项目可行性及经费预算报告

1、项目可行性及经费预算报告（国际科技合作版）一、项目可行性报告（一）项目合作背景及合作的必要性。脑机接口不依赖于常规的脊髓 /外周神经肌肉系统，在脑与外部设备之间建立一种新型 的信息交流与控制通道，实现了脑与外界的直接交互。脑机接口的研究对脑与认知、智能 信息处理、仿脑工程和人工智能等有重要的科学意义，有利于推动新型信息感知、复杂数 据处理、模式识别、认知计算和人机交互等技术的研究与发展，在挖掘人类认知潜能、残 障人康复、神经疾病治疗，以及航天、国家安全等问题上都具有重要的社会意义和广泛的 应用前景，因此引起了国际学术界的极大关注，成为信息科学与神经科学交叉研究领域的 前沿热点问题。脑机接口主要

2、有非植入式和植入式两大类1。其中，植入式脑机接口尽管有手术创伤风险，但该技术能直接获取大脑皮层的神经集群信号，信息量大、时空分辨率高，对锋电 位（Spike）信号的解码率目前已达 6.5 bps,延迟短至0.1秒2,能够实现对外部设备多自 由度的实时、精确控制。在这些研究新进展的激励下，借助电子信息科学的微电极制造、 并行数据采集系统和神经信息处理等技术的推动，植入式脑机接口正在形成国际研究热潮。自本世纪以来，Nature和Science等报道了一系列基于运动神经信号的植入式脑机接口的 重大成果，进一步促进了人们对运动神经系统的认识，相关成果建立了大量复杂信息处理、人机交互技术以及模式识别的新

3、方法，极大地推动了信息、认知等科学的发展。为了在新一轮的国际科技竞争中取得技术领先和主动，美国通过国家科学基金（NSF）、国立卫生研究院（NIH）和国防先进研究计划署 （DARPA）向该领域投入大量人力和财力， 支持啮齿类（大鼠）和非人灵长类动物（猴）的植入式脑机接口研究。在过去的十多年里， 该技术得到了快速发展并取得重大突破，初步实现了大脑信号对外部设备（如计算机、假 肢等）的直接控制。相关的研究成果和进展不断被Nature和Science等国际顶级期刊所报道。当前该研究领域的工作国际化和全球合作趋势愈发明显，其中美国的“革命性假肢” 项目联合了美国众多的顶尖高校和欧洲的著名假肢厂商来合作研

4、究和进行开发。美国的“REPAIR”项目，欧洲的“ Neuro-IT”项目都是针对脑机接口技术的科学和技术问题，整 合多个国家和不同学科背景的科研团队的资源优势，以项目合作的方式来推动相关基础研 究和开发应用的不断深入。近年来，在国家科技部的支持下，国内的脑机接口研究取得显著进展，在脑机接口技 术的某些方面实现了与国际水平相接轨，但在整体水平上我们和欧美等发达国家还存在着 一定的差距，为了实现我国在该领域的研究能实现快速的跨越式发展，有必要积极发挥和利用“走出去，引进来”的国际合作策略，与国际上该领域的顶尖实验室建立起长期的合作关系 在前沿问题上同步展开研究，进而实现与国际水平的接轨 ，获得国

5、际高水平的研究成果。针对脑机接口中神经信号特征和处理过程中面临的挑战，本课题拟利用已有的国际合 作研究平台，在已建立的非人灵长类动物（猴）脑机接口实验平台上，与外方合作，发挥 各自学术特征，并重点解决以下两个关键科学问题：（1）运动皮层神经集群信息的特性分析；（2）高通量、非线、动态和协同的神经解码。两者互为依托，准确、实时的信息分析 有助于了解神经信号的特性，而解码方法的实现将利于解释生物体神经信息的自然表征。 以上关键问题的解决不仅取决于多通道神经集群信息的约简等高通量神经信息预处理的关 键技术，还取决于实时、动态的神经集群信息解析的关键技术，需要在神经集群信息处理、模式识别等技术上有所创

