48、神经适应性技术研究进展：从脑机接口到生物反馈

神经适应性技术研究进展：从脑机接口到生物反馈

1. 阿尔法神经反馈对运动想象脑机接口性能的影响

运动想象脑机接口（BCI）性能的变化是亟待解决的难题。此前已提出多种解决方法，如自适应分类器、混合BCI和预筛选BCI文盲等。而改变潜在神经机制也是一种可能的解决方案，神经反馈训练（NFT）能让人们自我调节大脑活动，将当前大脑状态转变为期望状态。

有研究发现，中央阿尔法功率与运动想象BCI性能呈正相关，但尚未确定调节阿尔法是否能控制运动想象BCI性能。为此，研究人员设计了阿尔法神经反馈游戏，旨在增加阿尔法波段功率，进而提升运动想象BCI性能。

研究共招募23名受试者参与为期一天的实验，最终21名受试者（2名中途退出）用于分析，分为NFT组（11人）和对照组（10人）。所有受试者在NFT前后（对照组为休息）进行基线（睁眼静息状态）和两类运动想象任务。NFT期间，受试者玩上调阿尔法（8 - 13 Hz）的神经反馈赛车游戏，通过阿尔法活动控制赛车速度。

结果显示，NFT组的阿尔法功率有显著增加（p < 0.05），而对照组无显著变化。对于运动想象BCI性能，NFT组和对照组在前后测试中均无显著差异。在个体分析中，将NFT组分为BCI性能提高和降低的受试者。在BCI性能提高的6名受试者中，5名基线阿尔法波段功率增加，显示出阿尔法增加与运动想象BCI性能提升的正相关；在BCI性能降低的5名受试者中，2名基线阿尔法波段功率降低。由此推测，阿尔法调制可能影响运动想象BCI性能，有望解决其性能变化问题。

2. 神经反馈延迟对阿尔法爆发发生率、振幅和持续时间的差异影响

感官反馈延迟在强化学习中起着关键作用，有研究认为神经元事件与相应反馈之间250 - 350 ms的延迟是形成有效神经反馈并产生期望神经活动变化的最佳延迟。

研究采用P4 - 阿尔法神经反馈范式，探究不同反馈延迟对神经反馈训练中振荡神经活动变化的影响。40名健康右利手参与者随机分为四组，均进行枕叶阿尔法节律神经反馈训练。前三组的反馈延迟不同，分别为200、450和700 ms，第四组接受模拟反馈。

实验记录32个脑电图通道，采样率为500 Hz。训练前收集静息状态数据，设置空间滤波器抑制眼动伪迹并确定个体阿尔法波段频率。实验包括15个两分钟的训练 session，中间休息15秒。神经反馈以阿尔法波段滤波后的P4数据的包络形式呈现，在电脑屏幕上显示为脉动的圆圈轮廓。

结果表明，与模拟反馈组相比，三个反馈组的平均阿尔法功率均可靠增加，且反馈组之间平均阿尔法功率无显著差异。在阿尔法爆发模式方面，所有三组的爆发率均随神经反馈训练增加，FB0和FB250组的爆发持续时间和振幅无显著变化，而FB500组的平均爆发振幅和持续时间显著增加。这表明阿尔法神经反馈对阿尔法活动的改变因反馈延迟而异，700 ms的总延迟诱导的阿尔法活动变化最强。

3. 神经反馈学习的多阶段理论

神经反馈是一种训练范式，让学员自愿影响大脑动态。近年来，对其研究兴趣呈指数级增长，主要关注两个基本问题：一是该训练范式的证据是否可靠；二是若该能力存在，其工作原理及如何提高训练协议的成功率。

研究提出了一个多阶段的神经反馈学习模型，该理论假设神经反馈学习分为三个阶段，涉及不同的神经网络：
- 阶段1 ：系统发现增加正反馈频率的适当目标表征，在单个训练 session 内进行，由基于奖励的学习驱动，更新额纹状体连接。
- 阶段2 ：跨越多个训练 session，对睡眠期间的巩固过程敏感，涉及更新纹状体 - 丘脑和丘脑 - 皮质连接。
- 阶段3 ：在阶段1和2开始后，当学员意识到内感受和外部反馈信号之间的统计协变时触发，此时神经反馈学习可能加速，且训练效果在训练期结束后仍能维持。

