展示AI解读神经信号的潜力

“这项研究的创新之处在于，采用端到端的深度学习网络实现神经信号翻译，从工程角度展示了人工智能技术应用于神经信号解读的潜力。”清华大学医学院神经工程实验室、清华大学人工智能研究院教授洪波在接受科技日报记者采访时评价说。

洪波分析，这项研究的难点在于两个方面。

首先是采用了高密度微电极阵列，间距4毫米，多达256个电极，覆盖大脑皮层表面的关键脑区，获取了足够的神经信息用于解码。这种电极在国内尚没有可用于临床的产品。

另外，研究中深度循环神经网络的训练，除了采用时间轴上的卷积操作提高特征提取能力，还把语音频谱特征也作为训练目标，大大降低了对神经数据量的需求。

“脑机接口的一个核心难题是神经信息的解码和翻译，脑电信号噪声大，背后的神经编码机制复杂未知，这些都是挑战。”洪波认为，以深度学习为代表的人工智能技术发展，为脑机接口打开一条应对该挑战的新路径。

不过，在洪波看来，人工智能与脑机接口结合，也带来新难题：如何获得大量的训练数据？来自人脑的高精度神经数据通常只在临床条件下才能获得，这会使神经网络训练陷入困境。

现实应用仍存技术障碍

“这项技术目前主要用于癫痫外科的临床，帮助外科医生在切除癫痫病灶之前，确定关键的语言功能区。要让渐冻人、高位截瘫等残疾患者用上这样的脑机接口，还要继续解决长效电极和解码效率的问题。”洪波说。

他认为，相关技术在未来实际应用中，仍然有很大的技术障碍，例如高密度的微电极阵列目前还无法长期植入，难以作为未来脑机接口的标准电极。

洪波团队也在和材料、微电子以及临床团队合作，开发可以长期植入的微创解决方案。他告诉记者，根本上说，人工智能应用于脑机接口，关键门槛还是长期可靠的神经电极和清晰准确的神经解码规律。

“人们所期待的戴上脑电帽就能读出心里话，从科学和工程角度来看还有很远的距离。但脑科学和人工智能技术的结合，有可能加速这些探索和研发的进程。”洪波说。

相关报道: