項(xiàng)目可行性及經(jīng)費(fèi)預(yù)算報(bào)告

1、項(xiàng)目可行性及經(jīng)費(fèi)預(yù)算報(bào)告（國(guó)際科技合作版）一、項(xiàng)目可行性報(bào)告（一）項(xiàng)目合作背景及合作的必要性。腦機(jī)接口不依賴于常規(guī)的脊髓 /外周神經(jīng)肌肉系統(tǒng)，在腦與外部設(shè)備之間建立一種新型 的信息交流與控制通道，實(shí)現(xiàn)了腦與外界的直接交互。腦機(jī)接口的研究對(duì)腦與認(rèn)知、智能 信息處理、仿腦工程和人工智能等有重要的科學(xué)意義，有利于推動(dòng)新型信息感知、復(fù)雜數(shù) 據(jù)處理、模式識(shí)別、認(rèn)知計(jì)算和人機(jī)交互等技術(shù)的研究與發(fā)展，在挖掘人類認(rèn)知潛能、殘 障人康復(fù)、神經(jīng)疾病治療，以及航天、國(guó)家安全等問(wèn)題上都具有重要的社會(huì)意義和廣泛的 應(yīng)用前景，因此引起了國(guó)際學(xué)術(shù)界的極大關(guān)注，成為信息科學(xué)與神經(jīng)科學(xué)交叉研究領(lǐng)域的 前沿?zé)狳c(diǎn)問(wèn)題。腦機(jī)接口主要

2、有非植入式和植入式兩大類1。其中，植入式腦機(jī)接口盡管有手術(shù)創(chuàng)傷風(fēng)險(xiǎn)，但該技術(shù)能直接獲取大腦皮層的神經(jīng)集群信號(hào)，信息量大、時(shí)空分辨率高，對(duì)鋒電 位（Spike）信號(hào)的解碼率目前已達(dá) 6.5 bps,延遲短至0.1秒2,能夠?qū)崿F(xiàn)對(duì)外部設(shè)備多自 由度的實(shí)時(shí)、精確控制。在這些研究新進(jìn)展的激勵(lì)下，借助電子信息科學(xué)的微電極制造、 并行數(shù)據(jù)采集系統(tǒng)和神經(jīng)信息處理等技術(shù)的推動(dòng)，植入式腦機(jī)接口正在形成國(guó)際研究熱潮。自本世紀(jì)以來(lái)，Nature和Science等報(bào)道了一系列基于運(yùn)動(dòng)神經(jīng)信號(hào)的植入式腦機(jī)接口的 重大成果，進(jìn)一步促進(jìn)了人們對(duì)運(yùn)動(dòng)神經(jīng)系統(tǒng)的認(rèn)識(shí)，相關(guān)成果建立了大量復(fù)雜信息處理、人機(jī)交互技術(shù)以及模式識(shí)別的新

3、方法，極大地推動(dòng)了信息、認(rèn)知等科學(xué)的發(fā)展。為了在新一輪的國(guó)際科技競(jìng)爭(zhēng)中取得技術(shù)領(lǐng)先和主動(dòng)，美國(guó)通過(guò)國(guó)家科學(xué)基金（NSF）、國(guó)立衛(wèi)生研究院（NIH）和國(guó)防先進(jìn)研究計(jì)劃署 （DARPA）向該領(lǐng)域投入大量人力和財(cái)力， 支持嚙齒類（大鼠）和非人靈長(zhǎng)類動(dòng)物（猴）的植入式腦機(jī)接口研究。在過(guò)去的十多年里， 該技術(shù)得到了快速發(fā)展并取得重大突破，初步實(shí)現(xiàn)了大腦信號(hào)對(duì)外部設(shè)備（如計(jì)算機(jī)、假 肢等）的直接控制。相關(guān)的研究成果和進(jìn)展不斷被Nature和Science等國(guó)際頂級(jí)期刊所報(bào)道。當(dāng)前該研究領(lǐng)域的工作國(guó)際化和全球合作趨勢(shì)愈發(fā)明顯，其中美國(guó)的“革命性假肢” 項(xiàng)目聯(lián)合了美國(guó)眾多的頂尖高校和歐洲的著名假肢廠商來(lái)合作研

4、究和進(jìn)行開(kāi)發(fā)。美國(guó)的“REPAIR”項(xiàng)目，歐洲的“ Neuro-IT”項(xiàng)目都是針對(duì)腦機(jī)接口技術(shù)的科學(xué)和技術(shù)問(wèn)題，整 合多個(gè)國(guó)家和不同學(xué)科背景的科研團(tuán)隊(duì)的資源優(yōu)勢(shì)，以項(xiàng)目合作的方式來(lái)推動(dòng)相關(guān)基礎(chǔ)研 究和開(kāi)發(fā)應(yīng)用的不斷深入。近年來(lái)，在國(guó)家科技部的支持下，國(guó)內(nèi)的腦機(jī)接口研究取得顯著進(jìn)展，在腦機(jī)接口技 術(shù)的某些方面實(shí)現(xiàn)了與國(guó)際水平相接軌，但在整體水平上我們和歐美等發(fā)達(dá)國(guó)家還存在著 一定的差距，為了實(shí)現(xiàn)我國(guó)在該領(lǐng)域的研究能實(shí)現(xiàn)快速的跨越式發(fā)展，有必要積極發(fā)揮和利用“走出去，引進(jìn)來(lái)”的國(guó)際合作策略，與國(guó)際上該領(lǐng)域的頂尖實(shí)驗(yàn)室建立起長(zhǎng)期的合作關(guān)系 在前沿問(wèn)題上同步展開(kāi)研究，進(jìn)而實(shí)現(xiàn)與國(guó)際水平的接軌 ，獲得國(guó)

5、際高水平的研究成果。針對(duì)腦機(jī)接口中神經(jīng)信號(hào)特征和處理過(guò)程中面臨的挑戰(zhàn)，本課題擬利用已有的國(guó)際合 作研究平臺(tái)，在已建立的非人靈長(zhǎng)類動(dòng)物（猴）腦機(jī)接口實(shí)驗(yàn)平臺(tái)上，與外方合作，發(fā)揮 各自學(xué)術(shù)特征，并重點(diǎn)解決以下兩個(gè)關(guān)鍵科學(xué)問(wèn)題：（1）運(yùn)動(dòng)皮層神經(jīng)集群信息的特性分析；（2）高通量、非線、動(dòng)態(tài)和協(xié)同的神經(jīng)解碼。兩者互為依托，準(zhǔn)確、實(shí)時(shí)的信息分析 有助于了解神經(jīng)信號(hào)的特性，而解碼方法的實(shí)現(xiàn)將利于解釋生物體神經(jīng)信息的自然表征。 以上關(guān)鍵問(wèn)題的解決不僅取決于多通道神經(jīng)集群信息的約簡(jiǎn)等高通量神經(jīng)信息預(yù)處理的關(guān) 鍵技術(shù)，還取決于實(shí)時(shí)、動(dòng)態(tài)的神經(jīng)集群信息解析的關(guān)鍵技術(shù)，需要在神經(jīng)集群信息處理、模式識(shí)別等技術(shù)上有所創(chuàng)

6、新和突破。綜上所述，如何實(shí)現(xiàn)運(yùn)動(dòng)型腦機(jī)接口中神經(jīng)信號(hào)的分析和解碼是極具挑戰(zhàn)的科學(xué)前沿 問(wèn)題，相關(guān)研究涉及的基礎(chǔ)理論和關(guān)鍵科學(xué)問(wèn)題是目前國(guó)際上該領(lǐng)域內(nèi)最新的研究熱點(diǎn)之 一，同時(shí)也是國(guó)家自然科學(xué)基金委擬重點(diǎn)支持的方向，在國(guó)家中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī) 劃綱要（2006 2020） 在基礎(chǔ)研究的重要科學(xué)前沿問(wèn)題和前沿技術(shù)中給予重點(diǎn)安排的研 究?jī)?nèi)容。本項(xiàng)目擬通過(guò)國(guó)際合作，借助和發(fā)揮各自的學(xué)術(shù)和技術(shù)優(yōu)勢(shì)，通過(guò)對(duì)以上科學(xué)問(wèn) 題和關(guān)鍵技術(shù)的研究，爭(zhēng)取在高通量神經(jīng)信息的高效約簡(jiǎn)，實(shí)時(shí)、協(xié)同的神經(jīng)集群信息解 析上有所創(chuàng)新和突破，使我國(guó)腦機(jī)接口技術(shù)的研究躋身國(guó)際前列。（二）國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展趨勢(shì)。腦機(jī)接口的研究可以

