脑机接口（BCI）有望改善数百万脑损伤患者的生活质量。运动BCI技术通过将微电极阵列植入四肢瘫痪者的运动脑区，将运动意图从记录到的神经信号中解码为指令信号，从而控制计算机光标或机器人义肢。然而，这一过程尚未达到健全人所具备的精确度、速度、自由度和控制鲁棒性。为提高BCI的性能并延长植入电极的使用寿命，这迫切需要新的方法来解码大脑的功能信息。

当前BCI面临设计无约束性的问题，包括有限且昂贵的训练数据、低信噪比的预测特征、复杂的时间动态、非线性的调谐曲线、以及神经信号的不稳定性等。因此，BCI通常分为两个阶段：首先从神经信号中提取神经特征，然后将神经特征映射为控制信号。近期，加利福尼亚理工学院医学工程系研究团队采用特征提取网络FENet，旨在优化神经特征的信息内容，并展示其在人类参与者皮层内BCI临床试验中的进展。相关研究成果2024年12月6日发表于《Nature Biomedical Engineering》期刊。

FENet(feature-extraction network)是一种紧凑型一维卷积网络，旨在最大化提取神经特征中包含的信息量，同时抽象出提取的神经特征与后续解码过程之间的参数关系（图1b）。以往回顾性分析中，FENet表现出良好的试验可分离性和更高的调谐曲线振幅。同时，群体水平分析表明，FENet保留了排序神经群体的表征结构和时间动态，提供了对大脑活动神经信号的精准测量。此外，由于参与者、实验室、实验任务、电极植入位置和年龄等差异因素，BCI系统的绝对性能存在其固有的变异性。因而文章中，研究团队使用参与者内部的比较来评估FENet的有效性。

FENet的设计衡量了在不同神经记录信号、参与者、脑区和植入持续时间上的泛化能力，考虑到不显著增加解码算法复杂性和训练数据量的要求。神经信号在参与者执行实验任务时收集，具体为参与者在计算机控制的光标提示下尝试运动，并执行中心向外的任务（图1e,f），训练数据为30 kHz采样率。

首先，FENet旨在改善对外部设备的闭环控制。通过比较基于FENet、基于阈值的神经波形穿越（TCs，为目前闭环控制的标准）和小波变换（WT）的BCI控制光标运动，研究人员发现FENet在所有指标上都优于TC和WT（图2）。具体而言，FENet显著改善了光标轨迹，减少了瞬时角度误差、提高了路径效率并缩短了到达目标的时间（图2c-e,k-m）。

此外，FENet提高了光标对参与者意图的响应效率，显著减少了目标出现与光标首次朝目标移动之间的时间延迟（图2f,n）。其次，在8x8网格任务中，FENet显著提升了整体任务表现，包括成功率和比特率（图2g,h,o,p）。最后，在双盲实验结果发现参与者强烈偏好基于FENet的解码器。这些结果表明了FENet能够显著改善个体对外部设备的闭环控制能力。

Fig2. 参与者JJ 的闭环控制评估。在线轨迹涉及在中心向外范式中向八个目标各移动一次并返回。对比使用FENet特征与TC特征（左图）和WT变换特征（右图）的线性解码器效果。在闭环控制指标中，比较FENet与TC和WT在瞬时角度误差、路径效率和到达目标时间的差异。

为了评估了FENet在重建运动学方面的能力，研究团队使用先前从植入电极阵列中收集的开放循环范式的神经数据进行分析。结果发现，与TCs和WT方法相比，FENet显著提高了平均交叉验证决定系数（R²），图3a-d,图4。同时，FENet显著降低了试验间和试验内变异性（图3e,f），从而提高了神经特征与运动学之间的联系。

此外，FENet在调谐曲线中偏好与反偏好方向的振幅上进行了大幅改进，这提升了区分单个试验的能力。FENet的训练机制考虑了每个频带内的编码信息，使其能够选择性地增强不同频率范围内的相关特征，以增强神经信号解码的性能。

Fig3. 对比FENet、TC、Debaucheries WTs、MUA、HFLFP以及FENet-HFLFP和TCs-HFLFP的性能。a,b, 参与者JJ在2019-2022年54次实验中的单次和平均表现。c,d, 参与者EGS在2014-2018年175个实验的单次实验和平均表现。e,f, 20190507实验中，参与者JJ的重建瞬时速度示例，展示了FENet、WT和TC在水平和垂直维度的重建效果。

FENet是在特定参与者和脑区的基础上进行训练的，但其结果应更普遍地适用于任何需要从电信号记录中推断大脑功能状态的情况。对此，研究人员在时间、脑区、参与者和电极子集上划分训练数据，并比较划分后数据泛化的性能。

结果发现，FENet在不同时间段、脑区、参与者和电极之间呈现出显著的泛化能力，也就是，即使神经信号随各类因素显著变化的情况下，FENet也能保持相对稳定的解码表现。且在所有情况下，泛化表现显著优于应用于相同数据集的TCs或WT（图3b,d）

Fig4. FENet 提高了所有测试解码算法的离线解码性能。上下两行面板分别展示参与者JJ和EGS在中心向外任务中的解码器性能。共比较五种解码算法在七种特征提取技术上的表现，包括FENet（红）、WT变换（蓝）、TCs（黑）、MUA（青）、HFLFP（紫）、FENet+HFLFP（绿）和TCs+HFLFP（黄）。测试的解码算法有SVR、LSTM、卡尔曼滤波器（KF）和PSID。FENet特征训练的解码算法性能普遍优于其它特征提取技术。

研究人员也评估了FENet在任务间泛化的能力，即在一种任务数据上训练的数据是否可以解码其它任务中的神经特征信息。为此，研究人员将FENet应用于“手指屈曲网格”任务数据集。结果发现，FENet在区分手指动作和提高解码能力方面具备显著的优势，FENet在手指网格任务中保留了排序神经元群体的表征结构和动态，同时减少了与动作相关的干扰因素的影响。这显示了FENet可以被嵌入到任何神经科学和神经工程处理链中的潜力。

Fig5. 特征提取技术的比较。比较JJ和EGS在使用不同特征提取技术的线性解码器交叉验证R2值。结果显示，基于FENet特征的线性解码器为两位参与者提供了更高的R2性能。

总体而言，FENet在闭环控制和开放循环解码中展现出优异的性能。重要的是，FENet在多个参与者、不同脑区和不同任务中表现出良好的普适性，并显著提高了神经解码的性能。FENet的设计考虑了实时运行和低功耗的要求，使其能够在闭环BCI系统中直接部署。

然而，尽管FENet在大多数情况下表现出色，但研究人员承认BCI系统的性能可能受多种因素的影响，例如个体差异、植入部位、记录效果、实验任务和解码算法等。因此，FENet的泛化能力需要在更大的数据样本中进一步验证。为了促进FENet的发展和应用，研究团队将代码提供在公共存储库中，希望更多的临床网站能够测试并最终改进FENet。

仅用于学术分享，若侵权请留言，即时删侵！

欢迎加入脑机接口AI星球

获取更多脑机接口+AI等领域的知识和资源。

加群交流、商业合作请添加微信:RoseBCI【备注：姓名+行业/专业】。

   欢迎来稿   

1.欢迎来稿。投稿咨询，请联系微信：RoseBCI

点击投稿：脑机接口社区学术新闻投稿指南

2.加入社区成为兼职创作者，请联系微信：RoseBCI

一键三连「分享」、「点赞」和「在看」

不错过每一条脑机前沿进展