6、新和突破。综上所述，如何实现运动型脑机接口中神经信号的分析和解码是极具挑战的科学前沿 问题，相关研究涉及的基础理论和关键科学问题是目前国际上该领域内最新的研究热点之 一，同时也是国家自然科学基金委拟重点支持的方向，在国家中长期科学和技术发展规 划纲要（2006 2020） 在基础研究的重要科学前沿问题和前沿技术中给予重点安排的研 究内容。本项目拟通过国际合作，借助和发挥各自的学术和技术优势，通过对以上科学问 题和关键技术的研究，争取在高通量神经信息的高效约简，实时、协同的神经集群信息解 析上有所创新和突破，使我国脑机接口技术的研究跻身国际前列。（二）国内外研究现状和发展趋势。脑机接口的研究可以

7、追溯到上世纪90年代末，1999年Chapin等人用人工神经网络算法将大鼠运动皮层神经集群电信号转换为水泵控制指令，首次实现了大脑对外部设备的直 接控制3。该研究表明植入式脑机接口在脑神经信息加工处理机制探索、神经功能修复与 疾病治疗等方面具有重大的科学研究和应用价值。近年来，各国政府纷纷投入大量人力和 财力，支持植入式脑机接口及相关的神经信息处理和植入式器件等方面的研究，以期在新 一轮的国际科技竞争中取得技术领先和主动。美国的一些大学和研究机构在国家科学基金（NSF）、国立卫生研究院（NIH）和国防先进研究计划署（DARPA）的支持下，率先开展 了啮齿类（大鼠）3和非人灵长类动物（猴）4的植

8、入式脑机接口研究，推动了该技术的 快速发展并取得重大突破，初步实现了运动皮层神经集群信号对外部设备（如计算机、假 肢等）的直接控制。相关的研究成果和进展不断被Nature和Science等国际顶级期刊所报道2, 5, 6。2006年美国Cyberkinetics公司开发的BrainGateTM获得了 FDA的认证，并先后 成功地在6名高位瘫痪的病人身上进行了临床实验。该系统可将从患者运动皮层神经元电 信号通过实时信号处理分析，转换成控制外部设备的指令，患者几乎无需训练就可以用意 念移动屏幕上的光标或简单地控制假肢6。由于脑机接口技术在临床康复、心理认知和国家安全等领域所展示出的巨大应用前景，相

9、关研究在全球范围内方兴未艾。伴随着材料科学和微电子技术的发展，高密度的微电极 阵列、高精度运算放大器以及高速采样率的模数转换器已经使得对大脑神经集群活动的高 通量信号采集成为可能，但如何从海量的数据中获取准确而有效的信息，实现对神经信息 的精确解码，从而更深层次地解析思维活动传递的信息，已成为目前植入式脑机接口研究 亟待解决的主要问题之一。神经科学研究表明，神经元电活动和神经集群构成的网络是神经信息加工和处理的物 质基础。为了准确地解析神经集群活动所蕴含的信息，需要在时间上对每个神经元的电活 动进行高速而准确的记录，在空间上尽可能多地收集相关脑区神经集群的活动，因此信息 解析中需要处理的数据规

10、模非常庞大，且记录到的海量数据中存在与解析目标无关的冗余 信息，会产生额外输入维度，增加信息解析模型参数和信息处理模型的学习复杂度，影响 信息解析的实时性。此外，高计算量对于脑机接口硬件的低功耗和便携式的实现带来困难。因此，如何通过信息约简方法解决神经信息规模大、冗余信息多的问题，是实时神经信息 解析的关键问题之一。目前针对神经信息约简问题已经有一些具体的研究。Chapin等人用主成分分析将神经信息维度降低至仅剩一维，用于预测大鼠前肢压机械杆的轨迹3 ; Wessberg等人用Neuron-Dropping Analysis方法进行约简，某个特定神经元的取舍由解码结果与解码目标之 间的相关性来

11、决定7; Sanchez等人使用线性维纳滤波器，通过连接权值的大小来定量判 断神经元与解码目标的相关性8。现有信息约简方法在一定程度上解决了神经信息高通量性引起的实时性问题，但仍有部分问题有待解决。如主成分分析在约简过程中没有定量评 估神经元对于解析目标的重要性，只考虑输入信息各维度之间的相关性而忽略了与解析目 标的相关性，可能会丢失有用的信息。因此虽然能够建立两者的映射模型，却无法在神经 元层次选择输入。这种模型难以从生理角度进行解释，不利于神经科学的研究及解析模型 的优化；Neuron-Dropping Analysis方法计算复杂度高，也缺乏对神经元重要程度的定量评 估；线性维纳滤波器的