7、追溯到上世紀(jì)90年代末，1999年Chapin等人用人工神經(jīng)網(wǎng)絡(luò)算法將大鼠運(yùn)動(dòng)皮層神經(jīng)集群電信號(hào)轉(zhuǎn)換為水泵控制指令，首次實(shí)現(xiàn)了大腦對(duì)外部設(shè)備的直 接控制3。該研究表明植入式腦機(jī)接口在腦神經(jīng)信息加工處理機(jī)制探索、神經(jīng)功能修復(fù)與 疾病治療等方面具有重大的科學(xué)研究和應(yīng)用價(jià)值。近年來(lái)，各國(guó)政府紛紛投入大量人力和 財(cái)力，支持植入式腦機(jī)接口及相關(guān)的神經(jīng)信息處理和植入式器件等方面的研究，以期在新 一輪的國(guó)際科技競(jìng)爭(zhēng)中取得技術(shù)領(lǐng)先和主動(dòng)。美國(guó)的一些大學(xué)和研究機(jī)構(gòu)在國(guó)家科學(xué)基金（NSF）、國(guó)立衛(wèi)生研究院（NIH）和國(guó)防先進(jìn)研究計(jì)劃署（DARPA）的支持下，率先開(kāi)展 了嚙齒類（大鼠）3和非人靈長(zhǎng)類動(dòng)物（猴）4的植

8、入式腦機(jī)接口研究，推動(dòng)了該技術(shù)的 快速發(fā)展并取得重大突破，初步實(shí)現(xiàn)了運(yùn)動(dòng)皮層神經(jīng)集群信號(hào)對(duì)外部設(shè)備（如計(jì)算機(jī)、假 肢等）的直接控制。相關(guān)的研究成果和進(jìn)展不斷被Nature和Science等國(guó)際頂級(jí)期刊所報(bào)道2, 5, 6。2006年美國(guó)Cyberkinetics公司開(kāi)發(fā)的BrainGateTM獲得了 FDA的認(rèn)證，并先后 成功地在6名高位癱瘓的病人身上進(jìn)行了臨床實(shí)驗(yàn)。該系統(tǒng)可將從患者運(yùn)動(dòng)皮層神經(jīng)元電 信號(hào)通過(guò)實(shí)時(shí)信號(hào)處理分析，轉(zhuǎn)換成控制外部設(shè)備的指令，患者幾乎無(wú)需訓(xùn)練就可以用意 念移動(dòng)屏幕上的光標(biāo)或簡(jiǎn)單地控制假肢6。由于腦機(jī)接口技術(shù)在臨床康復(fù)、心理認(rèn)知和國(guó)家安全等領(lǐng)域所展示出的巨大應(yīng)用前景，相

9、關(guān)研究在全球范圍內(nèi)方興未艾。伴隨著材料科學(xué)和微電子技術(shù)的發(fā)展，高密度的微電極 陣列、高精度運(yùn)算放大器以及高速采樣率的模數(shù)轉(zhuǎn)換器已經(jīng)使得對(duì)大腦神經(jīng)集群活動(dòng)的高 通量信號(hào)采集成為可能，但如何從海量的數(shù)據(jù)中獲取準(zhǔn)確而有效的信息，實(shí)現(xiàn)對(duì)神經(jīng)信息 的精確解碼，從而更深層次地解析思維活動(dòng)傳遞的信息，已成為目前植入式腦機(jī)接口研究 亟待解決的主要問(wèn)題之一。神經(jīng)科學(xué)研究表明，神經(jīng)元電活動(dòng)和神經(jīng)集群構(gòu)成的網(wǎng)絡(luò)是神經(jīng)信息加工和處理的物 質(zhì)基礎(chǔ)。為了準(zhǔn)確地解析神經(jīng)集群活動(dòng)所蘊(yùn)含的信息，需要在時(shí)間上對(duì)每個(gè)神經(jīng)元的電活 動(dòng)進(jìn)行高速而準(zhǔn)確的記錄，在空間上盡可能多地收集相關(guān)腦區(qū)神經(jīng)集群的活動(dòng)，因此信息 解析中需要處理的數(shù)據(jù)規(guī)

10、模非常龐大，且記錄到的海量數(shù)據(jù)中存在與解析目標(biāo)無(wú)關(guān)的冗余 信息，會(huì)產(chǎn)生額外輸入維度，增加信息解析模型參數(shù)和信息處理模型的學(xué)習(xí)復(fù)雜度，影響 信息解析的實(shí)時(shí)性。此外，高計(jì)算量對(duì)于腦機(jī)接口硬件的低功耗和便攜式的實(shí)現(xiàn)帶來(lái)困難。因此，如何通過(guò)信息約簡(jiǎn)方法解決神經(jīng)信息規(guī)模大、冗余信息多的問(wèn)題，是實(shí)時(shí)神經(jīng)信息 解析的關(guān)鍵問(wèn)題之一。目前針對(duì)神經(jīng)信息約簡(jiǎn)問(wèn)題已經(jīng)有一些具體的研究。Chapin等人用主成分分析將神經(jīng)信息維度降低至僅剩一維，用于預(yù)測(cè)大鼠前肢壓機(jī)械桿的軌跡3 ; Wessberg等人用Neuron-Dropping Analysis方法進(jìn)行約簡(jiǎn)，某個(gè)特定神經(jīng)元的取舍由解碼結(jié)果與解碼目標(biāo)之 間的相關(guān)性來(lái)

11、決定7; Sanchez等人使用線性維納濾波器，通過(guò)連接權(quán)值的大小來(lái)定量判 斷神經(jīng)元與解碼目標(biāo)的相關(guān)性8?，F(xiàn)有信息約簡(jiǎn)方法在一定程度上解決了神經(jīng)信息高通量性引起的實(shí)時(shí)性問(wèn)題，但仍有部分問(wèn)題有待解決。如主成分分析在約簡(jiǎn)過(guò)程中沒(méi)有定量評(píng) 估神經(jīng)元對(duì)于解析目標(biāo)的重要性，只考慮輸入信息各維度之間的相關(guān)性而忽略了與解析目 標(biāo)的相關(guān)性，可能會(huì)丟失有用的信息。因此雖然能夠建立兩者的映射模型，卻無(wú)法在神經(jīng) 元層次選擇輸入。這種模型難以從生理角度進(jìn)行解釋，不利于神經(jīng)科學(xué)的研究及解析模型 的優(yōu)化；Neuron-Dropping Analysis方法計(jì)算復(fù)雜度高，也缺乏對(duì)神經(jīng)元重要程度的定量評(píng) 估；線性維納濾波器的

12、權(quán)值分析法依賴于解碼模型本身，無(wú)法獨(dú)立從神經(jīng)元發(fā)放數(shù)據(jù)自身 衡量神經(jīng)元的重要性。實(shí)現(xiàn)腦機(jī)交互最核心的技術(shù)就是神經(jīng)集群解碼，其面臨的挑戰(zhàn)源于神經(jīng)系統(tǒng)的復(fù)雜性，表現(xiàn)為以下三個(gè)方面：1)神經(jīng)系統(tǒng)是一個(gè)非線性系統(tǒng)，傳統(tǒng)線性分析方法難以準(zhǔn)確評(píng)定神經(jīng)信號(hào)的動(dòng)力學(xué)結(jié)構(gòu)，也無(wú)法揭示大腦活動(dòng)的本質(zhì)特征。如何在建模中有效引入在神經(jīng)科 學(xué)上關(guān)于神經(jīng)元發(fā)放與運(yùn)動(dòng)之間已存在的證據(jù)和相關(guān)生物學(xué)上的結(jié)論，同樣也是一個(gè)挑戰(zhàn)；2)由于大腦具有可塑性等原因，神經(jīng)信息具有時(shí)變性，神經(jīng)電活動(dòng)與解析目標(biāo)的映射模式以及相關(guān)性均隨時(shí)間自適應(yīng)的變遷，傳統(tǒng)的靜態(tài)信息處理方法難以保持長(zhǎng)期的高精度解析；3)反映宏觀腦功能的神經(jīng)信息在空域、頻域上都

