作者：于布为，上海交通大学医学院附属瑞金医院麻醉科

2024年是德国精神科医师HansBerger发现人类大脑脑电波的第100年。回顾这100年，随着科技的迅猛发展，脑机接口(brain-computer interface，BCI;brain-machine interface，BMI)和AI已成为现代神经科学中最受瞩目的两项技术，为神经科学领域的研究带来了前所未有的机遇。这两项技术的融合应用不仅在神经疾病的诊断和治疗中具有巨大的潜力，还为神经康复、认知功能增强和个性化医疗等带来了革命性的变化。

BCI技术通过直接读取和解释大脑信号，使人与机器之间的交互更加直接和高效，AI的发展则为BCI技术提供了强大的数据处理能力和学习算法。本文将对BCI与AI在神经科学领域融合应用的现状、技术优势、面临的挑战及未来发展方向进行阐述。

1. BCI与AI融合应用的现状

1.1 神经康复

BCI与AI融合技术在神经康复中具有巨大的潜力。AI可以通过机器学习算法优化BCI的信号处理和解码过程，提高康复效果。例如，通过深度学习算法对脑电信号进行分析，能够更准确地解码患者的意图，可用于重建损伤的听觉、视觉、前庭觉等感觉功能，也可用于帮助脑卒中、脊髓损伤或截肢患者通过思维控制外部设备，恢复部分肢体运动功能，改善其生活质量。其中，人工耳蜗技术是迄今为止临床应用最普及、最成功的BCI。

美国斯坦福大学的研究人员在1例四肢瘫痪并丧失语言功能的患者大脑运动皮层植入微电极，通过BCI系统记录其大脑活动并使用AI解码这些信号，使患者想象书写字母，系统则能够实时将这些字母组合成单词和句子，并显示在屏幕上，从而实现患者与外界的沟通与交流。

2017年，美国加州大学旧金山分校的研究人员在脊髓损伤患者的大脑运动皮层和脊髓处植入电极，通过BCI系统记录和解码脑信号，并利用AI算法生成控制指令，直接刺激相应的脊髓神经，显著提高了患者的手部抓握和精细运动能力。目前，BCI的初创公司Neurolutions用于慢性脑卒中患者上肢运动功能康复的BCI系统已获美国FDA的上市批准。

1.2 精准神经调控

AI与BCI的融合在精准神经调控方面也取得了显著进展。利用机器学习算法，研究人员可以优化深部脑刺激(deep brain stimulation，DBS)等神经调控技术的参数设置，从而提高治疗效果。AI还可以实时分析患者的脑电信号，动态调整刺激参数，使其更好地适应每个用户的大脑活动模式，实现个性化、精准化治疗。此外，运用AI与BCI融合技术，有望为戒毒人员提供个性化的心理支持和训练，帮助其平稳地度过戒毒期;其亦被寄希望于协助抑郁症、多动症、自闭症、阿尔茨海默病和睡眠障碍等精神和神经相关疾病新的诊疗方案的制订。

中国科学院深圳先进技术研究院研发了一种用于治疗帕金森病的新型神经调控技术，在不影响大脑其他神经环路的情况下对帕金森病累及的关键神经环路进行精准的靶向干预，为临床治疗提供了新策略。另据报道，研究人员在患者的脊髓或大脑疼痛调控区域植入电极，利用AI算法分析神经信号，并根据需要调节刺激参数，达到缓解疼痛的效果。这种方法能够为患者提供个性化的疼痛管理方案，以减少其对药物的依赖。2024年1月29日，首例接受BCI公司Neuralink植入物的手术成功实施，患者目前恢复良好，初步随访结果显示神经元尖峰检测具有良好的应用前景。

1.3 认知功能增强

大脑是能量消耗和热量产生最显著的器官，大脑消耗人体20%~25%的能量。安静时，大脑产热为人体产热的16%;思考时，大脑消耗人体30%~50%的能量，同时产热增加。人脑认知神经网络的功能依赖于860亿个神经元互相联结的物理模式，大量神经元通过复杂的联结以模块化的多层次结构来实现感知和认知功能提高，并通过突触连接的构架与信号传递，为局域神经环路与信息编码的进一步加工，进而实现不同脑区的神经网络联结与认知功能增强。

AI与BCI融合技术在认知功能增强方面具有重要应用前景，通过对神经系统结构和功能联结规律进行全面解析最终可绘制出脑功能联结图谱。例如，通过实时监测和反馈脑活动，AI可以帮助患者提高其注意力和记忆功能。这种技术在治疗阿尔茨海默病和其他认知障碍方面具有巨大的潜力。2023年，研究者绘制了小鼠大脑的完整细胞图谱，同时，全球首例非人灵长类动物介入式BCI实验在北京获得成功，促进了介入式BCI从实验室前瞻性研究向临床应用的迈进。

