脑机接口在脊髓损伤康复中的应用

王锋 李靖龙 毛宇翔

1昆明理工大学医学院（昆明 650500）；2云南省第一人民医院骨科（昆明 650032）

脊髓损伤（spinal cord injury，SCI）是一种高度致残性疾病，四肢瘫痪和截瘫的比例约为46.25%和53.75%［1］。瘫痪使SCI 患者丧失劳动能力，且长期需要康复治疗，给个人、家庭和整个社会带来了沉重的负担［2-3］。此外，因无法独立行走，大多数SCI 患者长期被限制在轮椅上，继而产生一系列的并发症，如痉挛［4］、疼痛［5］、自主神经功能障碍［6］，并使患者易患心理障碍［7］、认知障碍［8］、骨代谢障碍［9］等疾病，严重降低了SCI 患者的生活质量。然而，针对SCI 患者的康复治疗方法有限，疗效欠佳，为寻求更好的治疗方案，已有研究尝试将脑机接口（brain computer interfaces，BCI）技术应用于SCI 的康复治疗中并取得了一定的进展。2020 年龚瑜等［10］也对该领域进行了文献回顾，较为详细地介绍了BCI 在SCI 康复中的应用。但近两年又有一些新进展，如已发表的经血管电极植入技术、高稳定柔性电极材料及BCI 集成人工智能技术等。为了让同行了解该领域中最新的研究动态，本综述着重对BCI 技术近两年的新研究进展进行介绍，为后续的研究提供一定参考和理论支持。

1 BCI 技术

SCI 虽导致脊髓的连接性中断，但大脑仍可产生正确的运动指令，这为BCI 技术在SCI 中的应用奠定了基础。BCI 系统作为通信和控制的替代通路，将采集的大脑信号预处理（放大并数字化）后，提取信号中反应用户意图的相关特征，转换为控制外部设备的指令，驱动外部设备，实现人与外界的交互［11］。该技术最早由VIDAL 于1973 年提出，近年来发展迅速，应用领域不断拓宽，有关技术和应用都取得了很多突破性进展。

1.1 侵入式BIC 在体积上，2019 年NEURALINK公司设计了一款体积仅占851 mm3的微型芯片［12］。同年，我国也研发了一款脑机接口专用芯片“脑语者”。该系列芯片具有精解码、高指令、快通讯、强交互四大优势，突破了传统非侵入式信号采集的诸多瓶颈。在材质上，研究证明柔性电极可减少组织与电极之间的相互作用，缓解炎症反应并提高稳定性［13］。GUO 等［14］开发了一款柔性BCI，该设备在高稳定性的基础上，还降低了对周围神经元细胞的伤害和免疫反应。在治疗方向上，如脑深部电刺激技术将电极阵列植入神经核团中，通过刺激装置，治疗肌张力障碍［15］、抑郁［16］以及创伤后应激障碍［17］等精神类疾病。在植入方式上，既往的侵入式BCI 多需通过开颅手术植入，创伤大，危险系数高。为降低手术风险，PETER 等［18］尝试将记录电极通过颈静脉输送至矢状窦，并进行了为期1 年的随访，无严重不良事件，也没有血管阻塞或设备迁移，每例患者都成功地控制了BCI系统。

1.2 非侵入式BCI 在共享控制策略方面，比较典型的有：基于机器视觉融合、基于强化学习融合、基于自动路径规划融合等，这些控制策略为智能传感系统，通过对外界环境实时监测，并根据反馈信息进行自我校正，极大地提高了BCI 用户的控制效率。如ZHANG 等［19］将视觉与运动想象相结合，设计了一款通过视觉反馈来规划机械外设运动路径的BCI 装置。在续航能力上，MARCO等［20］设计了一款基于干电极的耳内脑电图系统，该系统功耗小，电池寿命长，运行时间高达600 h，还集成了采集、处理和连接电子设备于一身，极大提高了该系统的实用性。在稳定性上，HSIEH等［20］开发了一种高稳定性电极，与传统电极相比，该电极可保持稳定和低阻抗长达4 周。在应用场景上有团队设计了一款独立于输入和输出设备的便携式模块化BCI 软件平台［11］。患者仅通过智能手机就能实现对SCI 装置的控制，且该设备不需要日常校准，也不需要专业技术人员随时指导与维修。该系统还可外接不同的设备，极大地提高了其在SCI 应用中的灵活性。