13、有分布性，單個(gè)腦區(qū)、單個(gè)頻段的神經(jīng)信號(hào)不能完整體現(xiàn)宏觀意義上的腦功能。空域上的協(xié)同性表現(xiàn)為不同腦區(qū)的神經(jīng)元活動(dòng)在腦 功能實(shí)現(xiàn)中的分工不同，同一腦區(qū)內(nèi)也存在神經(jīng)元活動(dòng)相似的協(xié)同集群；頻域上的協(xié)同性 主要體現(xiàn)在，低頻的局部場(chǎng)電位信號(hào)包含較大范圍內(nèi)的神經(jīng)元電活動(dòng)，但信息精度不足； 高頻的鋒電位發(fā)放序列則包含較高精度的神經(jīng)元群體放電信息，但范圍較狹窄。因此，如 何有效解決神經(jīng)系統(tǒng)的非線性、時(shí)變性和協(xié)同性等問(wèn)題，建立高效的解碼模型，是神經(jīng)信 息解析的另一個(gè)關(guān)鍵問(wèn)題。目前神經(jīng)集群信息解碼的研究主要包括以下幾個(gè)方面：Georgopoulos等人于上世紀(jì) 80年代發(fā)現(xiàn)運(yùn)動(dòng)皮層神經(jīng)元發(fā)放具有明顯的方向選擇偏 好

14、9, 10,基于該研究結(jié)果 Taylor等人提出了群矢量及其改進(jìn)算法，并成功用于猴子開(kāi)環(huán) 控制假臂實(shí)驗(yàn)11。但群矢量方法受限于偏好方向均一性及線性解析模式假設(shè)。Wessberg等人提出了基于維納濾波的神經(jīng)信息解析算法，突破了群矢量對(duì)神經(jīng)元發(fā)放偏好方向的均 一性假設(shè)6, 7, 12-14。此外，F(xiàn)isher線性判別、最大似然性估計(jì)和投票方法等線性、單輸 出、靜態(tài)算法也相繼用于運(yùn)動(dòng)控制，但以上線性解碼方法難以實(shí)現(xiàn)信息的精確解碼。進(jìn)一步的研究發(fā)現(xiàn)非線性方法具有更合理的生理基礎(chǔ)，更符合神經(jīng)信息處理的特性。近年來(lái)，有人嘗試用非線性方法進(jìn)行神經(jīng)解碼，Kim等人提出用不同的線性模型組合成非線性模型進(jìn)行解碼1

15、5, Sanchez等、Wang等人分別使用遞歸神經(jīng)網(wǎng)絡(luò)( Recurrent Neural Network )和時(shí)滯神經(jīng)網(wǎng)絡(luò)(Time-Delay Neural Network )來(lái)引入非線性進(jìn)行建模 16,17。 此類方法直接使用非線性函數(shù)逼近的概念，而無(wú)法引入在神經(jīng)科學(xué)中關(guān)于神經(jīng)元發(fā)放與運(yùn) 動(dòng)之間已存在的證據(jù)和相關(guān)的生物學(xué)結(jié)論，給解碼結(jié)果的分析帶來(lái)困難。此外，這些方法 對(duì)解碼模型的調(diào)整過(guò)程具有較高的時(shí)間復(fù)雜度，無(wú)法有效地實(shí)現(xiàn)模型的動(dòng)態(tài)更新，難以對(duì) 動(dòng)態(tài)變化的神經(jīng)信息進(jìn)行長(zhǎng)期穩(wěn)定的解碼。針對(duì)神經(jīng)系統(tǒng)的時(shí)變性，近年來(lái)一些學(xué)者開(kāi)始將狀態(tài)觀測(cè)法（State ObservationApproach

16、 ）等基于概率的方法用于神經(jīng)信息解析。Wu等人使用基于概率的卡爾曼濾波器進(jìn)行解碼18-20,卡爾曼濾波器在行為解析中認(rèn)為行為參數(shù)不僅與當(dāng)前神經(jīng)元電活動(dòng)信息 有關(guān)，并且為運(yùn)動(dòng)參數(shù)建立了動(dòng)態(tài)模型。但卡爾曼濾波器仍然受限于線性映射假設(shè)及高斯 分布的后驗(yàn)概率。Li等人提出基于 Unscented卡爾曼濾波器的方法21,將卡爾曼的線性 假設(shè)擴(kuò)展到2階多項(xiàng)式逼近，對(duì)非線性的近似能力有限。Brockwell、Shoham和Srinivasan等人先后提出基于后驗(yàn)概率的信息解碼算法22,在觀測(cè)模型上引入的神經(jīng)電活動(dòng)與解析目標(biāo)的映射模式假設(shè)為指數(shù)模型，該方法有待數(shù)據(jù)的進(jìn)一步檢驗(yàn)?？傮w上說(shuō)，與上文提及的非線性、時(shí)

17、變性和協(xié)同性要求相比，現(xiàn)有方法還存在很大差 距。1）線性解碼方法與神經(jīng)系統(tǒng)的非線性相悖，非線性的指數(shù)模型與數(shù)據(jù)吻合有限，導(dǎo)致神經(jīng)解碼的精確性不足；2）靜態(tài)假設(shè)與時(shí)變性不符，神經(jīng)解碼的精度不能保持長(zhǎng)期平穩(wěn)，現(xiàn)有動(dòng)態(tài)解碼方法的解析效果也不理想；3）現(xiàn)有的解碼主要針對(duì)單一腦區(qū)的鋒電位發(fā)放，忽略了反映宏觀腦功能的神經(jīng)信息在空域和頻域上的協(xié)同性，單個(gè)腦區(qū)、單個(gè)頻段的神經(jīng) 信號(hào)不能完整體現(xiàn)宏觀意義上的腦功能。故此，探索新的基于生理意義的信息解析模型和 高效率的解碼算法是當(dāng)前迫切需要解決的問(wèn)題。構(gòu)建面向腦機(jī)相互適應(yīng)的腦機(jī)接口技術(shù)是最近幾年腦機(jī)接口研究的又一個(gè)熱點(diǎn)問(wèn)題。 互適應(yīng)的好處利用無(wú)監(jiān)督或半監(jiān)督學(xué)習(xí)的在

18、線學(xué)習(xí)算法結(jié)合大腦的學(xué)習(xí)能力的方法，達(dá)到 提高腦機(jī)接口性能的目的。傳統(tǒng)的腦機(jī)接口解碼算法都是基于監(jiān)督學(xué)習(xí)的放法，這使得腦 機(jī)接口系統(tǒng)的性能極度依賴于輸出數(shù)據(jù)，而且在實(shí)際應(yīng)用中，輸出部分在很多情況下無(wú)法 獲取，比如一個(gè)截肢的病人無(wú)法提供斷肢運(yùn)動(dòng)的數(shù)據(jù)。因此，近年來(lái)已研究者嘗試互適應(yīng) 的研究策略。Taylor等人在恒河猴的三維光標(biāo)控制中使用互適應(yīng)算法，通過(guò)迭代更新每個(gè) 神經(jīng)元活動(dòng)與光標(biāo)運(yùn)動(dòng)角度的映射追蹤神經(jīng)元發(fā)放在學(xué)習(xí)過(guò)程中的變化23。Gage等人設(shè)計(jì)了更系統(tǒng)化的互適應(yīng)腦機(jī)接口范式24。DiGiovanna等人則提出一種基于強(qiáng)化學(xué)習(xí)的腦機(jī)接口互適應(yīng)范式25。在該系統(tǒng)中，有兩個(gè)智能系統(tǒng)，即機(jī)器和大腦

19、。大腦可利用內(nèi)在 的強(qiáng)化學(xué)習(xí)機(jī)制來(lái)調(diào)節(jié)相關(guān)神經(jīng)元，而機(jī)器則需要編入相應(yīng)的強(qiáng)化學(xué)習(xí)算法，比如值函數(shù) 估計(jì)網(wǎng)絡(luò)算法。Mahmoudi等人在此基礎(chǔ)上進(jìn)一步提出了共生腦機(jī)接口（S-BMI）的概念，直接從大鼠腦部獲取獎(jiǎng)賞信息，作為算法的反饋26。他們認(rèn)為應(yīng)該利用模仿生物系統(tǒng)中的感知-行動(dòng)-獎(jiǎng)賞周期來(lái)構(gòu)建更具適應(yīng)能力的腦機(jī)接口。在 S-BMI中，大腦和外部設(shè)備要相 互適應(yīng)以共同完成目標(biāo)。在該系統(tǒng)中機(jī)器動(dòng)作正確性的評(píng)估是大腦對(duì)獎(jiǎng)賞的期望，可以從 紋狀體（striatum）的NAcc中提取。這些技術(shù)的發(fā)展使得腦機(jī)接口越來(lái)越趨于腦機(jī)之間的整 合以及雙向的交互。但總體來(lái)說(shuō)，互適應(yīng)腦機(jī)接口的研究還處于探索階段，相比

