项目可行性及经费预算报告.docx

项目可行性及经费预算报告.docx

《项目可行性及经费预算报告.docx》由会员分享，可在线阅读，更多相关《项目可行性及经费预算报告.docx（23页珍藏版）》请在冰豆网上搜索。

项目可行性及经费预算报告

项目可行性及经费预算报告

（国际科技合作版）

一、项目可行性报告

（一）项目合作背景及合作的必要性。

脑机接口不依赖于常规的脊髓/外周神经肌肉系统，在脑与外部设备之间建立一种新型的信息交流与控制通道，实现了脑与外界的直接交互。

脑机接口的研究对脑与认知、智能信息处理、仿脑工程和人工智能等有重要的科学意义，有利于推动新型信息感知、复杂数据处理、模式识别、认知计算和人机交互等技术的研究与发展，在挖掘人类认知潜能、残障人康复、神经疾病治疗，以及航天、国家安全等问题上都具有重要的社会意义和广泛的应用前景，因此引起了国际学术界的极大关注，成为信息科学与神经科学交叉研究领域的前沿热点问题。

脑机接口主要有非植入式和植入式两大类[1]。

其中，植入式脑机接口尽管有手术创伤风险，但该技术能直接获取大脑皮层的神经集群信号，信息量大、时空分辨率高，对锋电位（Spike）信号的解码率目前已达6.5bps，延迟短至0.1秒[2]，能够实现对外部设备多自由度的实时、精确控制。

在这些研究新进展的激励下，借助电子信息科学的微电极制造、并行数据采集系统和神经信息处理等技术的推动，植入式脑机接口正在形成国际研究热潮。

自本世纪以来，Nature和Science等报道了一系列基于运动神经信号的植入式脑机接口的重大成果，进一步促进了人们对运动神经系统的认识，相关成果建立了大量复杂信息处理、人机交互技术以及模式识别的新方法，极大地推动了信息、认知等科学的发展。

为了在新一轮的国际科技竞争中取得技术领先和主动，美国通过国家科学基金（NSF）、国立卫生研究院（NIH）和国防先进研究计划署（DARPA）向该领域投入大量人力和财力，支持啮齿类（大鼠）和非人灵长类动物（猴）的植入式脑机接口研究。

在过去的十多年里，该技术得到了快速发展并取得重大突破，初步实现了大脑信号对外部设备（如计算机、假肢等）的直接控制。

相关的研究成果和进展不断被Nature和Science等国际顶级期刊所报道。

当前该研究领域的工作国际化和全球合作趋势愈发明显，其中美国的“革命性假肢”项目联合了美国众多的顶尖高校和欧洲的著名假肢厂商来合作研究和进行开发。

美国的“REPAIR”项目，欧洲的“Neuro-IT”项目都是针对脑机接口技术的科学和技术问题，整合多个国家和不同学科背景的科研团队的资源优势，以项目合作的方式来推动相关基础研究和开发应用的不断深入。

近年来，在国家科技部的支持下，国内的脑机接口研究取得显著进展，在脑机接口技术的某些方面实现了与国际水平相接轨，但在整体水平上我们和欧美等发达国家还存在着一定的差距，为了实现我国在该领域的研究能实现快速的跨越式发展,有必要积极发挥和利用“走出去,引进来”的国际合作策略,与国际上该领域的顶尖实验室建立起长期的合作关系,在前沿问题上同步展开研究,进而实现与国际水平的接轨,获得国际高水平的研究成果。

针对脑机接口中神经信号特征和处理过程中面临的挑战，本课题拟利用已有的国际合作研究平台，在已建立的非人灵长类动物（猴）脑机接口实验平台上，与外方合作，发挥各自学术特征，并重点解决以下两个关键科学问题：

（1）运动皮层神经集群信息的特性分析；

（2）高通量、非线、动态和协同的神经解码。

两者互为依托，准确、实时的信息分析有助于了解神经信号的特性，而解码方法的实现将利于解释生物体神经信息的自然表征。

以上关键问题的解决不仅取决于多通道神经集群信息的约简等高通量神经信息预处理的关键技术，还取决于实时、动态的神经集群信息解析的关键技术，需要在神经集群信息处理、模式识别等技术上有所创新和突破。

