Nature重磅｜超声脑机接口：功能性超声FUS用于低侵入性脑机接口解码

"怀长期主义，聊医工科技"

不错过医工超人文章三部曲：1. 关注公众号 2. 经常点击“在看” 3. 点击公众号右上方设置“星标” 每篇文章都会按时推送不错过

基于超声脑机接口和机器学习ML的深部脑刺激创新方法：非侵入帕金森病PD诊断和治疗方法

深度合集 | 一文速览超声“脑机接口”前沿技术与应用总结（几大创新方向）

一文看懂火出圈的“超声”脑机接口！- “无创”经颅聚焦超声技术tFUS开启神经调控与脑疾病治疗新纪元

实时fUS-BMI的硬件和软件配置：(a) 硬件组件：行为计算机通过TCP与fUS-BMI计算机通信。fUS-BMI计算机通过专用数据线连接到超快速超声扫描仪。fUS-BMI计算机从超声扫描仪接收射频数据，并执行实时2Hz功率多普勒图像的生成。超快速超声扫描仪与一个15.6 MHz的超声换能器相连，并控制其工作。(b) 超声换能器的放置：超声换能器由定制的3D打印插槽固定，该插槽适合放入猴子头部的记录腔。这个记录腔是永久植入的，并通过头部帽固定在猴子的头骨上。超声换能器被放置在硬脑膜上方，并使用无菌超声耦合凝胶。(c) 软件组件：使用Python 2.7编写的多线程TCP服务器用于接收、解析并传输行为软件PsychoPy和实时fUS-BMI计算机之间的信息。当fUS-BMI计算机（即“fUS解码器”）请求时，服务器传输所需的任务信息。客户端-服务器架构经过特别设计，以防止数据泄露，即实际的运动方向在成功试验结束之前从未传输给fUS-BMI。TCP服务器也接收fUS-BMI的预测结果，并在PsychoPy软件请求时将其传输。在两个运行Windows的计算机之间的局域网离线测试中，服务器的平均写入-读取-解析时间为31 ± 1（平均值±标准差）毫秒。

       脑机接口（BMI）一直被视为恢复神经损伤患者运动和交流能力的潜在突破技术，尤其是针对瘫痪患者。传统的BMI方法依赖于多种大脑信号记录技术，包括皮层内电极、功能性磁共振成像（fMRI）、脑电图（EEG）等。然而，每种方法都在侵入性、空间和时间分辨率以及性能之间存在权衡。本研究引入了功能性超声（fUS）作为一种新兴的非侵入性方法，旨在解决这些限制。本文展示了一种闭环超声BMI的应用，成功解码运动计划，为BMI技术的未来应用提供了新的可能。

解剖记录平面和行为任务：a. 用于猴子P和L的冠状fUS（功能性超声）成像平面。大致的fUS视野叠加在冠状MRI切片上。记录室被放置在头骨上方的开颅术（黑色方框）上，表面垂直于头骨。超声换能器被定位，以在不同的实验中获取一致的冠状平面（红线）。血管图显示了来自单个成像会话的平均功率多普勒图像。不同的脑区用白色文字标注，标记的箭头指向脑沟。D，背侧；V，腹侧；L，左侧；R，右侧；A，前部；P，后部；ls，外侧沟；ips，顶内沟；cis，扣带沟。解剖标记基于参考文献63。b. 记忆引导的眼跳任务。*固定和记忆期间的抖动±1,000毫秒；保持期的抖动±500毫秒。根据具体实验，外周提示从两个或八个可能的目标位置中选择。红色方框表示猴子的眼位（猴子不可见）。NHP，非人灵长类动物，即猴子。c. fUS-BMI算法。实时的2Hz功能性图像被传送到一个线性解码器，该解码器控制行为任务。解码器使用记忆期最后三张fUS图像来进行预测。如果预测正确，则该预测的数据将被添加到训练集中。每次成功试验后，解码器会重新训练。训练集由当前会话和/或先前fUS-BMI会话的试验组成。d. 多编码器算法。为了预测八个运动方向，垂直分量（蓝色）和水平分量（红色）分别进行预测，然后将这些独立预测结合形成每次fUS-BMI的预测（紫色）。e. 记忆引导的BMI任务。BMI任务与b相同，不同之处在于运动期由大脑活动（通过fUS-BMI）控制，而不是眼部运动。在100次成功的眼部运动试验后，fUS-BMI控制运动预测（闭环控制）。在闭环模式期间，猴子必须保持对中心固定提示的凝视，直到奖励发放。红色方框表示猴子的眼位（猴子不可见）；绿色方框表示BMI控制的光标（猴子可见）。

研究概述：

       研究人员使用fUS技术记录了两只猕猴在执行眼睛和手部运动时，来自其后顶叶皮层（PPC）的脑活动。fUS通过记录大脑血容量（CBV）的变化来追踪神经活动，并提供了高空间和时间分辨率，且不需要如皮层内电极那般的侵入性操作。此项研究尤为突出之处在于首次在闭环BMI环境中使用了fUS技术，实现了运动意图的实时解码。