20、腦機(jī)接口 中其它技術(shù)，出現(xiàn)的時(shí)間較晚，因此，還有很多方面需要擴(kuò)展，比如對(duì)大腦的獎(jiǎng)賞方式綜上所述，雙向-閉環(huán)侵入式腦機(jī)接口研究是當(dāng)前神經(jīng)信息工程這一交叉領(lǐng)域中極具挑 戰(zhàn)的科學(xué)前沿，值得深入研究。因此，本項(xiàng)目擬通過(guò)對(duì)運(yùn)動(dòng)型腦機(jī)接口中皮層神經(jīng)元集群 信號(hào)分析和解碼的研究，力爭(zhēng)在相關(guān)的基礎(chǔ)理論與關(guān)鍵技術(shù)上有所創(chuàng)新和突破，使我國(guó)腦 機(jī)接口技術(shù)的研究躋身國(guó)際前列。/、 y 、 f f-參考文獻(xiàn)Tonet O., Marinelli M., Citi L., Rossini P. M., Rossini L., Megali G., and Dario P., Defining brain-machine

21、interface applications by matching interface performance with device requirements. Journal of Neuroscience Methods, 2008. 167 (1): p. 91-104.Santhanam G., Ryu S. I., Yu B. M., Afshar A., and Shenoy K. V., A high-performance brain-computer interface. Nature, 2006. 442(7099): p. 195-198.Chapin J. K.,

22、Moxon K. A., Markowitz R. S., and Nicolelis M. A., Real-time control of a robot arm using simultaneously recorded neurons in the motor cortex. Nature Neuroscience, 1999. 2(7): p. 664-670.Carmena J. M., Lebedev M. A., Crist R. E., ODoherty J. E., Santucci D. M., Dimitrov D. F., PatilP. G., Henriquez

23、C. S., and Nicolelis M. A. L., Learning to control a brain-machine interface for reaching and grasping by primates. Plos Biology, 2003. 1(2): p. 193-208.Velliste M., Perel S., Spalding M. C., Whitford A. S., and Schwartz A. B., Cortical control of a prosthetic arm for self-feeding. Nature, 2008. 453

24、(7198): p. 1098-1101.Hochberg L. R., Serruya M. D., Friehs G. M., Mukand J. A., Saleh M., Caplan A. H., Branner A., Chen D., Penn R. D., and Donoghue J. P., Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature, 2006. 442(7099): p. 164-171.Wessberg J., Stambaugh C. R.,

25、Kralik J. D., Beck P. D., Laubach M., Chapin J. K., Kim J., BiggsJ., Srinivasan M. A., and Nicolelis M. A., Real-time prediction of hand trajectory by ensembles of cortical neurons in primates. Nature, 2000. 408(6810): p. 361-365.Sanchez J. C., Carmena J. M., Lebedev M. A., Nicolelis M. A. L., Harri

26、s J. G ., and Principe J. C., Ascertaining the importance of neurons to develop better brain-machine interfaces. IEEE Transactions on Biomedical Engineering, 2004. 51(6): p. 943-953.Georgopoulos A., Schwartz A., and Kettner R., Neuronal population coding of movement direction. Science, 1986. 233(477

27、1): p. 1416.Georgopoulos A., Kettner R., and Schwartz A., Primate motor cortex and free arm movements to visual targets in three-dimensional space. II. Coding of the direction of movement by a neuronal population. Journal of Neuroscience, 1988. 8(8): p. 2928.Taylor D. M., Tillery S. I. H., and Schwa

28、rtz A. B., Direct cortical control of 3D neuroprosthetic devices. Science, 2002. 296 (5574): p. 1829-1832.Gage G., Ludwig K., Otto K., Ionides E., and Kipke D., Naive coadaptive cortical control. Journal of Neural Engineering, 2005. 2: p. 52-63.Serruya M., Hatsopoulos N., Paninski L., Fellows M., an

29、d Donoghue J., Brain-machine interface: Instant neural control of a movement signal. Nature, 2002. 416(6877): p. 141-142.Hatsopoulos N., Joshi J., and OLeary J., Decoding continuous and discrete motor behaviors using motor and premotor cortical ensembles. Journal of Neurophysiology, 2004. 92(2): p.

30、1165.Kim S. P., Sanchez J. C., Erdogmus D., Rao Y . N., Wessberg J., Principe J. C., and Nicolelis M., Divide-and-conquer approach for brain machine interfaces: nonlinear mixture of competitive linear models. Neural Networks, 2003. 16(5-6): p. 865-871.Sanchez J. C., Erdogmus D., Nicolelis M. A., Wes

31、sberg J., and Principe J. C., Interpreting spatial and temporal neural activity through a recurrent neural network brain-machine interface. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2005.13(2): p. 213-219.Wang Y. W., Kim S. P., and Principe J. C., Comparison of TDNN trainin

32、g algorithms in brain machine interfaces. Proceedings of the International Joint Conference on Neural Networks (IJCNN), V ols 1-5, 2005: p. 2459-2462.Wu W., Gao Y., Bienenstock E., Donoghue J., and Black M., Bayesian population decoding of motor cortical activity using a Kalman filter. Neural Comput

33、ation, 2006. 18 (1): p. 80-118.Wu W., Black M., Mumford D., Gao Y., Bienenstock E., and Donoghue J., Modeling and decoding motor cortical activity using a switching Kalman filter. IEEE Transactions on Biomedical Engineering, 2004. 51 (6): p. 933-942.Wu W., Black M., Gao Y ., Bienenstock E., Serruya

34、M., Shaikhouni A., and Donoghue J., Neural decoding of cursor motion using a Kalman filter. Advances in Neural Information Processing Systems, 2003: p. 133-140.Li Z., ODoherty J., Hanson T., Lebedev M., Henriquez C., and Nicolelis M., Unscented Kalman Filter for Brain-Machine Interfaces. PloS One, 2

35、009. 4:p.1-18.Brockwell A., Rojas A., and Kass R., Recursive Bayesian decoding of motor cortical signals by particle filtering. Journal of neurophysiology, 2004. 91(4): p. 1899.D.M. Taylor, S.I.H. Tillery, and A.B. Schwartz,Direct cortical control of 3D neuroprostheticdevices, Science, vol. 296, (no

36、. 5574), pp. 1829-1832, Jun 7 2002.G.J. Gage, K.J, Otto, K.A, Ludwig, and D.R. Kipke, -adaptive KaIhCOji filtering in a naive rat cortical control task, Conf PrOc IEEE Eng Med Biol Soc , vol. 6, pp. 4367-70, 2004.J. DiGiovanna, B. Mahmoudi, J. Fortes, J.C. Principe, and J.C. Sanchez,“ Coadaptivebrai

37、n-machine interface via reinforcement learning, IEEE Trans Biomed Eng , vol. 56, (no. 1), pp. 54-64, Jan 2009.B. Mahmoudi and J.C. Sanchez, Symbiotic Brain -Machine Interface through Value-Based Decision Making,Pl os One, vol. 6, (no. 3), pp. -, Mar 14 2011.（三）項(xiàng)目主要研究開(kāi)發(fā)內(nèi)容、技術(shù)關(guān)鍵及主要?jiǎng)?chuàng)新點(diǎn)。主要研究?jī)?nèi)容本項(xiàng)目圍繞大腦運(yùn)動(dòng)皮層

