, Justin D. Foster, Stephen I. Ryu, Krishna V. Shenoy, David E. Thompson, and Cynthia A. Chestek. 2015. “Comparison of Spike Sorting and Thresholding of Voltage Waveforms for Intracortical Brain-Machine Interface Performance.” _Journal of Neural Engineering_ 12 (1): 016009.

11.Cleveland, William S. 1979. “Robust Locally Weighted Regression and Smoothing Scatterplots.” _Journal of the American Statistical Association_ 74 (368): 829–36.

12.Colachis, Samuel C., 4th, Collin F. Dunlap, Nicholas V. Annetta, Sanjay M. Tamrakar, Marcia A. Bockbrader, and David A. Friedenberg. 2021. “Long-Term Intracortical Microelectrode Array Performance in a Human: A 5 Year Retrospective Analysis.” _Journal of Neural Engineering_ 18 (4): 046007.

13.Collinger, Jennifer L., Brian Wodlinger, John E. Downey, Wei Wang, Elizabeth C. Tyler-Kabara, Douglas J. Weber, Angus J. C. McMorland, Meel Velliste, Michael L. Boninger, and Andrew B. Schwartz. 2013. “High-Performance Neuroprosthetic Control by an Individual with Tetraplegia.” _Lancet_ 381 (9866): 557–64.

14.Downey, John E., Nathaniel Schwed, Steven M. Chase, Andrew B. Schwartz, and Jennifer L. Collinger. 2018. “Intracortical Recording Stability in Human Brain-Computer Interface Users.” _Journal of Neural Engineering_ 15 (4): 046016.

15.Eisen, A., and M. Weber. 2001. “The Motor Cortex and Amyotrophic Lateral Sclerosis.” _Muscle & Nerve_ 24 (4): 564–73.

16.Fan, Chaofei, Nick Hahn, Foram Kamdar, Donald Avansino, Guy H. Wilson, Leigh Hochberg, Krishna V. Shenoy, Jaimie M. Henderson, and Francis R. Willett. 2023. “Plug-and-Play Stability for Intracortical Brain-Computer Interfaces: A One-Year Demonstration of Seamless Brain-to-Text Communication.” _Advances in Neural Information Processing Systems_ 36 (December):42258–70.

17.Gilja, Vikash, Paul Nuyujukian, Cindy A. Chestek, John P. Cunningham, Byron M. Yu, Joline M. Fan, Mark M. Churchland, et al. 2012. “A High-Performance Neural Prosthesis Enabled by Control Algorithm Design.” _Nature Neuroscience_ 15 (12): 1752–57.

18.Gilja, Vikash, Chethan Pandarinath, Christine H. Blabe, Paul Nuyujukian, John D. Simeral, Anish A. Sarma, Brittany L. Sorice, et al. 2015. “Clinical Translation of a High-Performance Neural Prosthesis.” _Nature Medicine_ 21 (10): 1142–45.

19.Gregory, Bronson A., Cort H. Thompson, Joseph W. Salatino, Mia J. Railing, Ariana F. Zimmerman, Bhavna Gupta, Kathleen Williams, Joseph A. Beatty, Charles L. Cox, and Erin K. Purcell. 2023. “Structural and Functional Changes of Deep Layer Pyramidal Neurons Surrounding Microelectrode Arrays Implanted in Rat Motor Cortex.” _Acta Biomaterialia_ 168 (September):429–39.

20.Gusman, Jacob T., Tommy Hosman, Rekha Crawford, Tyler Singer-Clark, Anastasia Kapitonava, Jessica N. Kelemen, Nick Hahn, et al. 2025. “Multi-Gesture Drag-and-Drop Decoding in a 2D iBCI Control Task.” _Journal of Neural Engineering_ 22 (2). https://doi.org/10.1088/1741-2552/adb180.