1.3 算法研究 开发更具准确性与鲁棒性的分类算法，使其更容易在线使用，降低噪声信号一直是BCI 技术的研究重点。JIN 等［22］提出了一种基于核均值匹配和迁移学习自适应提升方法的自适应跨学科迁移学习算法，与现有方法相比，该方法可有效提高运动想象-脑电信号的分类准确率。宋昊等［23］提出了一种基于独立成分分析的眼电伪迹自动去除算法，实现了自动去除眼电伪迹的同时，防止脑电信息的丢失，提高了数据处理效率。WEN等［24］使用生成对抗网络来仿真大脑活动数据，通过生成与真实数据难以区分的合成神经活动数据，为BCI创建训练数据库，使BCI训练速度提高近20倍。

2 BCI技术近年来在SCI中的临床应用疗效

2.1 运动功能恢复 BCI 通过分析大脑运动皮层中的神经元信号，读取患者的运动意图，编码为相应的运动指令并传输至外骨骼、外部假体及轮椅等外接设备，实现抓取、站立以及步行等基本日常活动。截瘫患者双下肢运动功能障碍，生活独立性下降且增加了继发性并发症的风险，为解决下肢瘫痪的问题，ZORAN［25］研发了几种BCI 系统并进行了验证。首先，让受试者佩戴无创的非侵入性脑机接口，收集患者想要行走时的运动意图，并在虚拟现实中用可视化的图像表现出来，证明了BCI 辅助行走的可行性。基于此，分别将BCI 技术与外骨骼机器人以及功能性电刺激结合，使下肢瘫痪患者恢复了基本的行走功能。格勒诺布尔大学设计了一款脑控外骨骼机器人帮助一例四肢瘫痪的患者实现了再次行走［26］。对于四肢瘫痪的患者而言，上肢功能的恢复是康复治疗的首要任务。SAMEJIMA 等［27］团队构建了一个BCI 模型，通过使用高效率的算法解码皮层脑电信号，以控制硬膜外刺激，改善了高位SCI 大鼠前肢的运动功能。JOVANOVIC 等［28］开发了一款单通道的脑-肌肉电刺激系统，利用人工信号通路绕过受损区域，刺激特定神经纤维以激活目标肌肉，再次实现了大脑与肌肉的联系，使瘫痪的肢体恢复了活动能力。

2.2 感觉功能恢复 SCI 患者的神经传导通路受损，使人与外界交互变得极为困难。而BCI 技术作为人工信息处理中枢，可收集人与外界交互时的反馈信息，并通过电刺激激活大脑躯体感觉区域中的神经元来恢复触觉，使SCI 患者的运动意图与感觉反馈形成闭环，真实模拟正常的运动控制功能［29］。GANZER 等［30］利用1 例完全性SCI 患者手部残存的无法被患者感知的触摸信号，在BCI 系统的辅助下，将其动态转化为用户可以感知的闭环感觉反馈信号，并在此基础上根据反馈信号的改变来调节握力的大小。研究［31］结果证明，经过长时间的BCI 辅助康复训练后，该患者几乎完全恢复了对事物的感知能力。此外，更有学者利用双向BCI 系统，通过皮质内微刺激使躯体感觉皮层重新产生了触觉反馈。

2.3 神经回路重塑 研究表明即使在完全性SCI中，神经功能依旧可以重塑，这为神经损伤后的功能康复提供了理论基础［32］。ATHANASIOU 等［33］开发、试验和优化了一款基于多沉浸式人机界面的平台，如：高密度脑电图记录下的视觉运动图像训练、脑控机器人手臂、增强现实等模块，通过获得丰富的感觉反馈，反复训练中枢和外周之间的连接，诱导功能性神经回路的重建以及部分神经功能的恢复。