38、神經(jīng)集群信號(hào)分析”和 解碼”中的科學(xué)問(wèn)題和關(guān)鍵技術(shù)，擬以非人靈長(zhǎng)類（猴）動(dòng)物為實(shí)驗(yàn)對(duì)象，針對(duì)大腦皮層神經(jīng)元集群在上肢運(yùn)動(dòng)過(guò)程中表現(xiàn)出 的復(fù)雜活動(dòng)模式，重點(diǎn)在神經(jīng)集群信息解析的高通量、非線性、時(shí)變性和協(xié)同性問(wèn)題等方 面開(kāi)展研究。根據(jù)神經(jīng)元重要性度量模型和信息約簡(jiǎn)策略，高效去除冗余信息，減少計(jì)算 規(guī)模；建立基于非線性和概率統(tǒng)計(jì)模型的神經(jīng)解碼算法，提高信息解析的維度和精度；根 據(jù)神經(jīng)元集群分布式編碼的特性，研究利用多腦區(qū)多類型的神經(jīng)信號(hào)的聯(lián)合協(xié)同解碼模型， 提高神經(jīng)解碼的精度和穩(wěn)定性，探索基于腦機(jī)互適應(yīng)的新方法，最終利用大腦神經(jīng)集群信 號(hào)實(shí)現(xiàn)對(duì)外部設(shè)備的直接神經(jīng)控制。具體研究?jī)?nèi)容包括1）研究高通量神

39、經(jīng)信息約簡(jiǎn)理論與方法高通量信息約簡(jiǎn)是處理大規(guī)模、高冗余神經(jīng)信息的有效手段，約簡(jiǎn)能壓縮數(shù)據(jù)規(guī)模， 降低后續(xù)信息解析的時(shí)間空間復(fù)雜度。神經(jīng)信息約簡(jiǎn)的核心是神經(jīng)元重要性度量標(biāo)準(zhǔn)的選 擇和約簡(jiǎn)策略的確定。其中，神經(jīng)元重要性的度量是信息約簡(jiǎn)的基礎(chǔ)，有助于建立具有生 理意義的信息解析模型。本項(xiàng)目擬研究高通量神經(jīng)信息約簡(jiǎn)的理論與方法，主要內(nèi)容包括：研究神經(jīng)元電活動(dòng) 與解析目標(biāo)的互信息評(píng)價(jià)方法，構(gòu)建基于條件嫡、最小描述長(zhǎng)度、屬性依賴度的神經(jīng)元重 要性度量方法，利用分層貪婪策略進(jìn)行神經(jīng)信息約簡(jiǎn)；研究對(duì)多種度量標(biāo)準(zhǔn)進(jìn)行集成的策 略，聯(lián)合評(píng)價(jià)神經(jīng)元重要性，構(gòu)建基于集成學(xué)習(xí)的神經(jīng)信息約簡(jiǎn)模型。2）研究神經(jīng)信息的動(dòng)態(tài)非

40、線性解碼模型和方法神經(jīng)信息表達(dá)的動(dòng)力學(xué)過(guò)程非常復(fù)雜，主要表現(xiàn)為神經(jīng)信號(hào)的非線性和非穩(wěn)性。為了 提高解析的精確性和穩(wěn)定性，項(xiàng)目擬研究具有生理意義的非線性模型，分析和評(píng)價(jià)運(yùn)動(dòng)皮 層神經(jīng)元在運(yùn)動(dòng)參數(shù)編碼過(guò)程中的非穩(wěn)性，在引入動(dòng)態(tài)非線性方法，建立高效神經(jīng)信息解 碼模型。本項(xiàng)目擬研究動(dòng)態(tài)、非線性的神經(jīng)集群信息解碼，主要內(nèi)容包括：研究運(yùn)動(dòng)皮層神經(jīng) 信息解碼的非線性方法，包括模型的建立及其關(guān)鍵參數(shù)的獲取，引入已證實(shí)的關(guān)于神經(jīng)元 發(fā)放偏好性的證據(jù)，生成符合神經(jīng)生理特征的、泛化能力強(qiáng)的神經(jīng)信息解碼模型；基于數(shù) 據(jù)的概率統(tǒng)計(jì)法，分析與神經(jīng)元發(fā)放相關(guān)的不同運(yùn)動(dòng)學(xué)特征變量（位置、速度、加速度、 方向等），建立二者之間

41、的優(yōu)化映射模型；研究離散鋒電位信號(hào)的直接處理算法，將鋒電位中豐富的時(shí)間信息融入以上討論的建模、解碼以及優(yōu)化；研究不同神經(jīng)元組群隨時(shí)間變化、以及空間的分布規(guī)律，在解碼過(guò)程中允許動(dòng)態(tài)觀測(cè)模型；引入增量式建模方法，降低模型 更新的時(shí)間復(fù)雜度，構(gòu)建動(dòng)態(tài)的神經(jīng)信息解碼模型；研究不同神經(jīng)元對(duì)解析目標(biāo)的時(shí)間調(diào) 制模式，構(gòu)建基于精細(xì)時(shí)間調(diào)制的解碼模型。3）研究多腦區(qū)、多頻段神經(jīng)信息協(xié)同解碼方法與結(jié)構(gòu)和功能規(guī)整的感覺(jué)皮層相比，運(yùn)動(dòng)皮層區(qū)別呈現(xiàn)出一種松散式的分布式編碼， 多個(gè)腦區(qū)和不同類型的神經(jīng)信號(hào)共同參與了主動(dòng)運(yùn)動(dòng)中運(yùn)動(dòng)參數(shù)的編碼過(guò)程。為了提高信 息的完備性和提高以往基于單一腦區(qū)的鋒電位信號(hào)的解碼模型，需要研究

42、多個(gè)腦區(qū)于不同類型信號(hào)在運(yùn)動(dòng)編碼過(guò)程中的作用和相互間的關(guān)系，在此基礎(chǔ)上進(jìn)一步研究聯(lián)合協(xié)同解碼 模型，綜合利用神經(jīng)信號(hào)在時(shí) -空-頻域上的協(xié)同性。本項(xiàng)目擬研究神經(jīng)信息的聯(lián)合解碼方法，主要內(nèi)容包括：研究實(shí)驗(yàn)動(dòng)物不同腦區(qū)神經(jīng)元之間信息通訊與協(xié)同編碼過(guò)程，如：初級(jí)運(yùn)動(dòng)皮層手部區(qū)M1、背側(cè)運(yùn)動(dòng)前區(qū) PMD、后頂葉皮層PPC、腹側(cè)前運(yùn)動(dòng)區(qū)前部 F5等，構(gòu)建基于多腦區(qū)的空域神經(jīng)信息融合解碼模型； 研究高頻段鋒電位信號(hào)與低頻段局部場(chǎng)電位協(xié)同編碼過(guò)程，建立基于鋒電位和局部場(chǎng)電位 的頻域神經(jīng)信息融合解碼模型，并評(píng)價(jià)聯(lián)合解碼方法在精度和穩(wěn)定性上的表現(xiàn)。4)探索基于學(xué)習(xí)的腦機(jī)互適應(yīng)性解碼模型生物大腦在細(xì)胞、核團(tuán)和整體

43、等多個(gè)水平上，均表現(xiàn)出功能和結(jié)構(gòu)的可塑性。而腦機(jī) 接口的實(shí)際應(yīng)用中，使用者往往無(wú)法提供運(yùn)動(dòng)參數(shù)，而需要直接神經(jīng)控制來(lái)學(xué)習(xí)使用腦機(jī) 接口系統(tǒng)，而互適應(yīng)和共生系統(tǒng)為腦機(jī)接口提供了一種新的學(xué)習(xí)范式。本項(xiàng)目擬探索機(jī)器對(duì)大腦信號(hào)的自適應(yīng)功能，包括建立雙向腦機(jī)接口中的強(qiáng)化學(xué)習(xí)算 法模型，并研究如何優(yōu)化強(qiáng)化學(xué)習(xí)中的算法參數(shù)。建立互適應(yīng)系統(tǒng)和實(shí)驗(yàn)范式，根據(jù)互適 應(yīng)系統(tǒng)的訓(xùn)練效果評(píng)價(jià)不同策略的優(yōu)劣。研究不同獎(jiǎng)賞策略的效果，尤其是比較刺激大腦 獎(jiǎng)賞相關(guān)區(qū)域與提供外部獎(jiǎng)賞的區(qū)別；研究直接提取大腦獎(jiǎng)賞評(píng)估區(qū)域信號(hào)，以及如何將 其轉(zhuǎn)化為機(jī)器的動(dòng)作評(píng)估信號(hào)；以及研究先驗(yàn)知識(shí)機(jī)器學(xué)習(xí)中的作用。擬解決的關(guān)鍵技術(shù)(1)基于神經(jīng)

