在經歷了一場意外后，Ian Burkhart 遭受了嚴重的脊髓損傷，導致胸部以下全部癱瘓。

不過幸運的是，借助一個由神經網絡提供支持的腦機接口，他現(xiàn)在可以用右手撿東西、倒液體，甚至可以玩《吉他英雄》(Guitar Hero)。

（Ian Burkhart 在俄亥俄州立大學 Wexner 醫(yī)療中心玩吉他電子游戲，研究人員 Nick Annetta 在一旁觀看。照片由 Battelle 提供。）

俄亥俄州立大學與其附近的獨立研發(fā)組織 Battelle 合作開展了一項臨床試驗，Burkhart 是參加此項實驗的首位患者。

Burkhart 的大腦內植入了一枚由 Blackrock Microsystem 公司生產的微芯片，與運行著 Battelle 算法的計算機相連。該算法會解讀他的神經活動，并將信號傳輸?shù)狡溆冶凵蠑y帶電極的袖套。該袖套也是由 Battelle 設計，可刺激 Burkhart 手臂上的神經和肌肉，從而引發(fā)特定的手部動作。

目前，Burkhart 只能在俄亥俄州的實驗室里使用這個名為“NeuroLife”的系統(tǒng)。不過研究人員的終極目標是讓 NeuroLife 變得足夠便攜，可以安裝在用戶的輪椅上，滿足家用需求。

“如果患者可以在家中使用 NeuroLife 系統(tǒng)完成日?；顒?，如吃飯、刷牙、穿衣等，那么該系統(tǒng)就會極大地提高他們獨立生活的能力?！盉attelle 高級研究統(tǒng)計學家 David Friedenberg 在《自然醫(yī)學》(Nature Medicine) 上發(fā)表的一篇合著論文中說道。

“我們希望盡可能地簡化該系統(tǒng)的操作方法，以便用戶和照顧他們的人可以輕松安裝。” 他說到，“即使沒有一群博士和工程師在場，他們也知道應該如何使用?！?/p>

（Ian Burkhart 正在與項目首席研究人員 Gaurav Sharma 交談。照片由俄亥俄州立大學 McCulty 拍攝，由 Battelle 提供。）

神經網絡讀取神經信號

AI 可應用于包括義肢和助聽器在內的多種輔助性技術工具。深度學習模型可以為語言障礙者提供合成語音，幫助盲人重見光明，還可以將手語翻譯成文字。

輔助性設備開發(fā)人員之所以采用深度學習，是因為深度學習非常擅長解碼噪音信號，比如腦電活動。

通過使用NVIDIA Quadro GPU，深度學習神經解碼器（即可將神經活動轉化為預期命令信號的算法）接受大腦信號訓練。這些信號均來自與 Burkhart 進行的腳本式會話，期間研究人員會讓他思考執(zhí)行特定的手部動作。之后，神經網絡會分析大腦信號對應的預期動作。

但是，創(chuàng)建強大的神經解碼系統(tǒng)的關鍵挑戰(zhàn)在于，大腦信號每年都會發(fā)生變化?！叭绻骋惶炷愀械嚼哿耍蛘咦⒁饬Σ患?，可能就會影響控制不同動作的神經活動模式?！?Battelle 高級分析小組的首席研究統(tǒng)計學家 Michael Schwemmer 如是說。

（為了重新校準神經網絡，Burkhart 必須思考以特定的方式做出手部動作。這張照片攝于 2018 年 9 月，當時他正在俄亥俄州立大學的 Wexner 醫(yī)療中心進行相關工作。照片由 Battelle 提供。）

因此，每次 Burkhart 來到實驗室（一周兩次）都要對神經解碼器進行15到30分鐘的重新校準。在此期間，他要完成一個腳本化的過程，依次思考移動他的手的不同部位。

這些會話一周要進行兩次，每次都會生成新的大腦數(shù)據(jù)，用于更新兩個神經網絡。至于這兩個神經網絡，一個利用了標記數(shù)據(jù)進行監(jiān)督學習，另一個則進行無監(jiān)督學習。

在解碼 Burkhart 的大腦信號和預測其思考的動作方面，這兩個網絡的準確度可達到 90% 以上。無監(jiān)督學習將此準確度維持了超過一年，且不需要進行大幅度的重新校準。

此外，深度學習也加快了 NeuroLife 系統(tǒng)處理用戶大腦信號以及將該信號傳輸至電極袖套的速度。目前的反應時滯是 0.8 秒，與之前的方法相比提升了 11%。

“在嘗試端起一杯水時，你會希望思考一下就能做出相應的動作，而不希望出現(xiàn)很長的延遲?！?Friedenberg 說道， “因此我們很看重對于延遲的測量?！?/p>