旗下微信矩阵:

风口之下,脑机接口的前沿探索与成果转化该如何走?

一位生物医疗领域投资人表示,脑机接口前景非常大,除医疗器械领域,元宇宙也是脑机接口的延伸。
2023-06-19 11:58 · 动脉橙果局 沈宇婷

2023年5月26日,马斯克旗下的脑机接口公司Neuralink称,已获FDA批准,即将开启首次临床试验,这意味着人体脑植入物将首次进入到临床研究。

消息一出,马斯克火速在Twitter上转发了这则喜讯,并表示“Congratulations!”

紧接着,脑机接口再次被推上浪潮。一位生物医疗领域投资人表示,脑机接口前景非常大,除医疗器械领域,元宇宙也是脑机接口的延伸。

与此同时,2023年6月8日,在由MathWorks举办的MATLAB EXPO活动上,清华大学张丹教授发表了题为《脑机接口: 解码思维的力量》的主旨演讲。脑机接口如何解码思维?如何在医疗领域,发挥自己的高光时刻?又离产业化落地还有多远?在该活动期间,张丹教授针对此次话题接受了动脉橙果局的深度采访。

1、三大类型,脑机接口研究向前

动脉橙果局:脑机接口如何解码思维?

张丹教授:依据脑机接口系统中所对应的脑科学知识、任务设计和应用场景,脑机接口研究包括多个不同类型,无创脑机接口中比较有代表性的有:想象运动脑机接口、视觉脑机接口和情绪脑机接口。

首先是想象运动脑机接口,它是所有脑机接口研究中,最接近于所想即所得的脑机接口。用户可以通过想象,来完成不同的肢体运动。值得一提的是,想象运动发生在人体大脑的运动皮层的不同的区域。因此,在想象不同运动状态时,大脑会在不同分区出现特定节律活动的变化。要将想象转换成对设备的控制指令,研究人员需要进行大脑的信号采集,再用算法进行有效识别,从而判断出用户的思考。

其次是视觉脑机接口,这也被称为信息交互速率最快的脑机接口。在这类脑机接口背后,有三项关键技术来支撑。一是精准时间的视觉信息呈现,将视觉信息的呈现精准到毫秒量级;二是脑机接口解码算法,是脑机接口数据分析最主流工具包,进行深度融合信号处理;三是实时数据处理和解码。

上述两类脑机接口研究,主要是用户主动输出指令来实现脑机交互,因此,也被成为主动脑机接口研究。

除了研究主动脑机接口外,现在越来越多的团队开始关注人的关键认知状态,而这一类脑机接口研究,也被称为被动脑机接口研究。

情绪脑机接口就是其中一个例子,也是我近年来主要开展工作的方向之一。让机器理解人类情感的情感计算技术正在成为人机交互、心理健康、人工智能等领域的研究热点。相比语音、表情、心率等行为与外周生理信号,脑电可以更加直接反映个体情绪体验信息,脑电情感计算/情绪脑机接口近年来得到了学界的广泛关注。

目前,我们正希望通过脑机接口技术,对人类情绪进行个体量化,实现对情绪障碍相关心理健康问题的客观评价。今年,我们还与MathWorks在2023世界机器人大赛—BCI脑控机器人大赛上共同合作了情绪脑机(青年组)赛项,比赛已经正式开始打榜,8月份将现场决赛。在这个赛项里,我们向参赛者提供了一批来自123位被试者已知情绪状态信息的脑电数据,参赛者需要建立具有跨个体情绪识别能力的脑电计算模型,对另一批被试者脑电数据进行实时情绪识别,我们会根据情绪识别准确率来确定比赛成绩。我们鼓励选手使用MATLAB进行编程与实现,一起加速探索情绪脑机接口的潜力!

2、在罕见病、神经性疾病和心理疾病中大有可为

动脉橙果局:在生命健康领域,脑机接口能够在哪些应用场景下开发出自己的“高光时刻”?

张丹教授:首先来看主动脑机接口的应用,这类脑机接口的应用场景包含罕见病和神经性疾病:一是渐冻症,恢复渐冻症患者的交流能力交流;二是癫痫等神经系统疾病,用脑机接口技术控制患者癫痫等疾病的发作。

其次来看被动脑机口的应用,这类脑机接口的应用场景是心理测评。传统心理测评依赖于问卷、自我报告或者咨询师访谈,这对受访者的教育程度、背景和配合度都有很高的要求,所以其适用性有很大的局限。而脑机接口通过捕捉人类情绪状态,能建立更加客观的心理测评方案。

3、研究端和应用端都还需加大投入

动脉橙果局:从实验室到工厂,脑机接口的科研成果转化可能会面临哪些困难?这个领域的商业化落地还有多远,或者说还需要些什么?

张丹教授:一方面是研发端,就脑机接口技术本身而言,如何快捷有效地获取大脑信号还需要进一步优化。这可以分两个分支,一是非入侵脑机接口,研究人员可能还需要解决传感器材料以及对应的电学问题;二是侵入式脑机接口,这可能涉及到临床技术方案等问题。

另一方面是应用端,我们还需要弄清楚哪些技术能跟脑机接口融合,把脑机接口的应用外延推广开来。

所以,从这两方面来看,我觉得脑机接口要走向产业化还需要加大投入。

动脉橙果局:有哪些新兴技术能帮助脑机接口研究和应用突破瓶颈? MathWorks在脑机接口研发和转化工作中,能提供哪些助力?

张丹教授:其实在脑机接口开发过程中,会遇到许多与其他医疗设备开发类似的挑战。在实际研发工作中,我们使用了MATLAB平台和大量相关的工具箱,从最基础的统计分析工具,到信号处理工具,再到机器学习/深度学习工具,帮助研究人员推动先进医疗设备开发和工程化落地进程。

▲MATLAB深度学习工作流程图

通过从硬件实时采集脑电信号,实现大数据集高精度标注的自动化;利用图形化App自动生成对应的代码,进行脑磁图/脑电图的预处理和特征提取;利用常用AI模型,进行迁移学习训练和图形化界面;通过一系列代码生成工具,实现完善的算法部署。

医疗不能停留在学术研究上。医疗科研成果想从实验室到工厂,其中离不开像MATLAB这样的新工具,为研究人员提供高质量工程化实现的完整体系,从而快速开发高质量脑机接口系统,乃至其他智能医疗设备。

【本文由投资界合作伙伴动脉橙果局授权发布,本平台仅提供信息存储服务。】如有任何疑问,请联系(editor@zero2ipo.com.cn)投资界处理。