加州大学旧金山分校(University of California，San Francisco)神经科学研究所的研究人员曾在旧金山加州大学(University of California，San Francisco)控制假肢，他们已经证明，机器学习技术可以帮助瘫痪患者学会控制电脑光标并在不进行大量日常训练的情况下使用他们的大脑活动，而根据美国医疗服务公司(American Medical Services)和盛元国际的数据，过去在脑-计算机接口(BCI)方面的所有努力都是必需的。

        近年来，在脑-计算机接口领域取得了巨大的进步，但由于现有系统每天都需要重新设置和校准，它们无法进入大脑的自然学习过程。这就像让人一次又一次地骑自行车一样。在瘫痪患者中，将人工学习系统应用于复杂的长期学习模式是前所未有的。"医学研究的高级作者、加州大学神经病学系副教授KaruneshGanguly博士说。

        即插即用"性能的实现证明了所谓的ECoG电极阵列在BCI应用中的价值。ECoG阵列包括一个电极垫，其大小与手术放置在大脑表面的电极大小相当。能长时间、稳定地记录神经活动，已被批准用于癫痫发作的监测。相比之下，过去的脑-计算机接口技术使用的是"针垫"锐利的电极阵列，这种电极阵列穿透大脑组织以获得更敏感的记录，但随着时间的推移，信号往往会被传送或丢失。在这种情况下，作者获得了用于瘫痪患者的中长期慢性植入ECoG阵列的调查设备批准，以测试其作为长期稳定的BCI植入的安全性和有效性。

        在2020年9月7日发表在"自然生物技术"上的一篇新论文中，Ganguri的团队记录了ECoG电极阵列在四肢瘫痪患者中的使用情况。参与者还参加了一项临床试验，目的是测试使用ECoG阵列来让瘫痪患者控制假肢的手臂和手部，但在新的论文中，参与者使用一种植入技术来控制屏幕上的计算机光标。

        研究人员开发了一种脑-计算机接口算法，该算法利用机器学习将ECoG电极记录的大脑活动与用户所需的光标移动相匹配。"最初，研究人员每天都遵循重置算法的标准做法。参与者首先想象特定的颈部和手腕动作，然后观察光标在屏幕上的移动。渐渐地，计算机算法更新自己，使光标的运动与由此产生的大脑活动相匹配，从而有效地将光标的控制传递给用户。但是，每天开始这个过程对可以实现的控制级别设置了严格的限制。掌握设备的控制可能需要几个小时，有时参与者甚至不得不完全放弃。

        然后，研究人员转而允许该算法继续更新，以匹配参与者的大脑活动，而不必每天重新设置。他们发现，大脑信号和机器学习增强算法之间的持续互动，可以导致性能持续提高很多天。起初，每天都需要弥补一些损失，但很快参与者就能立即达到最佳表现水平。

        研究人员说："随着时间的推移，参与者大脑可以放大的神经活动模式可以使用最有效的方式，将人工接口通过ECoG阵列，消除低效的信号--比如大脑被认为是如何学习任何复杂任务的过程。他们观察到，参与者的大脑活动似乎形成了一种根深蒂固的、一致的大脑"模式"来控制BCI接口，这种情况在日常重置和再校准过程中从未发生过。经过数周的持续学习后，参与者很快就会重新建立起控制装置的相同神经活动模式，有效地将算法重新训练到原来的状态。

        一旦用户创建了控制界面的解决方案的持久内存，就没有必要重新设置它，"Ganguly说。大脑很快就会会聚在同一个解决方案上。

        最终，一旦专业知识建立起来，研究人员就会证明，他们可以完全停止算法的自我更新，参与者可以开始每天使用界面，而不需要再培训或重新校准。在44天的时间里，没有再培训，表现不会下降，参与者甚至不能连续几天练习，性能也不会下降。随着在BCI控制(移动光标)方面建立了稳定的专业知识，研究人员还可以"叠加"额外技能--比如"点击"虚拟按钮--而不会失去性能。