12、权值分析法依赖于解码模型本身，无法独立从神经元发放数据自身 衡量神经元的重要性。实现脑机交互最核心的技术就是神经集群解码，其面临的挑战源于神经系统的复杂性，表现为以下三个方面：1)神经系统是一个非线性系统，传统线性分析方法难以准确评定神经信号的动力学结构，也无法揭示大脑活动的本质特征。如何在建模中有效引入在神经科 学上关于神经元发放与运动之间已存在的证据和相关生物学上的结论，同样也是一个挑战；2)由于大脑具有可塑性等原因，神经信息具有时变性，神经电活动与解析目标的映射模式以及相关性均随时间自适应的变迁，传统的静态信息处理方法难以保持长期的高精度解析；3)反映宏观脑功能的神经信息在空域、频域上都

13、有分布性，单个脑区、单个频段的神经信号不能完整体现宏观意义上的脑功能。空域上的协同性表现为不同脑区的神经元活动在脑 功能实现中的分工不同，同一脑区内也存在神经元活动相似的协同集群；频域上的协同性 主要体现在，低频的局部场电位信号包含较大范围内的神经元电活动，但信息精度不足； 高频的锋电位发放序列则包含较高精度的神经元群体放电信息，但范围较狭窄。因此，如 何有效解决神经系统的非线性、时变性和协同性等问题，建立高效的解码模型，是神经信 息解析的另一个关键问题。目前神经集群信息解码的研究主要包括以下几个方面：Georgopoulos等人于上世纪 80年代发现运动皮层神经元发放具有明显的方向选择偏 好

14、9, 10,基于该研究结果 Taylor等人提出了群矢量及其改进算法，并成功用于猴子开环 控制假臂实验11。但群矢量方法受限于偏好方向均一性及线性解析模式假设。Wessberg等人提出了基于维纳滤波的神经信息解析算法，突破了群矢量对神经元发放偏好方向的均 一性假设6, 7, 12-14。此外，Fisher线性判别、最大似然性估计和投票方法等线性、单输 出、静态算法也相继用于运动控制，但以上线性解码方法难以实现信息的精确解码。进一步的研究发现非线性方法具有更合理的生理基础，更符合神经信息处理的特性。近年来，有人尝试用非线性方法进行神经解码，Kim等人提出用不同的线性模型组合成非线性模型进行解码1

15、5, Sanchez等、Wang等人分别使用递归神经网络( Recurrent Neural Network )和时滞神经网络(Time-Delay Neural Network )来引入非线性进行建模 16,17。 此类方法直接使用非线性函数逼近的概念，而无法引入在神经科学中关于神经元发放与运 动之间已存在的证据和相关的生物学结论，给解码结果的分析带来困难。此外，这些方法 对解码模型的调整过程具有较高的时间复杂度，无法有效地实现模型的动态更新，难以对 动态变化的神经信息进行长期稳定的解码。针对神经系统的时变性，近年来一些学者开始将状态观测法（State ObservationApproach

16、 ）等基于概率的方法用于神经信息解析。Wu等人使用基于概率的卡尔曼滤波器进行解码18-20,卡尔曼滤波器在行为解析中认为行为参数不仅与当前神经元电活动信息 有关，并且为运动参数建立了动态模型。但卡尔曼滤波器仍然受限于线性映射假设及高斯 分布的后验概率。Li等人提出基于 Unscented卡尔曼滤波器的方法21,将卡尔曼的线性 假设扩展到2阶多项式逼近，对非线性的近似能力有限。Brockwell、Shoham和Srinivasan等人先后提出基于后验概率的信息解码算法22,在观测模型上引入的神经电活动与解析目标的映射模式假设为指数模型，该方法有待数据的进一步检验。总体上说，与上文提及的非线性、时