44、元重要性的神經(jīng)信息約簡(jiǎn)。在神經(jīng)信息傳遞中，各個(gè)神經(jīng)元活動(dòng)攜帶的 信息對(duì)于信息編碼的重要程度不同。擬通過(guò)評(píng)估不同神經(jīng)元在信息傳遞中的重要性，針對(duì) 性地對(duì)神經(jīng)集群信息進(jìn)行約簡(jiǎn)，可減少后續(xù)的計(jì)算代價(jià)，進(jìn)一步提高信息解析的實(shí)時(shí)性(2)非線性、動(dòng)態(tài)神經(jīng)解碼。神經(jīng)集群解碼旨在準(zhǔn)確地獲取大腦所傳遞的信息與指令， 是神經(jīng)信息解析的關(guān)鍵。項(xiàng)目擬通過(guò)引入泛化能力強(qiáng)的、動(dòng)態(tài)的解碼模型，建立符合生物 依據(jù)的神經(jīng)電信號(hào)與運(yùn)動(dòng)解析目標(biāo)的映射模型，增強(qiáng)模型的表達(dá)能力和魯棒性，提高解碼 的效果。(3)多腦區(qū)多信號(hào)源的聯(lián)合解碼。大腦神經(jīng)信息傳遞綜合了多腦區(qū)各類神經(jīng)信號(hào)在空域、頻域的協(xié)同作用，而現(xiàn)有神經(jīng)解碼大多基于單一腦區(qū)的鋒電

45、位信號(hào)，限制了解碼的精 確性。因此，項(xiàng)目擬根據(jù)神經(jīng)信息的協(xié)同性，建立空域、頻域協(xié)同解碼模型，綜合利用各 類神經(jīng)信息，提高解碼模型的完備性和穩(wěn)定性。(4)基于互適應(yīng)的神經(jīng)解碼。 為了解決實(shí)際應(yīng)用中因缺少輸出信號(hào)，缺少實(shí)驗(yàn)訓(xùn)練集的問(wèn)題，比如一個(gè)截肢的病人無(wú)法提供斷肢運(yùn)動(dòng)的數(shù)據(jù)。擬建立基于雙向腦機(jī)接口的的互 適應(yīng)系統(tǒng)，將互適應(yīng)研究擴(kuò)展至二維運(yùn)動(dòng)以及靈長(zhǎng)類動(dòng)物，該技術(shù)符合腦一機(jī)接口條件下 大腦皮層可塑性機(jī)理、神經(jīng)生物反饋機(jī)理，同時(shí)具有較強(qiáng)的應(yīng)用背景。主要?jiǎng)?chuàng)新點(diǎn)本項(xiàng)目充分體現(xiàn)了信息科學(xué)和神經(jīng)科學(xué)等多學(xué)科的交叉和綜合，通過(guò)在神經(jīng)信號(hào)分析 和解碼的理論與方法上的創(chuàng)新，在腦機(jī)接口關(guān)鍵技術(shù)上有所突破。項(xiàng)目的創(chuàng)新

46、點(diǎn)具體表現(xiàn) 在：針對(duì)神經(jīng)信號(hào)的高通量問(wèn)題，提出了基于神經(jīng)元重要性的約簡(jiǎn)方法，有利于提高模型的生理可解釋性；利用集成策略對(duì)多種重要性評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行綜合，減少了單一評(píng)價(jià)造成的信息損失，可用于實(shí)現(xiàn)高效的神經(jīng)信息約簡(jiǎn)。針對(duì)神經(jīng)信號(hào)的時(shí)變性，提出用增量式方法建立動(dòng)態(tài)神經(jīng)解碼模型，通過(guò)對(duì)模型參數(shù)的動(dòng)態(tài)調(diào)整，達(dá)到適應(yīng)性的目標(biāo)；針對(duì)神經(jīng)信號(hào)的協(xié)同編碼特性，提出多腦區(qū)、多信號(hào)協(xié)同解碼的新思路，從時(shí)空-頻等多方面綜合生理上的神經(jīng)信息整合機(jī)制，提高解碼信息的完備性， 局部場(chǎng)電位的引入還將進(jìn)一步提高系統(tǒng)的穩(wěn)定性。針對(duì)大腦可塑性的特性，提出了基于互適應(yīng)的雙向?qū)W習(xí)腦機(jī)接口框架，通過(guò)結(jié)合 生物腦和機(jī)器腦的學(xué)習(xí)能力，解決實(shí)際應(yīng)

47、用中輸出數(shù)據(jù)無(wú)法獲得的問(wèn)題。（四）項(xiàng)目預(yù)期目標(biāo)（主要技術(shù)經(jīng)濟(jì)指標(biāo)、社會(huì)效益、技術(shù)應(yīng)用和產(chǎn)業(yè)化前景以及獲 取自主知識(shí)產(chǎn)權(quán)的情況）。通過(guò)本項(xiàng)目的開(kāi)展，將在以下關(guān)鍵技術(shù)上取得突破性進(jìn)展，產(chǎn)生若干具有自主知識(shí)產(chǎn) 權(quán)的核心方法和技術(shù)，相關(guān)技術(shù)和系統(tǒng)原型可在今后的腦機(jī)接口系統(tǒng)的實(shí)際應(yīng)用中得到進(jìn) 一步的實(shí)踐.建立神經(jīng)元重要性的定量化評(píng)價(jià)的指標(biāo)，在此基礎(chǔ)上提出基于神經(jīng)信息約簡(jiǎn)的新方法，通過(guò)可視化手段使神經(jīng)信號(hào)以及解碼模型的可讀性加強(qiáng)，減少解碼運(yùn)算量的同時(shí)增加 解碼模型的準(zhǔn)確性，計(jì)算效率的優(yōu)化將有助于提高腦機(jī)接口系統(tǒng)的便攜性，推進(jìn)器產(chǎn)業(yè)化。.通過(guò)對(duì)神經(jīng)信號(hào)非穩(wěn)性的分析，將有助于建立具有先驗(yàn)知識(shí)的動(dòng)態(tài)更新模型，使

48、得神經(jīng)解碼模型的可以動(dòng)態(tài)跟蹤和適應(yīng)神經(jīng)元的變化。另一方面，基于增強(qiáng)學(xué)習(xí)的腦機(jī)互適 應(yīng)方法的建立，將極大的提高腦機(jī)接口的實(shí)用性。以上關(guān)鍵技術(shù)的突破將極大的提高腦機(jī) 接口從實(shí)驗(yàn)室的學(xué)術(shù)研究向產(chǎn)業(yè)化的方向進(jìn)行轉(zhuǎn)化。.多腦區(qū)多種神經(jīng)信號(hào)的聯(lián)合分析，有助于了解神經(jīng)信號(hào)的相互關(guān)系，揭示不同腦區(qū)和信號(hào)之間的功能和結(jié)構(gòu)聯(lián)系，為神經(jīng)信號(hào)處理機(jī)制的解釋提供新的實(shí)驗(yàn)數(shù)據(jù)，為神經(jīng)性 運(yùn)動(dòng)疾病的產(chǎn)生和治療提供新的評(píng)價(jià)手段。同時(shí)，該技術(shù)的突破可能減少植入的創(chuàng)傷，提 高解碼的穩(wěn)定性，進(jìn)一步提升運(yùn)動(dòng)型腦機(jī)接口系統(tǒng)的整體性能。由于以上研究?jī)?nèi)容和工作目標(biāo)也是當(dāng)前國(guó)際上腦機(jī)接口的研究重點(diǎn)和熱點(diǎn)，通過(guò)本項(xiàng) 目將能進(jìn)一步加強(qiáng)研究團(tuán)隊(duì)與

