有史以来第一个成功的精神控制机器人手臂没有脑植入物

人工智能深度学习精选机器学习神经科学神经影片NEUROTECH打开神经科学文章机器人6分钟读来自卡内基梅隆大学的一组研究人员与明尼苏达大学合作，在无创机器人设备控制领域取得了突破。研究人员利用无创的脑机接口(BCI)开发出了第一款成功的精神控制机器人手臂，具有连续跟踪和跟踪计算机光标的能力。能够仅使用思想无创地控制机器人装置将具有广泛的应用，特别是有益于瘫痪患者和运动障碍患者的生活。已经证明BCI仅使用从脑植入物感测到的信号来控制机器人设备的良好性能。当机器人设备可以高精度控制时，它们可用于完成各种日常任务。然而，到目前为止，成功控制机器人手臂的BCI已经使用了侵入性脑部植入物。这些植入物需要大量的医学和外科专业知识才能正确安装和操作，更不用说对象的成本和潜在风险，因此，它们的使用仅限于少数临床病例。

BCI研究的一大挑战是开发侵入性较小甚至完全无创的技术，使瘫痪患者能够利用自己的“思想”控制自己的环境或机器人肢体。这种非侵入性BCI技术如果成功，将带来如此急需的技术对许多患者甚至可能对一般人群。

然而，使用非侵入性外部传感而非脑部植入物的BCI接收“更脏”的信号，导致当前较低的分辨率和较不精确的控制。因此，当仅使用大脑来控制机器人手臂时，非侵入性BCI无法使用植入式装置。尽管如此，BCI的研究人员已经取得了进展，他们关注的是一种可以每天帮助世界各地患者的少量或非侵入性技术。

卡内基梅隆大学(Carnegie Mellon University)生物医学工程的受托人教授和部门负责人何斌(Bin He)正在实现这一目标，这是一次发现的一项重要发现。

“使用脑部植入物的精神控制机器人设备取得了重大进展。这是一门出色的科学，“他说。

“但无创是最终目标。神经解码的进步和无创机器人手臂控制的实用性将对非侵入性神经机器人的最终发展产生重大影响。“

利用新颖的传感和机器学习技术，他和他的实验室能够访问大脑深处的信号，实现对机器人手臂的高分辨率控制。通过无创神经成像和一种新颖的连续追踪范式，他克服了嘈杂的脑电信号，从而显着改善了基于脑电图的神经解码，并促进了实时连续的二维机器人设备控制。

该技术直接适用于患者，该团队计划在不久的将来进行临床试验。该图像归功于卡内基梅隆大学工程学院。

使用非侵入式BCI来控制在计算机屏幕上跟踪光标的机器人手臂，这是他第一次在人类受试者身上展示机器人手臂现在可以连续跟踪光标。尽管机器人手臂试图“赶上”大脑的命令 - 但是现在，机器人手臂在光滑，连续的路径中跟随光标，而人类在非侵入性地控制机器人手臂之前已经按照不稳定的离散运动移动光标。

在Science Robotics发表的一篇论文中，该团队建立了一个新的框架，通过增加用户参与和培训，以及通过脑电图源成像的无创神经数据的空间分辨率，解决和改进BCI的“大脑”和“计算机”组件。 。

该论文“无创神经影像增强机器人设备控制的连续神经跟踪”表明，该团队解决这一问题的独特方法并未将传统中心任务的BCI学习提高近60%，它还增强了对计算机光标的连续跟踪超过500%。

图片来源：卡内基梅隆大学工程学院。

该技术还具有可以帮助各种人的应用程序，通过提供安全，无创的“精神控制”设备，可以让人们与他们的环境进行交互和控制。迄今为止，该技术已经在68个健全的人类受试者中进行了测试(每个受试者最多10个疗程)，包括虚拟设备控制和控制机器人手臂以进行持续追踪。该技术直接适用于患者，该团队计划在不久的将来进行临床试验。

“尽管使用非侵入性信号存在技术挑战，但我们完全致力于将这种安全和经济的技术带给可以从中受益的人，”他说。“这项工作代表了无创脑机接口的重要一步，这项技术有朝一日可能成为帮助每个人的普遍辅助技术，如智能手机。”

资助：这项工作部分得到了国家补充和综合健康中心，国家神经疾病和中风研究所，国家生物医学成像和生物工程研究所以及国家精神卫生研究所的支持。

使用通过皮质内植入获得的信号的脑 - 计算机接口(BCI)已经实现了成功的高维机器人设备控制，可用于完成日常任务。然而，正确植入和操作这些系统所需的大量医疗和外科专业知识极大地限制了它们在一些临床病例之外的使用。需要较少干预的非侵入性对应物可以提供高质量的控制，这将极大地改善BCI与临床和家庭环境的整合。在这里，我们使用脑电图(EEG)来呈现和验证非侵入性框架，以实现用于连续随机目标跟踪的机器人装置的神经控制。该框架通过分别增加“大脑”和“计算机”组件来解决和改进用户参与通过连续追踪任务和相关的训练范例和通过脑电图源成像的非侵入性神经数据的空间分辨率。总之，我们独特的框架将传统的中心任务的BCI学习提高了近60%，在更现实的持续追求任务中提高了500%以上。我们通过在线无创神经影像学进一步证明BCI控制的额外增强几乎达到10%。最后，该框架部署在物理任务中，展示了从无约束虚拟光标的控制到机器人手臂的实时控制的近乎无缝的过渡。