探索脑机接口背后的工程奥秘

March 10, 2025

一台设备与测试者头部连接以读取人脑电波 — *图源：Joe P/stock.adobe.com；使用AI生成*

脑机接口 (BCI) 是指在大脑和外部设备之间建立连接的设备。不同的技术可以让大脑发送或接收信息，而无需依赖语言或视觉等活动。有些BCI从大脑中提取信息，有些则可刺激大脑。

BCI技术已经发展了数十年。例如，测量脑电活动的脑电图（EEG）早在一个世纪前就已问世。此外，还有其他已成功用于刺激大脑以达到治疗目的技术，比如用于辅助听力的人工耳蜗和用于帕金森病等运动障碍的脑深部刺激。

现在的技术进步让BCI技术成为了科学界的新焦点。知名倡导者预测BCI将彻底改变我们与科技的关系，[1]而医学界则热衷于开发治疗神经系统疾病的新方法。看到这些新闻，人们可能会联想到艾萨克·阿西莫夫（Isaac Asimov）或威廉·吉布森（William Gibson）所著科幻小说中的BCI。本文将探讨这些发展的现实性和背后的工程学。

与人脑交互

与大脑建立连接的方法主要有三种：非侵入式、半侵入式和侵入式。脑电图技术虽然不是一种接口，但也是一种非侵入式方法。由于脑电图可以通过头骨检测大脑表面的电活动，因此这种设备可以安装在人体外部。脑电图测量到的信号相对粗糙，但能检测到大脑的整体活动，可用于提供相对简单的移动解决方案，如控制轮椅。

然而非侵入式方法在功能上存在局限性。它们无法测量大脑结构深处发出的信号。此外，表面信号在穿过患者颅骨和皮肤到达检测器之前会变弱或失真。半侵入式方法（如在颅腔内大脑皮层外植入电极）可提供质量更高的信号，但需要进行手术。任何侵入式或半侵入式手术，无论多么常规，都存在一定的风险，包括对健康组织的损伤、对使用者的感染以及植入物可能出现的排斥反应。使用非侵入式技术可以消除这些风险。然而，从单个神经元附近的电极收集数据的能力为深入了解大脑如何工作提供了可能。

在侵入式方法中，传感器电极被直接植入大脑，每个传感器可以记录数百个位置。由于检测到的信号是电信号，因此传感器必须能导电。现代侵入式BCI技术使用的记录点由硅或聚酰胺等绝缘聚合物制成的载体组成。传感器或使用氧化铱或铂等金属材料，或涂覆聚（3,4-亚乙二氧基噻吩）等导电聚合物。

这种侵入式技术可以从大脑结构内部检测到三维信号。要想更好地理解这一过程，我们必须了解大脑的运作方式。大脑的构成单元是神经元；每个神经元都可以被看作一个带电荷的气球。当神经元受到刺激时，它们会释放或发射出一种固定的动作电位，从而产生可以检测到的变化。

这些可检测到信号非常微小。即使是一个大的尖峰信号也可能只有100µV，且持续时间很短，约为1毫秒。每个神经元的尖峰行为都是固定且一致的，可以通过一组记录点来检测，每个记录点都靠近不同的神经元或神经元集群。当神经元放电时，尖峰会在不同时间出现，每个尖峰都会在附近的电极上记录下来。整体效果形成了一个场，即大脑区域中所有突触输入的总和。因此，虽然单个神经元可被视为元素，但大脑的整体功能需要神经元协同工作以产生场电位。

即使通过侵入式技术提高了灵敏度，但根据设备要测量或增强的功能不同，定位大脑的正确部位也会出现问题。记忆可能是最具挑战性的问题。尽管对大脑处理记忆的方式进行了大量研究，[2]但人们对这一功能仍然知之甚少，也很难测量，特别是由于大脑存储信息的方式似乎是分布式的。

大脑功能的其他方面则更较容易测量。大脑以更局部、更直接的方式处理感官信息，因此可以更准确地定位每个区域。视觉就是这种更有针对性方法的典型例子，目前正在研究如何通过刺激初级视觉皮层来产生人工视觉。[3]

由于这些刺激是即时的，因此这项工作变得更加容易。无论是视觉、听觉还是其他形式的刺激，大脑都会立即做出反应，无需存储信息以供日后调用。这样就更容易测量和刺激大脑的这些区域，从而产生可用的结果。

虽然有许多技术可以检测大脑内的信息，甚至刺激大脑产生反应，但成功与否取决于大脑和计算机之间的接口以及数据的解释方式。因此，策略的选择取决于预期的结果，但还需要考虑技术的舒适性和便利性。非侵入式设备的使用不会对用户的生活质量造成长期影响。例如，脑电图设备可以像帽子一样佩戴，一旦不再需要，就可以取下。这非常适合BCI的治疗应用，脑电图设备可用于诊断癫痫和中风等疾病。这些设备也是睡眠分析等生活方式和健康应用的理想选择。

借助于计算机

大脑可以看作是一个电子器官，能够处理和存储信息，并做出反应。从这个角度来说，它就像一台电脑，但我们不能过分类比。大脑的工作原理不像微处理器那样，后者通过晶体管在两种状态之间切换。然而，大脑与微处理器有足够的相似之处，我们可以利用技术与之交互。大脑是一个使用我们能够检测和理解的电信号的系统。虽然所需的工程设计非常复杂，但利用技术从大脑中提取数据仍然是可能的。

BCI中的计算机构成了处理和解释信号的中心枢纽，可实现大脑与外界的通信。它能够执行信号采集和数据处理任务。除了处理原始数据，解释数据也是计算机面临的一项重要任务。

该过程的前半部分相对容易实现自动化。无论是侵入式或非侵入式方法，在大脑内检测到的信号都很小。这些信号通常被简单地记录为电压波动，必须进行放大并从人体产生的噪音中过滤出来。例如，所有肌肉运动都会受到电信号的刺激，从而干扰从大脑收集到的信息。

一旦捕捉到信号，就要开始识别它们的含义。微处理器可以处理大量的实时大脑信息，研究人员正在研究如何在提供有用功能的同时减少数据集。[4]

此外，BCI的预期目的、所需数据量以及处理这些数据的速度也存在显著差异。对于任何计算机系统来说，关键要求之一就是从原始数据中提取含义，无论是对应于特定的心理状态、命令还是意图。

人工智能 (AI) 非常适合分析大量嘈杂的数据集，例如大脑信号。人工智能算法可以识别模式、过滤无关噪声并解码神经活动，从而将想法或意图转化为精确的实用命令。这对通过BCI控制假肢或提供通信的应用至关重要。

人工智能还将成为理解大脑活动与预期结果之间非线性关系的关键，这对于大脑受损的情况尤为重要。虽然人们对大脑的结构非常了解，但中风和其他损伤对大脑造成的损害对每个患者来说都是独一无二的。幸运的是，人类大脑的可塑性使其能够自我重组。通过康复训练，可以绕过受损的部分，其中重复训练有助于在健康的神经元之间建立更牢固的联系。这一过程被称为Hebbian学习，有助于恢复运动控制能力。

AI和BCI的结合将成为推动脑机通信成为实用解决方案的动力。随着AI的不断发展，它将增强BCI的功能，让我们更接近那些曾经属于科幻小说范畴的应用--从思想驱动的通信到更高水平的人机协作。