21.Hettick, Mark, Elton Ho, Adam J. Poole, Manuel Monge, Demetrios Papageorgiou, Kazutaka Takahashi, Morgan LaMarca, et al. 2022. “The Layer 7 Cortical Interface: A Scalable and Minimally Invasive Brain–computer Interface Platform.” _bioRxiv_. https://doi.org/10.1101/2022.01.02.474656.

22.Hochberg, Leigh R., Daniel Bacher, Beata Jarosiewicz, Nicolas Y. Masse, John D. Simeral, Joern Vogel, Sami Haddadin, et al. 2012. “Reach and Grasp by People with Tetraplegia Using a Neurally Controlled Robotic Arm.” _Nature_ 485 (7398): 372–75.

23.Hochberg, Leigh R., Mijail D. Serruya, Gerhard M. Friehs, Jon A. Mukand, Maryam Saleh, Abraham H. Caplan, Almut Branner, David Chen, Richard D. Penn, and John P. Donoghue. 2006. “Neuronal Ensemble Control of Prosthetic Devices by a Human with Tetraplegia.” _Nature_ 442 (7099): 164–71.

24.Holland, Paul W., and Roy E. Welsch. 1977. “Robust Regression Using Iteratively Reweighted Least-Squares.” _Communications in Statistics: Theory and Methods_ 6 (9): 813–27.

25.Hosman, Thomas, Tsam Kiu Pun, Anastasia Kapitonava, John D. Simeral, and Leigh R. Hochberg. 2023. “Months-Long High-Performance Fixed LSTM Decoder for Cursor Control in Human Intracortical Brain-Computer Interfaces.” In _2023 11th International IEEE/EMBS Conference on Neural Engineering (NER)_, 1–5. IEEE.

26.Hughes, Christopher L., Sharlene N. Flesher, Jeffrey M. Weiss, John E. Downey, Michael Boninger, Jennifer L. Collinger, and Robert A. Gaunt. 2021. “Neural Stimulation and Recording Performance in Human Sensorimotor Cortex over 1500 Days.” _Journal of Neural Engineering_ 18 (4): 045012.

27.Jarosiewicz, Beata, Nicolas Y. Masse, Daniel Bacher, Sydney S. Cash, Emad Eskandar, Gerhard Friehs, John P. Donoghue, and Leigh R. Hochberg. 2013. “Advantages of Closed-Loop Calibration in Intracortical Brain-Computer Interfaces for People with Tetraplegia.” _Journal of Neural Engineering_ 10 (4): 046012.

28.Jarosiewicz, Beata, Anish A. Sarma, Daniel Bacher, Nicolas Y. Masse, John D. Simeral, Brittany Sorice, Erin M. Oakley, et al. 2015. “Virtual Typing by People with Tetraplegia Using a Self-Calibrating Intracortical Brain-Computer Interface.” _Science Translational Medicine_ 7 (313): 313ra179.

29.Jude, Justin J., Hadar Levi-Aharoni, Alexander J. Acosta, Shane B. Allcroft, Claire Nicolas, Bayardo E. Lacayo, Nicholas S. Card, et al. 2025. “An Intuitive, Bimanual, High-Throughput QWERTY Touch Typing Neuroprosthesis for People with Tetraplegia.” _medRxiv_. https://doi.org/10.1101/2025.04.01.25324990.

30.Kim, Sung-Phil, John D. Simeral, Leigh R. Hochberg, John P. Donoghue, and Michael J. Black. 2008. “Neural Control of Computer Cursor Velocity by Decoding Motor Cortical Spiking Activity in Humans with Tetraplegia.” _Journal of Neural Engineering_ 5 (4): 455–76.

31.Lawyer, T., Jr, and M. G. Netsky. 1953. “Amyotrophic Lateral Sclerosis.” _A.M.A. Archives of Neurology and Psychiatry_ 69 (2): 171–92.

