风口之下，脑机接口的前沿探索与成果转化该如何走？

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。