思维读取 AI 帮助一名四肢瘫痪者玩 Guitar Hero

大脑接口能够学习并记住如何解读思维。
Ian Burkhart uses a machine to control his right arm, lifting a peg.
伊恩·伯克哈特(Ian Burkhart)借助一个能够读取他思想并替他执行的机器接口,用他瘫痪的右手抬起一个销钉。俄亥俄州立大学韦克斯纳医学中心供图

伊恩·伯克哈特(Ian Burkhart)的手搭在一个米色管子上,手指用力一握,便将其举了起来。对大多数人来说,这个动作算不了什么:你想着“抓住那个管子”,你的脊髓就会将指令传达到手部,在你意识到之前,手就已经完成了动作。但对伊恩来说,他八年前就失去了肘部以下的双臂使用能力,这个过程则完全不同。

当他想着“抓住”时,他大脑中一个小米粒大小的设备会捕捉到由此产生的电信号,一台台式电脑会解读这些信号,然后一个拉链套筒会用电流刺激他的前臂,从而带动他的手移动。在过去五年里,从未想过能再次控制自己的手的伊恩,已经学会了从瓶子里倒水、用吸管搅拌,甚至玩吉他英雄(Guitar Hero)。然而,他只在实验室里才能重新使用他的右手,在那里,工程师们可以让他连接到电脑,并进行必要的校准,以提醒机器如何解读他的思想。

本周,开发该接口的医生和神经科学家们介绍了一个新版本,该版本首次在人类身上,利用新颖的机器学习策略组合,跳过了繁琐重复的训练环节。消除了每天花费数小时调试机器的需要,为伊恩以及像他一样的人将来把设备带回家打开了大门。“仅仅是能拿起瓶子喝一口水,”伊恩说。“那真的会改变我的生活。”

伊恩的生活自从2010年以来就没有像以前一样了,那时他还在大学期间,和朋友们在北卡罗来纳州海岸度假时,他跳进了海浪里。他之前跳进海里过无数次,但那天一个海浪将他的头撞到了一个看不见的沙洲上,导致他颈部骨折。当他的朋友们把他拉上岸时,他只能感觉到阳光照在脸上的温暖。

四年后,在一位物理治疗师将他推荐给俄亥俄州立大学和私营应用科学公司Battelle之间的一项实验合作项目后,外科医生在他的大脑控制右手的区域植入了一个微小的电极阵列。他们将记录脑细胞活动电脉冲的传感器连接到他头后部的一个小端口,让他可以像《黑客帝国》(Matrix)中的场景一样,直接连接到电脑。而真正的挑战才刚刚开始:将每秒数百万个数据点转化为有意义的运动。

Battelle公司机器学习研究员大卫·弗里登伯格(David Friedenberg)说:“当你用手做任何动作时,你的运动皮层会在手部区域被激活,所以真正的诀窍在于区分不同的手部动作,这要微妙得多。”

为了区分相似脑信号中几乎无法察觉的差异,研究团队转向了神经网络——这是一种计算机程序,它通过猜测和尝试各种规则来区分看起来相似的数据集,直到找到一个有效的规则。在一个典型的四小时实验室课程中,伊恩一半的时间会根据指令思考各种手部动作,以便神经网络能够学习哪个脑信号对应哪个动作,这是一种称为“监督式”学习的技术,另一半时间则用于进行实验。他发现一开始这些练习很艰难,但逐渐获得了控制力。

“我每次训练结束后都感到精神疲惫,”伊恩说。“但现在已经到了[移动我的手臂]是我需要集中注意力的事情,但同时我又能做其他事情的地步了。”

虽然伊恩在指挥机器方面越来越熟练,但机器在读取伊恩的思想方面遇到了瓶颈。你脑细胞的基线放电会因人而异,取决于你睡了多久、吃了什么药,以及是否多喝了一杯咖啡等等,这意味着大脑接口在周一学会的模式到了周二可能就无效了。如果没有基于已知动作序列的持续再训练,这类系统会在几小时内崩溃——这对希望将这些机器引入家庭的人来说是个大问题,因为用户不能每天花好几个小时来设置他们的设备。

本周一在《自然医学》(Nature Medicine)杂志上发表的一篇论文中,研究团队概述了一种解决方案,即采用第二个神经网络,它可以无需研究人员提供已命名动作的示例即可进行学习——这是“无监督”学习的一个例子。

首先,研究团队以传统的“监督式”方式训练了一个网络,伊恩轮流演示每一个动作指令。然后,无监督网络接管。它监视伊恩在自由使用设备时的思想,但没有人明确告诉它他在做什么。相反,机器利用其初始训练来猜测伊恩正在执行的动作,并根据这些猜测即时重新训练自己。想象一下,你上完一门西班牙语课程,然后自己尝试通过观看大量墨西哥肥皂剧来保持基本的语言技能。有老师在场回答所有语法问题会更有效,但如果具备足够的初始知识,看肥皂剧可能足以阻止技能的退化。

最终,在没有进行任何再训练的情况下,混合系统在整整一年的时间里,其对伊恩动作信号的正确解读率超过了90%。它比之前的系统提高了近10%。其他研究团队在猴子身上也进行了相关研究,但弗里登伯格表示,这是首次在人类身上如此一致地工作。

该系统对新动作的学习也很快。虽然它最初只有四个粗略的手部动作词汇,例如屈腕,但在伊恩输入了七分钟的数据后,该设备就能以近90%的准确率学会张开伊恩的手。“你只需要几个例子来告诉它,‘这就是我正在寻找的基本模式’,然后其余的数据就能帮助抵消那些可能正在波动的基线,”弗里登伯格解释道。

大家对该项目的下一步寄予厚望。“我只想把它带出实验室,让它好好发挥一下,”伊恩说。

要做到这一点,他们需要让它变得小很多。目前这个接口由七个横跨桌面的大盒子组成,几乎无法携带。研究团队的目标是将这些机械装置缩小到只有一个硬皮书大小的设备,可以安装在伊恩的轮椅上。

尽管如此,新的自训练系统代表了朝着最终目标迈出的一步。弗里登伯格预计,有了每天使用八小时的数据,该系统几乎不需要未来的用户进行任何训练。伊恩尤其期待有一天能够独立操作这个设备,或类似的设备,而无需工程师在场。他说,虽然他不指望能弹钢琴,但仅仅是能够牢牢抓住包裹和厨房用具,就能让他做饭、做家务,并总体上变得更加独立。

“知道像这样的设备将有可能在日常生活中使用,这真的让我对未来重拾了很多希望,”他说,“对我,以及对许多其他人来说。”

 

更多优惠、评测和购买指南

 

Charlie 是一名记者,报道地球内外物理科学领域的发展。除了《流行科学》,他的作品还发表在《Quanta Magazine》、《Scientific American》、《The Christian Science Monitor》等刊物上。此前,他曾在莫桑比克和日本教授物理和英语,并在布朗大学学习物理。您可以在这里查看他的网站。


© .