32.Metzger, Sean L., Kaylo T. Littlejohn, Alexander B. Silva, David A. Moses, Margaret P. Seaton, Ran Wang, Maximilian E. Dougherty, et al. 2023. “A High-Performance Neuroprosthesis for Speech Decoding and Avatar Control.” _Nature_ 620 (7976): 1037–46.

33.Moses, David A., Sean L. Metzger, Jessie R. Liu, Gopala K. Anumanchipalli, Joseph G. Makin, Pengfei F. Sun, Josh Chartier, et al. 2021. “Neuroprosthesis for Decoding Speech in a Paralyzed Person with Anarthria.” _The New England Journal of Medicine_ 385 (3): 217–27.

34.Musial, P. G., S. N. Baker, G. L. Gerstein, E. A. King, and J. G. Keating. 2002. “Signal-to-Noise Ratio Improvement in Multiple Electrode Recording.” _Journal of Neuroscience Methods_ 115 (1): 29–43.

35.Musk, Elon, and Neuralink. 2019. “An Integrated Brain-Machine Interface Platform with Thousands of Channels.” _Journal of Medical Internet Research_ 21 (10): e16194.

36.Nason, Samuel R., Alex K. Vaskov, Matthew S. Wilsey, Elissa J. Welle, Hyochan An, Philip P. Vu, Autumn J. Bullard, et al. 2020. “A Low-Power Band of Neuronal Spiking Activity Dominated by Local Single Units Improves the Performance of Brain-Machine Interfaces.” _Nature Biomedical Engineering_ 4 (10): 973–83.

37.Nolta, Nicholas F., Michael B. Christensen, Paul D. Crane, John L. Skousen, and Patrick A. Tresco. 2015. “BBB Leakage, Astrophosis, and Tissue Loss Correlate with Silicon Microelectrode Array Recording Performance.” _Biomaterials_ 53 (March):753–62.

38.Nuyujukian, Paul, Joline M. Fan, Jonathan C. Kao, Stephen I. Ryu, and Krishna V. Shenoy. 2015. “A High-Performance Keyboard Neural Prosthesis Enabled by Task Optimization.” _IEEE Transactions on Bio-Medical Engineering_ 62 (1): 21–29.

39.Pandarinath, Chethan, Paul Nuyujukian, Christine H. Blabe, Brittany L. Sorice, Jad Saab, Francis R. Willett, Leigh R. Hochberg, Krishna V. Shenoy, and Jaimie M. Henderson. 2017. “High Performance Communication by People with Paralysis Using an Intracortical Brain-Computer Interface.” _eLife_ 6 (February):e18554.

40.Rubin, Daniel B., A. Bolu Ajiboye, Laurie Barefoot, Marguerite Bowker, Sydney S. Cash, David Chen, John P. Donoghue, et al. 2023. “Interim Safety Profile from the Feasibility Study of the BrainGate Neural Interface System.” _Neurology_ 100 (11): e1177–92.

41.Sahasrabuddhe, Kunal, Aamir A. Khan, Aditya P. Singh, Tyler M. Stern, Yeena Ng, Aleksandar Tadic, Peter Orel, et al. 2021. “The Argo: A High Channel Count Recording System for Neural Recording in Vivo.” _Journal of Neural Engineering_ 18 (1): 015002.

42.Shah, Nishal P., Matthew S. Wilsey, Nick Hahn, Foram Kamdar, Donald T. Avansino, Chaofei Fan, Leigh R. Hochberg, Francis R. Willett, and Jaimie M. Henderson. 2024. “A Flexible Intracortical Brain-Computer Interface for Typing Using Finger Movements.” _bioRxiv.org_. https://doi.org/10.1101/2024.04.22.590630.

43.Simeral, J. D., S-P Kim, M. J. Black, J. P. Donoghue, and L. R. Hochberg. 2011. “Neural Control of Cursor Trajectory and Click by a Human with Tetraplegia 1000 Days after Implant of an Intracortical Microelectrode Array.” _Journal of Neural Engineering_ 8 (2): 025027.