17、变性和协同性要求相比，现有方法还存在很大差 距。1）线性解码方法与神经系统的非线性相悖，非线性的指数模型与数据吻合有限，导致神经解码的精确性不足；2）静态假设与时变性不符，神经解码的精度不能保持长期平稳，现有动态解码方法的解析效果也不理想；3）现有的解码主要针对单一脑区的锋电位发放，忽略了反映宏观脑功能的神经信息在空域和频域上的协同性，单个脑区、单个频段的神经 信号不能完整体现宏观意义上的脑功能。故此，探索新的基于生理意义的信息解析模型和 高效率的解码算法是当前迫切需要解决的问题。构建面向脑机相互适应的脑机接口技术是最近几年脑机接口研究的又一个热点问题。 互适应的好处利用无监督或半监督学习的在

18、线学习算法结合大脑的学习能力的方法，达到 提高脑机接口性能的目的。传统的脑机接口解码算法都是基于监督学习的放法，这使得脑 机接口系统的性能极度依赖于输出数据，而且在实际应用中，输出部分在很多情况下无法 获取，比如一个截肢的病人无法提供断肢运动的数据。因此，近年来已研究者尝试互适应 的研究策略。Taylor等人在恒河猴的三维光标控制中使用互适应算法，通过迭代更新每个 神经元活动与光标运动角度的映射追踪神经元发放在学习过程中的变化23。Gage等人设计了更系统化的互适应脑机接口范式24。DiGiovanna等人则提出一种基于强化学习的脑机接口互适应范式25。在该系统中，有两个智能系统，即机器和大脑

19、。大脑可利用内在 的强化学习机制来调节相关神经元，而机器则需要编入相应的强化学习算法，比如值函数 估计网络算法。Mahmoudi等人在此基础上进一步提出了共生脑机接口（S-BMI）的概念，直接从大鼠脑部获取奖赏信息，作为算法的反馈26。他们认为应该利用模仿生物系统中的感知-行动-奖赏周期来构建更具适应能力的脑机接口。在 S-BMI中，大脑和外部设备要相 互适应以共同完成目标。在该系统中机器动作正确性的评估是大脑对奖赏的期望，可以从 纹状体（striatum）的NAcc中提取。这些技术的发展使得脑机接口越来越趋于脑机之间的整 合以及双向的交互。但总体来说，互适应脑机接口的研究还处于探索阶段，相比

20、脑机接口 中其它技术，出现的时间较晚，因此，还有很多方面需要扩展，比如对大脑的奖赏方式综上所述，双向-闭环侵入式脑机接口研究是当前神经信息工程这一交叉领域中极具挑 战的科学前沿，值得深入研究。因此，本项目拟通过对运动型脑机接口中皮层神经元集群 信号分析和解码的研究，力争在相关的基础理论与关键技术上有所创新和突破，使我国脑 机接口技术的研究跻身国际前列。/、 y 、 f f-参考文献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）项目主要研究开发内容、技术关键及主要创新点。主要研究内容本项目围绕大脑运动皮层

38、神经集群信号分析”和 解码”中的科学问题和关键技术，拟以非人灵长类（猴）动物为实验对象，针对大脑皮层神经元集群在上肢运动过程中表现出 的复杂活动模式，重点在神经集群信息解析的高通量、非线性、时变性和协同性问题等方 面开展研究。根据神经元重要性度量模型和信息约简策略，高效去除冗余信息，减少计算 规模；建立基于非线性和概率统计模型的神经解码算法，提高信息解析的维度和精度；根 据神经元集群分布式编码的特性，研究利用多脑区多类型的神经信号的联合协同解码模型， 提高神经解码的精度和稳定性，探索基于脑机互适应的新方法，最终利用大脑神经集群信 号实现对外部设备的直接神经控制。具体研究内容包括1）研究高通量神

39、经信息约简理论与方法高通量信息约简是处理大规模、高冗余神经信息的有效手段，约简能压缩数据规模， 降低后续信息解析的时间空间复杂度。神经信息约简的核心是神经元重要性度量标准的选 择和约简策略的确定。其中，神经元重要性的度量是信息约简的基础，有助于建立具有生 理意义的信息解析模型。本项目拟研究高通量神经信息约简的理论与方法，主要内容包括：研究神经元电活动 与解析目标的互信息评价方法，构建基于条件嫡、最小描述长度、属性依赖度的神经元重 要性度量方法，利用分层贪婪策略进行神经信息约简；研究对多种度量标准进行集成的策 略，联合评价神经元重要性，构建基于集成学习的神经信息约简模型。2）研究神经信息的动态非