综上所述，如何实现运动型脑机接口中神经信号的分析和解码是极具挑战的科学前沿问题，相关研究涉及的基础理论和关键科学问题是目前国际上该领域内最新的研究热点之一，同时也是国家自然科学基金委拟重点支持的方向，在《国家中长期科学和技术发展规划纲要（2006——2020）》在基础研究的重要科学前沿问题和前沿技术中给予重点安排的研究内容。

本项目拟通过国际合作，借助和发挥各自的学术和技术优势，通过对以上科学问题和关键技术的研究，争取在高通量神经信息的高效约简，实时、协同的神经集群信息解析上有所创新和突破，使我国脑机接口技术的研究跻身国际前列。

（二）国内外研究现状和发展趋势。

脑机接口的研究可以追溯到上世纪90年代末，1999年Chapin等人用人工神经网络算法将大鼠运动皮层神经集群电信号转换为水泵控制指令，首次实现了大脑对外部设备的直接控制[3]。

该研究表明植入式脑机接口在脑神经信息加工处理机制探索、神经功能修复与疾病治疗等方面具有重大的科学研究和应用价值。

近年来，各国政府纷纷投入大量人力和财力，支持植入式脑机接口及相关的神经信息处理和植入式器件等方面的研究，以期在新一轮的国际科技竞争中取得技术领先和主动。

美国的一些大学和研究机构在国家科学基金（NSF）、国立卫生研究院（NIH）和国防先进研究计划署（DARPA）的支持下，率先开展了啮齿类（大鼠）[3]和非人灵长类动物（猴）[4]的植入式脑机接口研究，推动了该技术的快速发展并取得重大突破，初步实现了运动皮层神经集群信号对外部设备（如计算机、假肢等）的直接控制。

相关的研究成果和进展不断被Nature和Science等国际顶级期刊所报道[2,5,6]。

2006年美国Cyberkinetics公司开发的BrainGateTM获得了FDA的认证，并先后成功地在6名高位瘫痪的病人身上进行了临床实验。

该系统可将从患者运动皮层神经元电信号通过实时信号处理分析，转换成控制外部设备的指令，患者几乎无需训练就可以用意念移动屏幕上的光标或简单地控制假肢[6]。

由于脑机接口技术在临床康复、心理认知和国家安全等领域所展示出的巨大应用前景，相关研究在全球范围内方兴未艾。

伴随着材料科学和微电子技术的发展，高密度的微电极阵列、高精度运算放大器以及高速采样率的模数转换器已经使得对大脑神经集群活动的高通量信号采集成为可能，但如何从海量的数据中获取准确而有效的信息，实现对神经信息的精确解码，从而更深层次地解析思维活动传递的信息，已成为目前植入式脑机接口研究亟待解决的主要问题之一。

神经科学研究表明，神经元电活动和神经集群构成的网络是神经信息加工和处理的物质基础。

为了准确地解析神经集群活动所蕴含的信息，需要在时间上对每个神经元的电活动进行高速而准确的记录，在空间上尽可能多地收集相关脑区神经集群的活动，因此信息解析中需要处理的数据规模非常庞大，且记录到的海量数据中存在与解析目标无关的冗余信息，会产生额外输入维度，增加信息解析模型参数和信息处理模型的学习复杂度，影响信息解析的实时性。

此外，高计算量对于脑机接口硬件的低功耗和便携式的实现带来困难。

因此，如何通过信息约简方法解决神经信息规模大、冗余信息多的问题，是实时神经信息解析的关键问题之一。

目前针对神经信息约简问题已经有一些具体的研究。

Chapin等人用主成分分析将神经信息维度降低至仅剩一维，用于预测大鼠前肢压机械杆的轨迹[3]；Wessberg等人用Neuron-DroppingAnalysis方法进行约简，某个特定神经元的取舍由解码结果与解码目标之间的相关性来决定[7]；Sanchez等人使用线性维纳滤波器，通过连接权值的大小来定量判断神经元与解码目标的相关性[8]。