44.Sponheim, Caleb, Vasileios Papadourakis, Jennifer L. Collinger, John Downey, Jeffrey Weiss, Lida Pentousi, Kaisa Elliott, and Nicholas G. Hatsopoulos. 2021. “Longevity and Reliability of Chronic Unit Recordings Using the Utah, Intracortical Multi-Electrode Arrays.” _Journal of Neural Engineering_ 18 (6): 066044.

45.Stark, Eran, and Moshe Abeles. 2007. “Predicting Movement from Multiunit Activity.” _The Journal of Neuroscience: The Official Journal of the Society for Neuroscience_ 27 (31): 8387–94.

46.Suner, Selim, Matthew R. Fellows, Carlos Vargas-Inwin, Gordon Kenji Nakata, and John P. Donoghue. 2005. “Reliability of Signals from a Chronically Implanted, Silicon-Based Electrode Array in Non-Human Primate Primary Motor Cortex.” _IEEE Transactions on Neural Systems and Rehabilitation Engineering: A Publication of the IEEE Engineering in Medicine and Biology Society_ 13 (4): 524–41.

47.Sussillo, David, Sergey D. Stavisky, Jonathan C. Kao, Stephen I. Ryu, and Krishna V. Shenoy. 2016. “Making Brain-Machine Interfaces Robust to Future Neural Variability.” _Nature Communications_ 7 (1): 13749.

48.Vansteensel, Mariska J., Sacha Leinders, Mariana P. Branco, Nathan E. Crone, Timothy Denison, Zachary V. Freudenburg, Simon H. Geukes, et al. 2024. “Longevity of a Brain-Computer Interface for Amyotrophic Lateral Sclerosis.” _The New England Journal of Medicine_ 391 (7): 619–26.

49.Vansteensel, Mariska J., Elmar G. M. Pels, Martin G. Bleichner, Mariana P. Branco, Timothy Denison, Zachary V. Freudenburg, Peter Gosselaar, et al. 2016. “Fully Implanted Brain-Computer Interface in a Locked-in Patient with ALS.” _The New England Journal of Medicine_ 375 (21): 2060–66.

50.Wairagkar, Maitreyee, Nicholas S. Card, Tyler Singer-Clark, Xianda Hou, Carrina Iacobacci, Lee M. Miller, Leigh R. Hochberg, David M. Brandman, and Sergey D. Stavisky. 2025. “An Instantaneous Voice-Synthesis Neuroprosthesis.” _Nature_, June, 1–8.

51.Willett, Francis R., Donald T. Avansino, Leigh R. Hochberg, Jaimie M. Henderson, and Krishna V. Shenoy. 2021. “High-Performance Brain-to-Text Communication via Handwriting.” _Nature_ 593 (7858): 249–54.

52.Willett, Francis R., Erin M. Kunz, Chaofei Fan, Donald T. Avansino, Guy H. Wilson, Eun Young Choi, Foram Kamdar, et al. 2023. “A High-Performance Speech Neuroprosthesis.” _Nature_ 620 (7976): 1031–36.

53.Willett, Francis R., Brian A. Murphy, William D. Members, Christine H. Blabe, Chethan Pandarinath, Benjamin L. Walter, Jennifer A. Sweet, et al. 2017. “Signal-Independent Noise in Intracortical Brain-Computer Interfaces Causes Movement Time Properties Inconsistent with Fitts’ Law.” _Journal of Neural Engineering_ 14 (2): 026010.

54.Willett, Francis R., Chethan Pandarinath, Beata Jarosiewicz, Brian A. Murphy, William D. Members, Christine H. Blabe, Jad Saab, et al. 2017. “Feedback Control Policies Employed by People Using Intracortical Brain-Computer Interfaces.” _Journal of Neural Engineering_ 14 (1): 016001.