40、线性解码模型和方法神经信息表达的动力学过程非常复杂，主要表现为神经信号的非线性和非稳性。为了 提高解析的精确性和稳定性，项目拟研究具有生理意义的非线性模型，分析和评价运动皮 层神经元在运动参数编码过程中的非稳性，在引入动态非线性方法，建立高效神经信息解 码模型。本项目拟研究动态、非线性的神经集群信息解码，主要内容包括：研究运动皮层神经 信息解码的非线性方法，包括模型的建立及其关键参数的获取，引入已证实的关于神经元 发放偏好性的证据，生成符合神经生理特征的、泛化能力强的神经信息解码模型；基于数 据的概率统计法，分析与神经元发放相关的不同运动学特征变量（位置、速度、加速度、 方向等），建立二者之间

41、的优化映射模型；研究离散锋电位信号的直接处理算法，将锋电位中丰富的时间信息融入以上讨论的建模、解码以及优化；研究不同神经元组群随时间变化、以及空间的分布规律，在解码过程中允许动态观测模型；引入增量式建模方法，降低模型 更新的时间复杂度，构建动态的神经信息解码模型；研究不同神经元对解析目标的时间调 制模式，构建基于精细时间调制的解码模型。3）研究多脑区、多频段神经信息协同解码方法与结构和功能规整的感觉皮层相比，运动皮层区别呈现出一种松散式的分布式编码， 多个脑区和不同类型的神经信号共同参与了主动运动中运动参数的编码过程。为了提高信 息的完备性和提高以往基于单一脑区的锋电位信号的解码模型，需要研究

42、多个脑区于不同类型信号在运动编码过程中的作用和相互间的关系，在此基础上进一步研究联合协同解码 模型，综合利用神经信号在时 -空-频域上的协同性。本项目拟研究神经信息的联合解码方法，主要内容包括：研究实验动物不同脑区神经元之间信息通讯与协同编码过程，如：初级运动皮层手部区M1、背侧运动前区 PMD、后顶叶皮层PPC、腹侧前运动区前部 F5等，构建基于多脑区的空域神经信息融合解码模型； 研究高频段锋电位信号与低频段局部场电位协同编码过程，建立基于锋电位和局部场电位 的频域神经信息融合解码模型，并评价联合解码方法在精度和稳定性上的表现。4)探索基于学习的脑机互适应性解码模型生物大脑在细胞、核团和整体

43、等多个水平上，均表现出功能和结构的可塑性。而脑机 接口的实际应用中，使用者往往无法提供运动参数，而需要直接神经控制来学习使用脑机 接口系统，而互适应和共生系统为脑机接口提供了一种新的学习范式。本项目拟探索机器对大脑信号的自适应功能，包括建立双向脑机接口中的强化学习算 法模型，并研究如何优化强化学习中的算法参数。建立互适应系统和实验范式，根据互适 应系统的训练效果评价不同策略的优劣。研究不同奖赏策略的效果，尤其是比较刺激大脑 奖赏相关区域与提供外部奖赏的区别；研究直接提取大脑奖赏评估区域信号，以及如何将 其转化为机器的动作评估信号；以及研究先验知识机器学习中的作用。拟解决的关键技术(1)基于神经

44、元重要性的神经信息约简。在神经信息传递中，各个神经元活动携带的 信息对于信息编码的重要程度不同。拟通过评估不同神经元在信息传递中的重要性，针对 性地对神经集群信息进行约简，可减少后续的计算代价，进一步提高信息解析的实时性(2)非线性、动态神经解码。神经集群解码旨在准确地获取大脑所传递的信息与指令， 是神经信息解析的关键。项目拟通过引入泛化能力强的、动态的解码模型，建立符合生物 依据的神经电信号与运动解析目标的映射模型，增强模型的表达能力和鲁棒性，提高解码 的效果。(3)多脑区多信号源的联合解码。大脑神经信息传递综合了多脑区各类神经信号在空域、频域的协同作用，而现有神经解码大多基于单一脑区的锋电