49、國(guó)外合作研究伙伴的學(xué)術(shù)聯(lián)系，提高自身的學(xué)術(shù)影響力。作 為第六次科技革命的重要潛在承載體之一的腦機(jī)接口技術(shù)的發(fā)展，將有力利的推動(dòng)相關(guān)信 息處理技術(shù)和健康醫(yī)療產(chǎn)業(yè)的發(fā)展。10（五）項(xiàng)目實(shí)施方案、技術(shù)路線、組織方式與課題分解。實(shí)施萬(wàn)案神經(jīng)集群信號(hào)的高效、協(xié)同解析研究方案的框架如圖1所示，各部分研究方案如下:不同腦區(qū)神經(jīng)元不同頻段神經(jīng)元信號(hào)高通量神經(jīng)集群信息的高效、協(xié)同解析模塊初級(jí)運(yùn)動(dòng)皮層手部區(qū)（M1）背側(cè)運(yùn)動(dòng)前區(qū)（PMd）鋒電位后頂葉皮層（PPC）局部場(chǎng)電位腹側(cè)前運(yùn)動(dòng)區(qū)前部（F5）菲穩(wěn)定神經(jīng)元信息濾除模型高通量神經(jīng)信息約簡(jiǎn)模型基于點(diǎn)過(guò)程的解碼 模型腦，頻神信協(xié)解模 多區(qū)多段經(jīng)息同碼圖1神經(jīng)集群解析框

50、架圖（1）多通道神經(jīng)信號(hào)獲取本項(xiàng)目擬非人靈長(zhǎng)類動(dòng)物（猴）為研究對(duì)象，應(yīng)用腦立體定位技術(shù)和微電極埋植技術(shù)，將微電極陣列植入實(shí)驗(yàn)動(dòng)物的多個(gè)腦區(qū)，記錄實(shí)驗(yàn)動(dòng)物在執(zhí)行特定上臂運(yùn)動(dòng)任務(wù)時(shí)的腦內(nèi) 神經(jīng)元鋒電位和局部場(chǎng)電位信號(hào)；通過(guò)多種運(yùn)動(dòng)實(shí)驗(yàn)范式，訓(xùn)練實(shí)驗(yàn)動(dòng)物完成特定的任務(wù)。針對(duì)猴的一維和二維的Center-Out任務(wù)和目標(biāo)追蹤任務(wù)，利用微電極陣列（96-chMicroelectrodes Array , Blackrock , US）記錄實(shí)驗(yàn)猴大腦中多個(gè)與運(yùn)動(dòng)及運(yùn)動(dòng)計(jì)劃相關(guān)的核 團(tuán)（M1 , PMd , PPC）的神經(jīng)電信號(hào)。同時(shí)利用運(yùn)動(dòng)捕獲設(shè)備記錄實(shí)驗(yàn)猴前肢多個(gè)關(guān)節(jié)的 運(yùn)動(dòng)學(xué)參數(shù)（方向、速度、加速度和

51、位置等）。針對(duì)猴的“抓-握”任務(wù)，將微電極陣列分別植入實(shí)驗(yàn)動(dòng)物大腦中多個(gè)與運(yùn)動(dòng)及運(yùn)動(dòng)計(jì) 劃相關(guān)的核團(tuán)（M1 , PMd, PPC, F5）。利用具有壓力傳感器的手柄和肢體運(yùn)動(dòng)捕獲系統(tǒng), 同步記錄實(shí)驗(yàn)動(dòng)物在抓握不同形狀、大小和重量的抓握目標(biāo)和特定的任務(wù)時(shí)相關(guān)的神經(jīng)集 群活動(dòng)和手的運(yùn)動(dòng)學(xué)參數(shù)（主要包括：手握的形狀，手指的屈伸狀態(tài)，握力的大小，手指 關(guān)節(jié)的彎曲度，拇指與食指間距等）（2）針對(duì)非穩(wěn)定神經(jīng)元發(fā)放信息濾除技術(shù)的研究神經(jīng)元不穩(wěn)定發(fā)放帶來(lái)的信息分量與執(zhí)行的任務(wù)無(wú)關(guān)，是噪聲的一部分，自動(dòng)濾除 非穩(wěn)定神經(jīng)信息分量是這部分研究要解決的問(wèn)題。基本思路是建立一個(gè)基于稀疏表征的神 經(jīng)信息重構(gòu)模型，給定量化

52、后的神經(jīng)元鋒電位信號(hào)X和神經(jīng)元信號(hào)字典 D ,該模型擬求解以下優(yōu)化問(wèn)題： ?,? =argmin （| x - D a e |2 +臼| 刈 +- |e |i）e（1）其中U1表示l1 -norm , a表示稀疏表征系數(shù)，e表示非穩(wěn)定神經(jīng)信息分量。該模型包含兩部分，第一部分是神經(jīng)信息的稀疏重構(gòu)，對(duì)稀疏表征的理論和實(shí)踐研究表明，盡管信號(hào)本身維度通常很高，同類信號(hào)卻往往分布在低維的子空間或子流形中，如果構(gòu)建的字典11可以較好地表達(dá)數(shù)據(jù)的這種分布，則稀疏表征可以自然地挖掘出信號(hào)的內(nèi)在信息，實(shí)現(xiàn)精 確的重構(gòu)。在神經(jīng)信號(hào)解碼中，相似任務(wù)或動(dòng)作對(duì)應(yīng)的神經(jīng)信號(hào)完全滿足低維子空間或子 流形分布的條件，因此，公

53、式 （1）表達(dá)的神經(jīng)信息稀疏模型完全可以支持信號(hào)的準(zhǔn)確重構(gòu)； 另一方面，公式（1）將不穩(wěn)定信息分量g的分解融合在優(yōu)化目標(biāo)中，由于非穩(wěn)定信息分量通 常是稀疏的，優(yōu)化目標(biāo)函數(shù)要求最小化e的i范數(shù)完全符合問(wèn)題的要求，從而可以有效地濾除不穩(wěn)定分量。綜合上述兩點(diǎn)，神經(jīng)信息的稀疏重構(gòu)模型可以同時(shí)實(shí)現(xiàn)信號(hào)的準(zhǔn)確表征 和噪聲的濾除。（3）針對(duì)高通量神經(jīng)信息約簡(jiǎn)的研究實(shí)驗(yàn)中記錄的神經(jīng)集群信號(hào)數(shù)據(jù)量大、時(shí)空關(guān)系復(fù)雜，信息處理的難度大。為了實(shí)現(xiàn) 實(shí)時(shí)、精確地神經(jīng)信息解析，首先需要解決信息規(guī)模大，冗余度高的問(wèn)題。擬采用神經(jīng)信 息約簡(jiǎn)的方法降低數(shù)據(jù)規(guī)模，去除冗余信息。該方法的思路是首先利用條件嫡等手段對(duì)神 經(jīng)元重要性進(jìn)

54、行度量，然后利用該重要性進(jìn)行信息約簡(jiǎn)，并建立約簡(jiǎn)的神經(jīng)集群解碼模型；同時(shí)研究多種重要性度量標(biāo)準(zhǔn)，利用集成學(xué)習(xí)的策略將多種標(biāo)準(zhǔn)進(jìn)行集成，聯(lián)合評(píng)價(jià)神經(jīng) 元重要性，構(gòu)建基于集成學(xué)習(xí)的神經(jīng)信息約簡(jiǎn)模型。建立基于條件嫡的神經(jīng)元重要性度量方法，主要思路是通過(guò)解碼目標(biāo)的混亂程度衡量 神經(jīng)元子集包含的解碼信息。當(dāng)解碼目標(biāo)為離散量時(shí)條件嫡容易計(jì)算。但在解碼連續(xù)目標(biāo) 時(shí)，不能直接獲得條件嫡，擬根據(jù)解碼所需的精細(xì)程度，對(duì)連續(xù)的目標(biāo)值進(jìn)行等間隔離散 化，然后計(jì)算解碼目標(biāo)關(guān)于某神經(jīng)元子集的條件概率分布，利用該條件概率分布計(jì)算出條 件嫡，作為相應(yīng)神經(jīng)元子集的重要性度量。在約簡(jiǎn)過(guò)程中，采用貪婪搜索的策略，在每一次循環(huán)中，計(jì)