55.Willsey, Matthew S., Nishal P. Shah, Donald T. Avansino, Nick V. Hahn, Ryan M. Jamiolkowski, Foram B. Kamdar, Leigh R. Hochberg, Francis R. Willett, and Jaimie M. Henderson. 2025. “A High-Performance Brain-Computer Interface for Finger Decoding and Quadcopter Game Control in an Individual with Paralysis.” _Nature Medicine_ 31 (1): 96–104.

56.Wilson, Guy H., Francis R. Willett, Elias A. Stein, Foram Kamdar, Donald T. Avansino, Leigh R. Hochberg, Krishna V. Shenoy, Shaul Druckmann, and Jaimie M. Henderson. 2023. “Long-Term Unsupervised Recalibration of Cursor BCIs.” _bioRxiv.org: The Preprint Server for Biology_, February. https://doi.org/10.1101/2023.02.03.527022.

57.Young, D., F. Willett, W. D. Members, B. Murphy, B. Walter, J. Sweet, J. Miller, L. R. Hochberg, R. F. Kirsch, and A. B. Ajiboye. 2018. “Signal Processing Methods for Reducing Artifacts in Microelectrode Brain Recordings Caused by Functional Electrical Stimulation.” _Journal of Neural Engineering_ 15 (2): 026014.

补充材料 -- 图文

图 S1 | 中值阻抗
20个阵列中18个阵列的中值阻抗测量值。标有X的点表示（制造商提供的）植入前中值阻抗测量值。参与者S1未记录阻抗测量值，参与者S2的记录有限，因此这些阵列被排除在本图分析之外。

图 S2 | 尖峰波形信号与噪声。
(A) 每个阵列随时间变化的波形幅度。使用-4.5倍鲁棒标准差阈值提取尖峰波形并对每个电极取平均。然后取最小（负值）电压作为每个通道的波形幅度。每个点代表在一个阵列中检测到阈值穿越率大于2 Hz的电极的波形幅度中值。每个会话使用一次神经记录。黑色显示LOWESS曲线。波形幅度通常随时间下降。
(B) 每个阵列的噪声幅度LOWESS曲线。噪声幅度估计为-3.0倍电压信号的均方根值（RMS）。噪声幅度通常随时间下降。
(C) 波形幅度与阻抗呈负相关（r: -0.53, p<.001），这与绝缘退化一致。每个点代表一次会话的中值阻抗和波形幅度值。
(D) 波形信噪比（SNR）。波形SNR计算为波形幅度与噪声幅度的比值。SNR在初始下降后随时间保持相对恒定，表明波形和噪声幅度以相似速率下降，并且在植入后7年以上似乎不影响识别尖峰的能力。

图 S3 | 阻抗热力图。
阻抗数据集中包含的每个阵列的四次会话的阻抗测量值（见补充方法2.3）。阵列中的每个单独方块表示在该电极上测得的阻抗；四个角电极未连接用于记录。在某些阵列上，沿阵列边缘的阻抗下降似乎更显著。
(图表显示多个阵列在不同时间点（植入后天数）的阻抗值网格)

图 S4 | 角度误差。

角度误差计算为光标位置指向目标位置的向量与解码向量之间的绝对角度差。使用每次试验活动的300毫秒窗口评估角度误差，而非瞬时角度误差度量。角度误差范围从0度（解码向量与推断的预期方向向量相同）到180度（解码向量与推断的预期方向向量直接相反）。
(A) 角度误差随时间变化。每个点代表一次会话的角度误差值。黑色显示每个阵列的LOWESS曲线。
(B) 角度误差的整体变化量（Delta）。变化量通过取植入后最后3个月内记录的会话的平均角度误差，减去植入后前3个月内记录的平均角度误差来计算。
(C) 角度误差分布。按植入顺序显示阵列。虚线表示9名健全参与者执行光标任务的平均角度误差。
(D) 角度误差与阵列产出率总体上呈负相关（r: -0.50, p < .001），尽管产出率不能完全解释阵列间解码性能的差异（与图3f相同）。