45、位信号，限制了解码的精 确性。因此，项目拟根据神经信息的协同性，建立空域、频域协同解码模型，综合利用各 类神经信息，提高解码模型的完备性和稳定性。(4)基于互适应的神经解码。 为了解决实际应用中因缺少输出信号，缺少实验训练集的问题，比如一个截肢的病人无法提供断肢运动的数据。拟建立基于双向脑机接口的的互 适应系统，将互适应研究扩展至二维运动以及灵长类动物，该技术符合脑一机接口条件下 大脑皮层可塑性机理、神经生物反馈机理，同时具有较强的应用背景。主要创新点本项目充分体现了信息科学和神经科学等多学科的交叉和综合，通过在神经信号分析 和解码的理论与方法上的创新，在脑机接口关键技术上有所突破。项目的创新

46、点具体表现 在：针对神经信号的高通量问题，提出了基于神经元重要性的约简方法，有利于提高模型的生理可解释性；利用集成策略对多种重要性评价标准进行综合，减少了单一评价造成的信息损失，可用于实现高效的神经信息约简。针对神经信号的时变性，提出用增量式方法建立动态神经解码模型，通过对模型参数的动态调整，达到适应性的目标；针对神经信号的协同编码特性，提出多脑区、多信号协同解码的新思路，从时空-频等多方面综合生理上的神经信息整合机制，提高解码信息的完备性， 局部场电位的引入还将进一步提高系统的稳定性。针对大脑可塑性的特性，提出了基于互适应的双向学习脑机接口框架，通过结合 生物脑和机器脑的学习能力，解决实际应

47、用中输出数据无法获得的问题。（四）项目预期目标（主要技术经济指标、社会效益、技术应用和产业化前景以及获 取自主知识产权的情况）。通过本项目的开展，将在以下关键技术上取得突破性进展，产生若干具有自主知识产 权的核心方法和技术，相关技术和系统原型可在今后的脑机接口系统的实际应用中得到进 一步的实践.建立神经元重要性的定量化评价的指标，在此基础上提出基于神经信息约简的新方法，通过可视化手段使神经信号以及解码模型的可读性加强，减少解码运算量的同时增加 解码模型的准确性，计算效率的优化将有助于提高脑机接口系统的便携性，推进器产业化。.通过对神经信号非稳性的分析，将有助于建立具有先验知识的动态更新模型，使

48、得神经解码模型的可以动态跟踪和适应神经元的变化。另一方面，基于增强学习的脑机互适 应方法的建立，将极大的提高脑机接口的实用性。以上关键技术的突破将极大的提高脑机 接口从实验室的学术研究向产业化的方向进行转化。.多脑区多种神经信号的联合分析，有助于了解神经信号的相互关系，揭示不同脑区和信号之间的功能和结构联系，为神经信号处理机制的解释提供新的实验数据，为神经性 运动疾病的产生和治疗提供新的评价手段。同时，该技术的突破可能减少植入的创伤，提 高解码的稳定性，进一步提升运动型脑机接口系统的整体性能。由于以上研究内容和工作目标也是当前国际上脑机接口的研究重点和热点，通过本项 目将能进一步加强研究团队与

49、国外合作研究伙伴的学术联系，提高自身的学术影响力。作 为第六次科技革命的重要潜在承载体之一的脑机接口技术的发展，将有力利的推动相关信 息处理技术和健康医疗产业的发展。10（五）项目实施方案、技术路线、组织方式与课题分解。实施万案神经集群信号的高效、协同解析研究方案的框架如图1所示，各部分研究方案如下:不同脑区神经元不同频段神经元信号高通量神经集群信息的高效、协同解析模块初级运动皮层手部区（M1）背侧运动前区（PMd）锋电位后顶叶皮层（PPC）局部场电位腹侧前运动区前部（F5）菲稳定神经元信息滤除模型高通量神经信息约简模型基于点过程的解码 模型脑，频神信协解模 多区多段经息同码图1神经集群解析框