现有信息约简方法在一定程度上解决了神经信息高通量性引起的实时性问题，但仍有部分问题有待解决。

如主成分分析在约简过程中没有定量评估神经元对于解析目标的重要性，只考虑输入信息各维度之间的相关性而忽略了与解析目标的相关性，可能会丢失有用的信息。

因此虽然能够建立两者的映射模型，却无法在神经元层次选择输入。

这种模型难以从生理角度进行解释，不利于神经科学的研究及解析模型的优化；Neuron-DroppingAnalysis方法计算复杂度高，也缺乏对神经元重要程度的定量评估；线性维纳滤波器的权值分析法依赖于解码模型本身，无法独立从神经元发放数据自身衡量神经元的重要性。

实现脑机交互最核心的技术就是神经集群解码，其面临的挑战源于神经系统的复杂性，表现为以下三个方面：

1）神经系统是一个非线性系统，传统线性分析方法难以准确评定神经信号的动力学结构，也无法揭示大脑活动的本质特征。

如何在建模中有效引入在神经科学上关于神经元发放与运动之间已存在的证据和相关生物学上的结论，同样也是一个挑战；2）由于大脑具有可塑性等原因，神经信息具有时变性，神经电活动与解析目标的映射模式以及相关性均随时间自适应的变迁，传统的静态信息处理方法难以保持长期的高精度解析；3）反映宏观脑功能的神经信息在空域、频域上都有分布性，单个脑区、单个频段的神经信号不能完整体现宏观意义上的脑功能。

空域上的协同性表现为不同脑区的神经元活动在脑功能实现中的分工不同，同一脑区内也存在神经元活动相似的协同集群；频域上的协同性主要体现在，低频的局部场电位信号包含较大范围内的神经元电活动，但信息精度不足；高频的锋电位发放序列则包含较高精度的神经元群体放电信息，但范围较狭窄。

因此，如何有效解决神经系统的非线性、时变性和协同性等问题，建立高效的解码模型，是神经信息解析的另一个关键问题。

目前神经集群信息解码的研究主要包括以下几个方面：

Georgopoulos等人于上世纪80年代发现运动皮层神经元发放具有明显的方向选择偏好[9,10]，基于该研究结果Taylor等人提出了群矢量及其改进算法，并成功用于猴子开环控制假臂实验[11]。

但群矢量方法受限于偏好方向均一性及线性解析模式假设。

Wessberg等人提出了基于维纳滤波的神经信息解析算法，突破了群矢量对神经元发放偏好方向的均一性假设[6,7,12-14]。

此外，Fisher线性判别、最大似然性估计和投票方法等线性、单输出、静态算法也相继用于运动控制，但以上线性解码方法难以实现信息的精确解码。

进一步的研究发现非线性方法具有更合理的生理基础，更符合神经信息处理的特性。

近年来，有人尝试用非线性方法进行神经解码，Kim等人提出用不同的线性模型组合成非线性模型进行解码[15]，Sanchez等、Wang等人分别使用递归神经网络（RecurrentNeuralNetwork）和时滞神经网络（Time-DelayNeuralNetwork）来引入非线性进行建模[16,17]。

此类方法直接使用非线性函数逼近的概念，而无法引入在神经科学中关于神经元发放与运动之间已存在的证据和相关的生物学结论，给解码结果的分析带来困难。

此外，这些方法对解码模型的调整过程具有较高的时间复杂度，无法有效地实现模型的动态更新，难以对动态变化的神经信息进行长期稳定的解码。

针对神经系统的时变性，近年来一些学者开始将状态观测法（StateObservationApproach）等基于概率的方法用于神经信息解析。

Wu等人使用基于概率的卡尔曼滤波器进行解码[18-20]，卡尔曼滤波器在行为解析中认为行为参数不仅与当前神经元电活动信息有关，并且为运动参数建立了动态模型。

但卡尔曼滤波器仍然受限于线性映射假设及高斯分布的后验概率。

Li等人提出基于Unscented卡尔曼滤波器的方法[21]，将卡尔曼的线性假设扩展到2阶多项式逼近，对非线性的近似能力有限。

Brockwell、Shoham和Srinivasan等人先后提出基于后验概率的信息解码算法[22]，在观测模型上引入的神经电活动与解析目标的映射模式假设为指数模型，该方法有待数据的进一步检验。