55、算每個(gè)神經(jīng)元的加入帶來(lái) 神經(jīng)元子集重要性的增量，選取增量最大的神經(jīng)元加入約簡(jiǎn)集。當(dāng)神經(jīng)元子集的重要性不 再提高時(shí)，約簡(jiǎn)過(guò)程結(jié)束，最終建立約簡(jiǎn)的神經(jīng)元子集。其中，當(dāng)多個(gè)神經(jīng)元重要性相等 時(shí)采用分層貪婪的搜索策略選取神經(jīng)元。針對(duì)神經(jīng)系統(tǒng)的復(fù)雜性，擬對(duì)多種重要性評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行集成，利用條件嫡、屬性依賴度、最小描述長(zhǎng)度及基尼系數(shù)進(jìn)行聯(lián)合評(píng)價(jià)，集成策略有以下兩種：（1）對(duì)每一種評(píng)價(jià)標(biāo)準(zhǔn)，利用前述的貪婪策略分別進(jìn)行信息約簡(jiǎn)，獲得多個(gè)約簡(jiǎn)的神經(jīng)元子集，對(duì)每個(gè)約簡(jiǎn)子 集分別建立神經(jīng)解碼模型，然后利用投票和加權(quán)投票的方法，對(duì)多個(gè)模型的解碼結(jié)果進(jìn)行 集成。（2）通過(guò)多種評(píng)價(jià)標(biāo)準(zhǔn)的加權(quán)和，建立復(fù)合的重要性評(píng)價(jià)標(biāo)準(zhǔn)。擬

56、采用窮舉搜索和 進(jìn)化計(jì)算兩種方法對(duì)每種評(píng)價(jià)標(biāo)準(zhǔn)的權(quán)值進(jìn)行優(yōu)化。窮舉搜索用以應(yīng)對(duì)評(píng)價(jià)標(biāo)準(zhǔn)的個(gè)數(shù)較 少的情況，首先確定權(quán)值的搜索粒度，然后對(duì)權(quán)值空間進(jìn)行遍歷。進(jìn)化計(jì)算用以處理評(píng)價(jià) 標(biāo)準(zhǔn)個(gè)數(shù)很多的情況，在進(jìn)化計(jì)算中，適應(yīng)度函數(shù)正比于所選權(quán)值下建立的解碼模型的精 度。權(quán)值確定后，基于所得的復(fù)合重要性評(píng)價(jià)標(biāo)準(zhǔn)，利用前述的貪婪策略進(jìn)行神經(jīng)信息約簡(jiǎn)。（4）針神經(jīng)信息編碼的非線性研究神經(jīng)系統(tǒng)是典型的非線性系統(tǒng)，項(xiàng)目擬采用廣義回歸神經(jīng)網(wǎng)絡(luò)、支持向量回歸機(jī)、等 非線性的方法進(jìn)行建模。廣義回歸神經(jīng)網(wǎng)絡(luò)應(yīng)用于神經(jīng)解碼時(shí)，對(duì)于模型參數(shù)的選取，擬 采用啟發(fā)式方法，對(duì)模型性能進(jìn)行近似，以逼近最優(yōu)的參數(shù)值。對(duì)于訓(xùn)練樣本過(guò)多時(shí)

57、造成 的解析實(shí)時(shí)性問(wèn)題，擬對(duì)訓(xùn)練樣本進(jìn)行聚類，從大量的訓(xùn)練樣本中產(chǎn)生少量的代表性樣本，12 用作網(wǎng)絡(luò)的隱層神經(jīng)元，從而降低解碼階段的計(jì)算消耗。對(duì)于支持向量回歸機(jī)，首先要解 決的問(wèn)題是核函數(shù)的選擇以及回歸機(jī)參數(shù)的確定，擬采用類似于廣義回歸神經(jīng)網(wǎng)絡(luò)的參數(shù) 選取方法，采用啟發(fā)式方法搜索不同核函數(shù)下的最優(yōu)的參數(shù)設(shè)定。另一個(gè)要解決的問(wèn)題是 根據(jù)解碼目標(biāo)的重要程度對(duì)風(fēng)險(xiǎn)函數(shù)進(jìn)行調(diào)整。擬采用線性加權(quán)的方法，給予重要程度高 的樣本在風(fēng)險(xiǎn)函數(shù)中更多的關(guān)注度。針對(duì)神經(jīng)元信號(hào)的特殊性，為保留蘊(yùn)含于記錄時(shí)間中的神經(jīng)動(dòng)力學(xué)特性，擬直接從記 錄的鋒電位信號(hào)對(duì)運(yùn)動(dòng)信號(hào)進(jìn)行估計(jì)，并采用序列蒙特卡羅點(diǎn)過(guò)程估計(jì)（ Sequent

58、ial Monte Carlo Point Process Estimation ）進(jìn)行解碼。首先對(duì)運(yùn)動(dòng)信號(hào)進(jìn)行建模，使模型包含運(yùn)動(dòng)本身的動(dòng)態(tài)性質(zhì)；然后對(duì)運(yùn)動(dòng)學(xué)的不同特征變量（位移、速度、加速度或其組合）進(jìn)行分析， 用線性投影方法降維，并與鋒電位信號(hào)相關(guān)聯(lián)，采用基于數(shù)據(jù)的概率統(tǒng)計(jì)法得到其非線性 特征，建立運(yùn)動(dòng)學(xué)參數(shù)與神經(jīng)元鋒電位信號(hào)的優(yōu)化非線性映射模型。在上述已建立的兩個(gè) 模型基礎(chǔ)上，對(duì)鋒電位信號(hào)（即點(diǎn)過(guò)程序列）直接進(jìn)行解碼。由于運(yùn)動(dòng)模型與神經(jīng)發(fā)放偏 好函數(shù)模型均可為非線性，運(yùn)動(dòng)狀態(tài)的后驗(yàn)概率可以不受高斯分布的限制而呈任何分布， 因而能夠提高解碼的準(zhǔn)確性。（5）針神經(jīng)信息編碼時(shí)變性的研究神經(jīng)信

59、息解碼的目的在于建立神經(jīng)信息-行為之間的映射模型， 通常同一行為所對(duì)應(yīng)的神經(jīng)信號(hào)會(huì)隨時(shí)間變化而變化，利用機(jī)器學(xué)習(xí)算法在固定訓(xùn)練集上學(xué)習(xí)得到的映射模型性 能會(huì)逐漸下降。針對(duì)神經(jīng)系統(tǒng)的時(shí)變性，擬采用增量式和雙模型解碼方法進(jìn)行處理為建立 具有穩(wěn)定泛化能力的映射模型。增量式神經(jīng)解碼主要考慮如何保留歷史經(jīng)驗(yàn)知識(shí)和降低模 型更新代價(jià)。擬利用廣義回歸神經(jīng)網(wǎng)絡(luò)等方法建立動(dòng)態(tài)的神經(jīng)解碼模型。該方法不需要學(xué) 習(xí)過(guò)程，模型的動(dòng)態(tài)更新可以通過(guò)訓(xùn)練樣本的添加和替換來(lái)實(shí)現(xiàn)，該操作計(jì)算復(fù)雜度為線 性，并可以通過(guò)設(shè)計(jì)合適的添加和替換策略來(lái)保留以往的經(jīng)驗(yàn)。同時(shí)，擬對(duì)每個(gè)隱藏層神 經(jīng)元根據(jù)時(shí)間先后進(jìn)行加權(quán)，使得訓(xùn)練樣本的重要性隨

60、時(shí)間逐漸衰退。雙模型解碼充分考 慮大腦的可塑性與自適應(yīng)性，可對(duì)神經(jīng)發(fā)放偏好模型（即概率解碼中的觀測(cè)模型）進(jìn)行動(dòng) 態(tài)更新。采用概率統(tǒng)計(jì)方法對(duì)不同時(shí)間段或運(yùn)動(dòng)任務(wù)的不同階段（如自我喂食任務(wù)中的肢 體伸出、抓和握）建立參數(shù)不同的神經(jīng)發(fā)放偏好映射。構(gòu)建時(shí)變參數(shù)模型，允許觀測(cè)模型 在解碼的同時(shí)動(dòng)態(tài)更新。在解碼過(guò)程中對(duì)神經(jīng)發(fā)放偏好映射和運(yùn)動(dòng)軌跡同時(shí)進(jìn)行實(shí)時(shí)估計(jì)。 另一方面，擬采用半監(jiān)督學(xué)習(xí)技術(shù)動(dòng)態(tài)更新解碼模型，半監(jiān)督學(xué)習(xí)解決的典型問(wèn)題是：已 有大量訓(xùn)練樣本，但僅有少量樣本具有對(duì)應(yīng)動(dòng)作參數(shù)，在采用這小部分樣本學(xué)習(xí)解碼模型 的基礎(chǔ)上，充分利用大量無(wú)對(duì)應(yīng)動(dòng)作參數(shù)的樣本建立更準(zhǔn)確的分類或回歸模型。由于神經(jīng) 系統(tǒng)的