50、架图（1）多通道神经信号获取本项目拟非人灵长类动物（猴）为研究对象，应用脑立体定位技术和微电极埋植技术，将微电极阵列植入实验动物的多个脑区，记录实验动物在执行特定上臂运动任务时的脑内 神经元锋电位和局部场电位信号；通过多种运动实验范式，训练实验动物完成特定的任务。针对猴的一维和二维的Center-Out任务和目标追踪任务，利用微电极阵列（96-chMicroelectrodes Array , Blackrock , US）记录实验猴大脑中多个与运动及运动计划相关的核 团（M1 , PMd , PPC）的神经电信号。同时利用运动捕获设备记录实验猴前肢多个关节的 运动学参数（方向、速度、加速度和

51、位置等）。针对猴的“抓-握”任务，将微电极阵列分别植入实验动物大脑中多个与运动及运动计 划相关的核团（M1 , PMd, PPC, F5）。利用具有压力传感器的手柄和肢体运动捕获系统, 同步记录实验动物在抓握不同形状、大小和重量的抓握目标和特定的任务时相关的神经集 群活动和手的运动学参数（主要包括：手握的形状，手指的屈伸状态，握力的大小，手指 关节的弯曲度，拇指与食指间距等）（2）针对非稳定神经元发放信息滤除技术的研究神经元不稳定发放带来的信息分量与执行的任务无关，是噪声的一部分，自动滤除 非稳定神经信息分量是这部分研究要解决的问题。基本思路是建立一个基于稀疏表征的神 经信息重构模型，给定量化

52、后的神经元锋电位信号X和神经元信号字典 D ,该模型拟求解以下优化问题： ?,? =argmin （| x - D a e |2 +臼| 刈 +- |e |i）e（1）其中U1表示l1 -norm , a表示稀疏表征系数，e表示非稳定神经信息分量。该模型包含两部分，第一部分是神经信息的稀疏重构，对稀疏表征的理论和实践研究表明，尽管信号本身维度通常很高，同类信号却往往分布在低维的子空间或子流形中，如果构建的字典11可以较好地表达数据的这种分布，则稀疏表征可以自然地挖掘出信号的内在信息，实现精 确的重构。在神经信号解码中，相似任务或动作对应的神经信号完全满足低维子空间或子 流形分布的条件，因此，公

53、式 （1）表达的神经信息稀疏模型完全可以支持信号的准确重构； 另一方面，公式（1）将不稳定信息分量g的分解融合在优化目标中，由于非稳定信息分量通 常是稀疏的，优化目标函数要求最小化e的i范数完全符合问题的要求，从而可以有效地滤除不稳定分量。综合上述两点，神经信息的稀疏重构模型可以同时实现信号的准确表征 和噪声的滤除。（3）针对高通量神经信息约简的研究实验中记录的神经集群信号数据量大、时空关系复杂，信息处理的难度大。为了实现 实时、精确地神经信息解析，首先需要解决信息规模大，冗余度高的问题。拟采用神经信 息约简的方法降低数据规模，去除冗余信息。该方法的思路是首先利用条件嫡等手段对神 经元重要性进

54、行度量，然后利用该重要性进行信息约简，并建立约简的神经集群解码模型；同时研究多种重要性度量标准，利用集成学习的策略将多种标准进行集成，联合评价神经 元重要性，构建基于集成学习的神经信息约简模型。建立基于条件嫡的神经元重要性度量方法，主要思路是通过解码目标的混乱程度衡量 神经元子集包含的解码信息。当解码目标为离散量时条件嫡容易计算。但在解码连续目标 时，不能直接获得条件嫡，拟根据解码所需的精细程度，对连续的目标值进行等间隔离散 化，然后计算解码目标关于某神经元子集的条件概率分布，利用该条件概率分布计算出条 件嫡，作为相应神经元子集的重要性度量。在约简过程中，采用贪婪搜索的策略，在每一次循环中，计

55、算每个神经元的加入带来 神经元子集重要性的增量，选取增量最大的神经元加入约简集。当神经元子集的重要性不 再提高时，约简过程结束，最终建立约简的神经元子集。其中，当多个神经元重要性相等 时采用分层贪婪的搜索策略选取神经元。针对神经系统的复杂性，拟对多种重要性评价标准进行集成，利用条件嫡、属性依赖度、最小描述长度及基尼系数进行联合评价，集成策略有以下两种：（1）对每一种评价标准，利用前述的贪婪策略分别进行信息约简，获得多个约简的神经元子集，对每个约简子 集分别建立神经解码模型，然后利用投票和加权投票的方法，对多个模型的解码结果进行 集成。（2）通过多种评价标准的加权和，建立复合的重要性评价标准。拟

