最近, 斯坦福大学的研究人员开发出一种新的脑机接口设备, 可以将大脑直接与硅基技术连接起来. 虽然脑机接口设备早已经存在, 并用于修复术, 疾病治疗和脑研究, 但这种最新的设备可以记录更多的数据, 同时比现有的设备侵入性更小.
斯坦福大学材料科学与工程专业的研究生 Abdulmalik Obaid 说,"以前没有人把这些 2D 硅电子器件与大脑的三维结构相匹配, 我们必须抛弃我们已经知道的传统芯片制造方法, 设计新的工艺, 将硅电子技术带入三维空间, 我们必须以一种容易大规模应用的方式来实现这一目标."
Abdulmalik Obaid (左),Nick Melosh 与他们的微线阵列
革新设计方法, 可大规模记录神经元活动影像
3 月 20 日《科学进展》杂志上发表了该论文, 论文中的脑机接口装置包含一束微电线, 每根电线的宽度不到人类最细头发的一半. 这些细细的导线可以轻轻地插入大脑, 并在外部直接连接到一个硅芯片上, 记录每根导线传递的大脑电信号, 就像拍摄神经电活动的电影一样. 目前版本的设备包括数百微导线, 但未来版本可能包含数千微导线.
(a)与微线束集成的 CMOS 芯片原理图. 该线束包括一个用于与 CMOS 像素接触的近端 (芯片)(b) 和一个用于记录组织活动的远端 (脑)(c), 近端具有部分暴露的金属线以接触芯片, 而远端线被分离以限制插入时的损伤.(d) 一束有 800 条微导线的线束, 相互间隔 100 微米, 设备宽度小于 0.6 厘米, 适用于小动物研究.
电信号是观察大脑活动的最有效的途径, 斯坦福大学材料科学与工程教授, 论文的合著者 Nick Melosh 说, "有了这个微线阵列, 我们可以看到在单个神经元水平上发生了什么."
微线阵列的特写镜头
这个装置的顶部装有一个硅芯片, 底部的电线轻轻地插入大脑, 可以帮助研究人员拍摄神经元的活动.
研究人员面临的一个主要挑战是如何构建这个阵列. 它必须坚固耐用, 即使它的主要组成部分是数以百计的细线. 解决办法是将每根电线用一种生物安全的聚合物包起来, 然后将它们捆在一个金属圈内.
现有的脑机接口设备限于 100 条导线, 提供 100 个通道的信号, 每一条都必须手工精心地放置在阵列中.
研究人员通常要花好几年才能完成阵列的设计和制作, 而斯坦福这次的设计完全不同于任何现有的高密度记录设备, 阵列的形状, 大小和密度在制造过程中可以方便地改变."几乎可以用任何 3D 阵列同时记录不同深度的不同大脑区域", 神经外科和神经病学助理教授, 论文合著者 Jun Ding 说."如果广泛应用, 这项技术将大大提高我们对健康和疾病状态下大脑功能的理解."
在对小鼠视网膜进行了初步测试后, 研究人员也在进行长期跟踪, 以检查该阵列的耐久性和大规模版本的性能. 如果该技术验证可行, 将有助于提高机械假肢的性能, 帮助恢复语言和视力等.
脑机接口到底是什么
脑机接口 ="脑"+"机"+"接口" , 即在人或动物脑 (或者脑细胞的培养物) 与外部设备间创建的用于信息交换的通路.
电影《阿凡达》中主人公利用一个机器直接将自己的心智移植到了另一个非人类身体上, 能随心所欲操控这具非人类的身体, 具备所有的感知能力与操控力, 展现了脑机接口的主要功能.
脑机接口的几个基础模块:
采集:
侵入式: 此类脑机接口通常直接植入到大脑的灰质, 因而所获取的神经信号的质量比较高. 但其缺点是容易引发免疫反应和愈伤组织(疤), 进而导致信号质量的衰退甚至消失. 斯坦福的研究属于此类.
部分侵入式: 接口一般植入到颅腔内, 但是位于灰质外. 其空间分辨率不如侵入式脑机接口, 但是优于非侵入式. 其另一优点是引发免疫反应和愈伤组织的几率较小. 主要是基于皮层脑电图 (ECoG) 进行信息分析.
非侵入式: 就是不进入大脑, 就像帽子一样方便佩戴于人体, 但是由于颅骨对信号的衰减作用和对神经元发出的电磁波的分散和模糊效应, 记录到信号的分辨率并不高. 这种信号波仍可被检测到, 但很难确定发出信号的脑区或者相关的单个神经元的放电.
解码: 数学上一般会用 PCA 主成分分析和独立成分分析 ICA 等处理干扰信号, EGG 脑电图, 皮层脑电图 (ECoG) 等模型来分析.
再编码: 如何编码取决于你希望做的事情. 比如控制机械臂拿起咖啡杯给自己喝咖啡, 就需要编码成机械臂的运动信号.
相关链接: https://zhuanlan.zhihu.com/p/26057046
500 美元玩转马斯克钟爱的脑机接口!
马斯克 (Elon Musk) 的 Neuralink 公司最新的脑机接口技术, 分为以下四个方面:
线程(Threads)-- 来自美国国家实验室的 Vanessa Tolosa 研发的单根多触点柔性电极.
机器人(Robots)-- 将 Threads 植入皮层的手术机器人.
元件 (Electronics)-- 将记录到的信号进行滤波, 数模转换和脉冲检测(spike detection) 的电子元件, 代表技术为 DJ Seo 的 N1 传感器, DJ Seo 之前在加州大学伯克利分校做 Neural dust 项目.
算法(Algorithms)-- 脑机接口算法, 由加利福尼亚大学旧金山分校教授 Philip Sabes 教授开发.
其中部分是 Philip Sabes 在负责. Sabes 名校出身, 在剑桥大学学过两年数学, 博士毕业于麻省理工, 之后在加州理工做博士后, 现在在加州大学旧金山分校做教授, 算是地地道道的神经科学专家.
来源: http://news.51cto.com/art/202003/613011.htm