该模型不仅能解释特定神经反馈训练尝试的成功与失败，还能应用于人机闭环情境。

4. 模块化生物反馈：打造属于自己的切实体验

随着计算机科学的发展，基于生理数据的应用逐渐融入日常生活，但我们可能会失去对生理数据记录位置、方式和目的的控制与意识。

为解决这些社会问题，研究人员提出了一种有形用户界面，受乐高积木、有形编程和音频模块化合成器的启发，创建了“积木”来构建生物反馈应用。这些积木分为输入信号（如呼吸、光电容积脉搏波）、处理（如带通滤波、峰值检测）、输出（如声音、视觉）、存储（如记录或重放数据）和流传输（如通过蓝牙或远程互联网）等类别。

这些积木足以重现各种设备，从简单的呼吸指南到复杂的内省设备。积木之间通过模拟信号通信，内部依赖开源的Arduino生态系统，旨在支持透明度和自主性。每个积木外层有明确的图标，可自由组装和定制。其局限性也成为优势，如积木的笨重性让用户可直接查看内部，暴露的引脚可让用户更换代码，现成的部件让用户可更换组件或连接自己的电子设备。该模块化系统有望用于教育场景，提高人们的意识并激发创造力，也可让设计师快速原型化与生理信号相关的应用。

5. 基于反馈控制系统原理的生物控制论适应建模：在人机交互和虚拟现实应用中的意义

某些神经适应性技术可用反馈控制系统术语来描述，生物控制论适应技术就是其中之一。它利用“控制论”的“引导”含义，在生理自适应自动化中发挥作用，目的是更好地代表人类操作员对系统的明显和潜在反应，以服务于系统。

研究的一个目标是展示如何使用反馈控制原理对基于生物控制论适应的系统进行建模。例如，控制器元件已用于生物控制论应用中，测试各种认知参与指标和调整任务的自动化水平。其他研究采用控制理论方法创建自适应生物反馈游戏，以训练自我调节技能。

另一个目标是探索在使用生理智能元层的虚拟现实（VR）模拟器中采用的生物控制论适应策略。研究创建了一个基于VR的训练模拟器（BioPhyS），用于研究警察在目标射击场景中的生理自我调节。该模拟器与能够提供生理智能的生物控制论循环引擎（BL Engine）接口，目标是让学员在VR射击时尽可能长时间保持在100 - 115 bpm的目标心率区间。为帮助学员达到理想的心理生理状态，实施了PID控制器来优化变化。

以下是神经反馈学习多阶段理论的mermaid流程图：

graph LR
    A[开始] --> B[阶段1: 发现目标表征]
    B --> C[阶段2: 多session巩固]
    C --> D{是否意识到协变}
    D -- 是 --> E[阶段3: 加速学习]
    D -- 否 --> C
    E --> F[结束]

以下是模块化生物反馈积木类别的表格：
| 类别 | 示例 |
| ---- | ---- |
| 输入信号 | 呼吸、光电容积脉搏波 |
| 处理 | 带通滤波、峰值检测 |
| 输出 | 声音、视觉 |
| 存储 | 记录或重放数据 |
| 流传输 | 通过蓝牙或远程互联网 |

神经适应性技术研究进展：从脑机接口到生物反馈

6. 各项研究的对比与总结

为了更清晰地对比各项研究，我们将它们的关键信息整理成如下表格：
| 研究主题 | 研究目的 | 研究方法 | 主要结果 |
| ---- | ---- | ---- | ---- |
| 阿尔法神经反馈对运动想象脑机接口性能的影响 | 探究调节阿尔法是否能控制运动想象BCI性能 | 设计阿尔法神经反馈游戏，招募23名受试者，分为NFT组和对照组，进行前后测试 | NFT组阿尔法功率显著增加，运动想象BCI性能前后无显著差异；个体分析显示阿尔法增加与BCI性能提升有正相关 |
| 神经反馈延迟对阿尔法爆发发生率、振幅和持续时间的差异影响 | 研究不同反馈延迟对神经反馈训练中振荡神经活动变化的影响 | 40名参与者随机分四组，进行枕叶阿尔法节律神经反馈训练，设置不同反馈延迟 | 三个反馈组平均阿尔法功率增加，FB500组平均爆发振幅和持续时间显著增加 |
| 神经反馈学习的多阶段理论 | 解释神经反馈学习的工作原理及提高训练成功率 | 提出多阶段模型，分为三个阶段 | 模型能解释训练的成功与失败，适用于人机闭环情境 |
| 模块化生物反馈：打造属于自己的切实体验 | 解决生理数据应用的社会问题，提供可定制的生物反馈体验 | 创建“积木”，分为不同类别构建生物反馈应用 | 积木可自由组装和定制，有望用于教育和设计原型 |
| 基于反馈控制系统原理的生物控制论适应建模：在人机交互和虚拟现实应用中的意义 | 展示生物控制论适应系统建模方法，探索VR模拟器中的适应策略 | 使用反馈控制原理建模，创建VR训练模拟器并接口生理智能引擎 | 实施PID控制器优化学员达到理想心理生理状态 |