总体上说，与上文提及的非线性、时变性和协同性要求相比，现有方法还存在很大差距。

1）线性解码方法与神经系统的非线性相悖，非线性的指数模型与数据吻合有限，导致神经解码的精确性不足；2）静态假设与时变性不符，神经解码的精度不能保持长期平稳，现有动态解码方法的解析效果也不理想；3）现有的解码主要针对单一脑区的锋电位发放，忽略了反映宏观脑功能的神经信息在空域和频域上的协同性，单个脑区、单个频段的神经信号不能完整体现宏观意义上的脑功能。

故此，探索新的基于生理意义的信息解析模型和高效率的解码算法是当前迫切需要解决的问题。

构建面向脑机相互适应的脑机接口技术是最近几年脑机接口研究的又一个热点问题。

互适应的好处利用无监督或半监督学习的在线学习算法结合大脑的学习能力的方法，达到提高脑机接口性能的目的。

传统的脑机接口解码算法都是基于监督学习的放法，这使得脑机接口系统的性能极度依赖于输出数据，而且在实际应用中，输出部分在很多情况下无法获取，比如一个截肢的病人无法提供断肢运动的数据。

因此，近年来已研究者尝试互适应的研究策略。

Taylor等人在恒河猴的三维光标控制中使用互适应算法，通过迭代更新每个神经元活动与光标运动角度的映射追踪神经元发放在学习过程中的变化[23]。

Gage等人设计了更系统化的互适应脑机接口范式[24]。

DiGiovanna等人则提出一种基于强化学习的脑机接口互适应范式[25]。

在该系统中，有两个智能系统，即机器和大脑。

大脑可利用内在的强化学习机制来调节相关神经元，而机器则需要编入相应的强化学习算法，比如值函数估计网络算法。

Mahmoudi等人在此基础上进一步提出了共生脑机接口（S-BMI）的概念，直接从大鼠脑部获取奖赏信息，作为算法的反馈[26]。

他们认为应该利用模仿生物系统中的感知-行动-奖赏周期来构建更具适应能力的脑机接口。

在S-BMI中，大脑和外部设备要相互适应以共同完成目标。

在该系统中机器动作正确性的评估是大脑对奖赏的期望，可以从纹状体（striatum）的NAcc中提取。

这些技术的发展使得脑机接口越来越趋于脑机之间的整合以及双向的交互。

但总体来说，互适应脑机接口的研究还处于探索阶段，相比脑机接口中其它技术，出现的时间较晚，因此，还有很多方面需要扩展，比如对大脑的奖赏方式

综上所述，双向-闭环侵入式脑机接口研究是当前神经信息工程这一交叉领域中极具挑战的科学前沿，值得深入研究。

因此，本项目拟通过对运动型脑机接口中皮层神经元集群信号分析和解码的研究，力争在相关的基础理论与关键技术上有所创新和突破，使我国脑机接口技术的研究跻身国际前列。

参考文献

[1]TonetO.,MarinelliM.,CitiL.,RossiniP.M.,RossiniL.,MegaliG.,andDarioP.,Definingbrain-machineinterfaceapplicationsbymatchinginterfaceperformancewithdevicerequirements.JournalofNeuroscienceMethods,2008.167

（1）:

p.91-104.

[2]SanthanamG.,RyuS.I.,YuB.M.,AfsharA.,andShenoyK.V.,Ahigh-performancebrain-computerinterface.Nature,2006.442（7099）:

p.195-198.

[3]ChapinJ.K.,MoxonK.A.,MarkowitzR.S.,andNicolelisM.A.,Real-timecontrolofarobotarmusingsimultaneouslyrecordedneuronsinthemotorcortex.NatureNeuroscience,1999.2（7）:

p.664-670.

[4]CarmenaJ.M.,LebedevM.A.,CristR.E.,O'DohertyJ.E.,SantucciD.M.,DimitrovD.F.,PatilP.G.,HenriquezC.S.,andNicolelisM.A.L.,Learningtocontrolabrain-machineinterfaceforreachingandgraspingbyprimates.PlosBiology,2003.1

（2）:

p.193-208.

[5]VellisteM.,PerelS.,SpaldingM.C.,WhitfordA.S.,andSchwartzA.B.,Corticalcontrolofaprostheticarmforself-feeding.Nature,2008.453（7198）:

p.1098-1101.