2.4 其他临床应用 除了上述三个方面，BCI 技术在SCI患者的继发性疼痛、心肺功能、心理健康等方面仍具有较好的改善作用。如FAIRCLOUGH 等［33］研发了一种以交互式游戏为主的BCI 神经干预系统，通过与游戏环境进行互动、以目标为导向的互动式参与模式，更好地实现了疼痛的缓解。WANG 等［35］对一例接受BCI 植入术的老年高位SCI患者进行心理评估后发现，与术前相比，患者术后的认知、情绪、社会支持、睡眠、生活质量均有改善。

3 BCI 技术面临的挑战

目前，BCI 在SCI 患者中的康复疗效已被证实，但经过长期的临床观察发现，SCI 患者在使用BCI 过程中仍存在一些问题，这使得该技术难以从实验室研究转移至日常生活中。

3.1 脑电信号采集 脑电信号采集主要有两种方式，即侵入性BCI 和非侵入性BCI。侵入式BCI能够获得的脑电信号质量高、分辨率高、噪声小，但需要手术植入，具有较高的手术风险，且由于组织反应，容易引发免疫反应和瘢痕组织，进而导致信号质量衰退，严重者甚至导致植入器植入失败［36］。相比于侵入性BCI，无创BCI 技术由于其易于应用、成本低且无需手术，更容易被人们接受（伦理亦或是安全方面）［37］，但信号采集易受干扰，信息质量和时间空间分辨率较低，难以实现对复杂精细运动的快速控制。

3.2 脑电信号处理 脑电信号处理是BCI 系统中非常重要的模块，患者在进行肢体运动康复时，会有大量的心电、眼电以及肌肉电信号等伪影混入脑电信号中，伪影的存在使得脑电图分析和处理有一定程度的难度。BELWAFI 等［38］研究发现通过指导受试者避免做某些动作可消除部分伪影，还可以通过数字滤波技术消除伪影并保留有用信息，这为脑电信号处理方式的研究提供了新的思路，即科学有效去除伪影同时并确保脑电信号分析的准确性。此外，相比于安静的实验室，现实生活中存在较多的不确定因素，干扰患者的注意力。因此，临床转化的重要一步是如何克服在易受干扰的现实环境中稳定地收集和处理脑电信号。

3.3 脑电信号解码 BCI 技术的主要挑战之一是如何对脑电信号进行准确且稳定的解码。在神经解码中，已探索了各种信号处理技术，如卡尔曼滤波器、维也纳过滤器、支持向量机以及人工神经网络等技术，并取得了出些许成功。然而在临床研究中却发现，由于大脑固有的可塑性，解码器接收到的特定运动信号会随时间推移而变化，这导致了BCI 信息解码的准确性下降，因此需要不断地重新校准解码器来达到信息收集的稳定性。解码器的重新校准通常必须每隔几分钟进行一次，这种间歇性的重新校准不仅会中断设备的使用，迫使用户暂停他们正在做的事情，而且通常还需要第三方的干预，对于日常使用BCI 来说是耗时且不切实际的。随着深度学习技术的发展，基于强化学习的神经解码器技术逐渐成为广大学者的研究热点，有望解决上述问题。

综上所述，BCI 技术可从三个方面使SCI 人群受益：（1）通过集成功能性电刺激、外骨骼机器人及虚拟现实等技术改善患者运动功能，提高社会参与度；（2）通过大量的信息反馈，使患者学习并调整大脑活动，促进神经重塑和感觉功能恢复；（3）减少SCI 继发性并发症，提高生存质量，缓解家庭及社会经济负担。虽然BCI 技术发展至今仍有很多局限性，但其技术已在不断改进，未来的发展应是多元化、个体化与智能化，为患者提供更安全、更合适、更方便的医疗服务。

【Author contributions】WANG Feng proposed the direction of research topic and wrote the first draft of the paper.MAO Yuxiang was responsible for the collection and collation of relevant literature.And LI Jinglong was responsible for the overall quality control and review of the paper.All authors read and approved the final manuscript as submitted.