从这些研究中可以看出，神经适应性技术在多个方面都取得了一定的进展。在脑机接口领域，阿尔法神经反馈对运动想象BCI性能的影响研究为解决性能变化问题提供了新的思路；神经反馈延迟的研究则深入探讨了神经反馈训练中的关键因素。神经反馈学习的多阶段理论为理解神经反馈的机制提供了理论框架。模块化生物反馈为用户提供了可定制的生理数据应用体验，而基于反馈控制系统原理的生物控制论适应建模则在人机交互和虚拟现实应用中展现了应用潜力。

7. 应用前景与潜在挑战

这些神经适应性技术研究成果具有广泛的应用前景。在医疗领域，脑机接口技术可以帮助瘫痪患者恢复运动能力，通过调节阿尔法神经反馈提高运动想象BCI性能，有望让更多患者受益。在教育领域，模块化生物反馈可以作为教学工具，让学生更直观地了解生理信号与自身状态的关系，激发学生对科学的兴趣。在娱乐和游戏领域，基于生物控制论适应的虚拟现实应用可以提供更加沉浸式和个性化的体验，根据玩家的生理状态实时调整游戏难度。

然而，这些技术也面临着一些潜在挑战。在技术层面，脑机接口的性能还需要进一步提高，以确保其稳定性和准确性。神经反馈训练的效果可能因个体差异而有所不同，如何提高训练的成功率是一个需要解决的问题。在社会层面，生理数据的隐私和安全问题是一个重要的挑战。随着生理数据应用的普及，如何确保数据不被滥用，保护用户的隐私是至关重要的。此外，公众对这些新技术的接受程度也是一个需要考虑的因素，需要加强科普宣传，提高公众对神经适应性技术的认识和理解。

以下是神经适应性技术应用前景和潜在挑战的mermaid流程图：

graph LR
    A[神经适应性技术研究成果] --> B[应用前景]
    A --> C[潜在挑战]
    B --> B1[医疗领域]
    B --> B2[教育领域]
    B --> B3[娱乐游戏领域]
    C --> C1[技术层面]
    C --> C2[社会层面]
    C1 --> C11[提高脑机接口性能]
    C1 --> C12[提高神经反馈训练成功率]
    C2 --> C21[保护生理数据隐私安全]
    C2 --> C22[提高公众接受程度]

8. 未来研究方向

基于目前的研究成果，未来的研究可以从以下几个方向展开：
1. 技术优化 ：进一步优化脑机接口技术，提高其性能和稳定性。研究更有效的神经反馈训练方法，减少个体差异对训练效果的影响。
2. 跨领域融合 ：加强神经适应性技术与其他领域的融合，如人工智能、大数据等。通过结合这些技术，可以更好地处理和分析生理数据，提高系统的智能水平。
3. 应用拓展 ：探索神经适应性技术在更多领域的应用，如心理健康、智能家居等。开发更多实用的应用程序，满足不同用户的需求。
4. 伦理和社会研究 ：加强对神经适应性技术的伦理和社会研究，制定相应的法律法规和道德准则，确保技术的合理应用。

总之，神经适应性技术在多个领域都展现出了巨大的潜力，但也面临着一些挑战。未来的研究需要不断努力，克服这些挑战，推动技术的发展和应用，为人类带来更多的福祉。

以下是未来研究方向的列表总结：
1. 技术优化：
- 优化脑机接口技术
- 研究有效神经反馈训练方法
2. 跨领域融合：
- 结合人工智能和大数据
3. 应用拓展：
- 探索更多应用领域
- 开发实用应用程序
4. 伦理和社会研究：
- 制定法律法规和道德准则