[6]HochbergL.R.,SerruyaM.D.,FriehsG.M.,MukandJ.A.,SalehM.,CaplanA.H.,BrannerA.,ChenD.,PennR.D.,andDonoghueJ.P.,Neuronalensemblecontrolofprostheticdevicesbyahumanwithtetraplegia.Nature,2006.442（7099）:

p.164-171.

[7]WessbergJ.,StambaughC.R.,KralikJ.D.,BeckP.D.,LaubachM.,ChapinJ.K.,KimJ.,BiggsS.J.,SrinivasanM.A.,andNicolelisM.A.,Real-timepredictionofhandtrajectorybyensemblesofcorticalneuronsinprimates.Nature,2000.408（6810）:

p.361-365.

[8]SanchezJ.C.,CarmenaJ.M.,LebedevM.A.,NicolelisM.A.L.,HarrisJ.G.,andPrincipeJ.C.,Ascertainingtheimportanceofneuronstodevelopbetterbrain-machineinterfaces.IEEETransactionsonBiomedicalEngineering,2004.51（6）:

p.943-953.

[9]GeorgopoulosA.,SchwartzA.,andKettnerR.,Neuronalpopulationcodingofmovementdirection.Science,1986.233（4771）:

p.1416.

[10]GeorgopoulosA.,KettnerR.,andSchwartzA.,Primatemotorcortexandfreearmmovementstovisualtargetsinthree-dimensionalspace.II.Codingofthedirectionofmovementbyaneuronalpopulation.JournalofNeuroscience,1988.8（8）:

p.2928.

[11]TaylorD.M.,TilleryS.I.H.,andSchwartzA.B.,Directcorticalcontrolof3Dneuroprostheticdevices.Science,2002.296（5574）:

p.1829-1832.

[12]GageG.,LudwigK.,OttoK.,IonidesE.,andKipkeD.,Naivecoadaptivecorticalcontrol.JournalofNeuralEngineering,2005.2:

p.52-63.

[13]SerruyaM.,HatsopoulosN.,PaninskiL.,FellowsM.,andDonoghueJ.,Brain-machineinterface:

Instantneuralcontrolofamovementsignal.Nature,2002.416（6877）:

p.141-142.

[14]HatsopoulosN.,JoshiJ.,andO'LearyJ.,Decodingcontinuousanddiscretemotorbehaviorsusingmotorandpremotorcorticalensembles.JournalofNeurophysiology,2004.92

（2）:

p.1165.

[15]KimS.P.,SanchezJ.C.,ErdogmusD.,RaoY.N.,WessbergJ.,PrincipeJ.C.,andNicolelisM.,Divide-and-conquerapproachforbrainmachineinterfaces:

nonlinearmixtureofcompetitivelinearmodels.NeuralNetworks,2003.16（5-6）:

p.865-871.

[16]SanchezJ.C.,ErdogmusD.,NicolelisM.A.,WessbergJ.,andPrincipeJ.C.,Interpretingspatialandtemporalneuralactivitythrougharecurrentneuralnetworkbrain-machineinterface.IEEETransactionsonNeuralSystemsandRehabilitationEngineering,2005.13

（2）:

p.213-219.

[17]WangY.W.,KimS.P.,andPrincipeJ.C.,ComparisonofTDNNtrainingalgorithmsinbrainmachineinterfaces.ProceedingsoftheInternationalJointConferenceonNeuralNetworks（IJCNN）,Vols1-5,2005:

p.2459-2462.

[18]WuW.,GaoY.,BienenstockE.,DonoghueJ.,andBlackM.,BayesianpopulationdecodingofmotorcorticalactivityusingaKalmanfilter.NeuralComputation,2006.18

（1）:

p.80-118.

[19]WuW.,BlackM.,MumfordD.,GaoY.,BienenstockE.,andDonoghueJ.,ModelinganddecodingmotorcorticalactivityusingaswitchingKalmanfilter.IEEETransactionsonBiomedicalEngineering,2004.51（6）:

p.933-942.

[20]WuW.,BlackM.,GaoY.,BienenstockE.,SerruyaM.,