56、采用穷举搜索和 进化计算两种方法对每种评价标准的权值进行优化。穷举搜索用以应对评价标准的个数较 少的情况，首先确定权值的搜索粒度，然后对权值空间进行遍历。进化计算用以处理评价 标准个数很多的情况，在进化计算中，适应度函数正比于所选权值下建立的解码模型的精 度。权值确定后，基于所得的复合重要性评价标准，利用前述的贪婪策略进行神经信息约简。（4）针神经信息编码的非线性研究神经系统是典型的非线性系统，项目拟采用广义回归神经网络、支持向量回归机、等 非线性的方法进行建模。广义回归神经网络应用于神经解码时，对于模型参数的选取，拟 采用启发式方法，对模型性能进行近似，以逼近最优的参数值。对于训练样本过多时

57、造成 的解析实时性问题，拟对训练样本进行聚类，从大量的训练样本中产生少量的代表性样本，12 用作网络的隐层神经元，从而降低解码阶段的计算消耗。对于支持向量回归机，首先要解 决的问题是核函数的选择以及回归机参数的确定，拟采用类似于广义回归神经网络的参数 选取方法，采用启发式方法搜索不同核函数下的最优的参数设定。另一个要解决的问题是 根据解码目标的重要程度对风险函数进行调整。拟采用线性加权的方法，给予重要程度高 的样本在风险函数中更多的关注度。针对神经元信号的特殊性，为保留蕴含于记录时间中的神经动力学特性，拟直接从记 录的锋电位信号对运动信号进行估计，并采用序列蒙特卡罗点过程估计（ Sequent

58、ial Monte Carlo Point Process Estimation ）进行解码。首先对运动信号进行建模，使模型包含运动本身的动态性质；然后对运动学的不同特征变量（位移、速度、加速度或其组合）进行分析， 用线性投影方法降维，并与锋电位信号相关联，采用基于数据的概率统计法得到其非线性 特征，建立运动学参数与神经元锋电位信号的优化非线性映射模型。在上述已建立的两个 模型基础上，对锋电位信号（即点过程序列）直接进行解码。由于运动模型与神经发放偏 好函数模型均可为非线性，运动状态的后验概率可以不受高斯分布的限制而呈任何分布， 因而能够提高解码的准确性。（5）针神经信息编码时变性的研究神经信

59、息解码的目的在于建立神经信息-行为之间的映射模型， 通常同一行为所对应的神经信号会随时间变化而变化，利用机器学习算法在固定训练集上学习得到的映射模型性 能会逐渐下降。针对神经系统的时变性，拟采用增量式和双模型解码方法进行处理为建立 具有稳定泛化能力的映射模型。增量式神经解码主要考虑如何保留历史经验知识和降低模 型更新代价。拟利用广义回归神经网络等方法建立动态的神经解码模型。该方法不需要学 习过程，模型的动态更新可以通过训练样本的添加和替换来实现，该操作计算复杂度为线 性，并可以通过设计合适的添加和替换策略来保留以往的经验。同时，拟对每个隐藏层神 经元根据时间先后进行加权，使得训练样本的重要性随

60、时间逐渐衰退。双模型解码充分考 虑大脑的可塑性与自适应性，可对神经发放偏好模型（即概率解码中的观测模型）进行动 态更新。采用概率统计方法对不同时间段或运动任务的不同阶段（如自我喂食任务中的肢 体伸出、抓和握）建立参数不同的神经发放偏好映射。构建时变参数模型，允许观测模型 在解码的同时动态更新。在解码过程中对神经发放偏好映射和运动轨迹同时进行实时估计。 另一方面，拟采用半监督学习技术动态更新解码模型，半监督学习解决的典型问题是：已 有大量训练样本，但仅有少量样本具有对应动作参数，在采用这小部分样本学习解码模型 的基础上，充分利用大量无对应动作参数的样本建立更准确的分类或回归模型。由于神经 系统的