2. BCI与AI在神经科学领域研究中的技术优势

2.1 大数据分析与建模

人类大脑是最为复杂的信息和智能系统，如何构建面向BCI的神经编码模型，如何实现快速准确高效的脑信息解码，以及如何解锁头皮脑电的空间和幅值分辨率极限等是亟待解决的问题。AI技术的产生，在大数据分析与建模中发挥了重要作用。神经科学研究通常涉及大量复杂的脑电图(electroencephalogram，EEG)、功能性磁共振成像(functional magnetic resonance imaging，fMRI)等数据，AI可以通过深度学习算法对这些海量数据进行处理和分析，进而揭示大脑的工作机制和神经网络的结构、功能，推动一场以大数据为基础的技术革命。

2.2 神经疾病诊断与预测

AI在神经疾病诊断与预测中的应用已取得了显著进展。基于深度学习的图像处理技术，使其能够从脑部影像中识别出微小的病变，如早期阿尔茨海默病。此外，AI还可以通过分析大量的神经网络数据，预测患者的疾病风险，为其制订个性化的治疗方案提供参考。

2.3 神经网络模拟与研究

结合AI的BCI技术在神经网络模拟与研究中也具有巨大的潜力。通过模拟大脑的神经网络活动，AI可以帮助研究人员理解大脑的复杂功能和工作机制，组建自然高效的脑机交互新范式，探索新的治疗方法和技术。Lecun等对视觉皮层的研究发现，受生物神经网络启发的卷积神经网络(convolutional neural network，CNN)在图像处理和识别任务中的表现出色。

3. 挑战与展望

3.1 个人隐私与信息安全

AI与BCI融合技术在神经科学领域的应用涉及大量敏感的个人健康数据，以及个人最深层的思维和感知信息，因此个人隐私和信息安全成为关键问题。亟须制订严格的法规和技术标准，以避免黑客攻击和个人信息泄露，确保数据的安全存储和传输，使其处于稳定可靠的运行状态，保障其应用的完整性、保密性、可用性、鲁棒性、透明性、公平性。

3.2 精度不够高、限制活动

尽管AI与BCI融合技术已经取得了显著进步，但其精度不足和使用过程中对活动的限制仍是亟待解决的问题，现有的BCI系统和AI技术在解码脑电信号和生成精确的输出指令方面存在误差，这种误差可能导致设备操作的不准确，进而影响患者康复治疗的效果及其生活质量。

高质量的信号处理通常涉及复杂的计算，存在高功率的消耗，这在便携式和长期使用的设备中难以实现。此外，脑电信号的噪声和干扰问题也使其稳定性和可靠性面临严峻的考验。此外，现有的BCI技术在使用过程中对用户的活动存在一定的限制。许多BCI系统需要用户保持静止状态，以便获取稳定的脑电信号，这对用户的日常活动造成了不便。未来的研究需要在提高信号解码精度、减少系统误差、增强设备便携性和优化用户体验等方面进行深入探索，以推动BCI技术的可持续发展和应用。

3.3 技术整合与标准化

当前，AI和BCI技术在神经科学领域研究中仍面临技术整合和标准化的问题。不同系统之间的相互操作性差，限制了两项技术的广泛应用，未来需要加强跨学科合作，整合各类技术方法，提升系统性设计和整合能力，搭建产、学、研、医集聚的产业生态，来推动技术标准的制订和推广。

此外，植入型BCI还存在手术风险大、感染风险高，以及有可能导致神经损伤等问题。随着新材料、工程技术、微电子、生物医学、生命科学等学科的迅速发展，以及芯片、电极、材料等核心技术的成熟，有望研发具有世界先进水平的相关芯片、面向不同场景需求的产品，以及解决获取高时空精度神经信号等技术难题。

3.4 伦理与社会问题

AI和BCI技术的应用还引发了一系列伦理和社会问题。例如，如何确保技术的公平性和可及性，如何确定人类与机器之间的界限，以及如何应对可能的技术滥用，上述问题都需要在技术发展过程中加以充分考虑并解决。

4. 结语

AI与BCI融合技术在神经科学领域的应用前景广阔，作为搭建脑与机器沟通交流的“信息公路”，其不仅能够提高神经疾病诊断和治疗的精确性，还能为患者提供个性化的医疗服务。然而，技术的发展也带来数据隐私、安全、伦理和标准化等一系列问题，通过跨学科合作和科学研究，有望得以解决，实现BCI与AI融合技术在神经科学领域的全面应用，从而推动神经科学的发展和进步，为人类的生活带来更多积极的改变。

来源：于布为.脑机接口与人工智能在神经科学领域融合应用的现状与展望[J].上海医学,2024,47(06):323-326.DOI:10.19842/j.cnki.issn.0253-9934.2024.06.001.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)