猴子P在解码两个眼跳方向的实验示例。：a. 累计解码准确度随试验次数变化的函数。蓝色代表fUS-BMI训练期间，猴子通过显性眼动控制任务。蓝色显示的BMI性能是在事后生成的，对实时行为没有影响。绿色代表在fUS-BMI控制下的试验，猴子保持对中心提示的凝视，运动方向由fUS-BMI控制。灰色包络线表示90%二项分布；红线表示最后一个非显著的试验。b. 整个会话中最终解码准确度的混淆矩阵，结果以百分比表示（每行加起来为100%）。c. 聚光分析显示了解码准确度最高的10%体素（阈值为q ≤ 1.66×10⁻⁶）。白色圆圈表示200微米的聚光半径。比例尺为1毫米。d–f. 与a–c相同的格式。fUS-BMI使用从先前会话收集的数据进行了预训练。d. 累计解码准确度随试验次数的变化。e. 最终解码准确度的混淆矩阵。f. 聚光分析显示了解码准确度最高的10%体素（阈值为q ≤ 2.07×10⁻¹³）。白色圆圈表示200微米的聚光半径。比例尺为1毫米。

       该研究展示了超声BMI作为低侵入性技术的潜力，通过fUS解码多个运动方向，包括左右眼运动以及多达八个方向的运动。在多次实验中，fUS-BMI的表现稳定，即使实验相隔数月，依然保持了较高的精度，这是BMI系统实现长期稳定性的重要一步。

主要发现：

功能性超声作为BMI工具的前景：功能性超声是一种新近开发的技术，具备高空间和时间分辨率，并且相较于当前的皮层内方法，侵入性更低。fUS可以提供广泛的视野，同时测量多个脑区的活动。该技术基于超快速脉冲回波成像，能够检测CBV变化，并以毫米级的精度追踪缓慢的血流，这些特点使fUS非常适合用于需要解码运动意图的BMI应用。

解码两个眼跳方向的跨会话表现：图中显示了猴子P和L在每个会话中解码器累计准确度的变化情况。实线表示实时实验结果，虚线表示基于实时fUS成像数据的事后分析模拟会话结果。每个图上方的垂直标记表示每次会话中的最后一个非显著试验。天数是相对于第一次fUS-BMI实验的天数。粗虚线的水平黑线表示随机表现的水平。

解码眼部运动：研究的第一个步骤是通过fUS解码两个眼睛运动方向（左右）。猕猴在执行记忆引导的眼跳任务时，fUS数据被实时流入系统。经过100次训练试验后，猕猴仅通过其大脑活动便可以控制运动方向。fUS-BMI在55次训练试验后即达到了显著的预测精度，最终预测精度达到了82%。

猴子P解码八个眼跳方向的实验示例。a. 累计解码准确度和平均角度误差随试验次数的变化。蓝色表示fUS-BMI训练期间，猴子通过显性眼动控制任务。这里显示的BMI性能是事后生成并在每个新试验中进行测试，对实时行为没有影响。绿色表示在fUS-BMI控制下的试验，猴子保持对中心提示的凝视，运动方向由fUS-BMI控制。灰色包络线表示90%的二项分布或置换测试分布；红线表示最后一个非显著的试验。b. 整个会话中最终解码准确度的混淆矩阵，结果以百分比表示（每行加起来为100%）。横轴表示预测的运动方向（预测类别），纵轴表示匹配的方向提示（真实类别）。c. 聚光分析显示了平均角度误差最低的10%体素（阈值为q ≤ 2.98 × 10⁻³）。白色圆圈表示200微米的聚光半径。比例尺为1毫米。d–f. 与a–c相同的格式。fUS-BMI使用第22天的数据进行预训练，并在每次成功试验后更新。d. 累计解码准确度和平均角度误差随试验次数的变化。e. 整个会话中最终解码准确度的混淆矩阵，结果以百分比表示。f. 聚光分析显示了平均角度误差最低的10%体素（阈值为q ≤ 8 × 10⁻⁵）。白色圆圈表示200微米的聚光半径。比例尺为1毫米。

跨会话的预训练稳定性：BMI技术面临的一个重要挑战是跨多个会话保持稳定性，尤其是在这些会话之间相隔较长时间的情况下。传统的皮层内BMI由于难以跨会话记录相同的神经元，通常需要每次会话进行重新校准。而fUS-BMI通过预训练方法展示了跨会话的稳定性。研究人员通过将成像平面对齐，展示了即使在几个月后的实验中，仍能从相同的神经血管群中解码运动意图。预训练大大减少了达到高解码精度所需的时间，某些实验仅需7次试验即可达到显著的预测精度。

解码八个眼跳方向的跨会话表现。图中显示了猴子P和L在每个会话中解码平均角度误差的变化情况。实线表示实时实验结果，虚线表示基于实时fUS数据的事后分析模拟会话结果。每个图上的垂直标记表示每次会话中的最后一个非显著试验。天数是相对于第一次fUS-BMI实验的天数。粗虚线的水平黑线表示随机表现的水平。

解码八个运动方向：本研究进一步扩展了BMI的能力，成功解码了多达八个运动方向。研究人员使用了“多编码器”架构，分别预测运动的水平和垂直分量，然后将这些独立的预测结合起来。fUS-BMI在86次训练试验后达到了34%-37%的解码精度，显著高于12.5%的随机猜测概率。

解码手部运动：除了解码眼部运动，fUS-BMI还成功解码了手部运动。猕猴执行记忆引导的到达任务，fUS-BMI成功解码了手部左右移动方向，在70次试验后解码精度达到61.3%。与眼部运动实验一样，预训练显著提升了BMI的表现，减少了达到显著精度所需的试验次数。

猴子P解码两个手部到达方向的实验示例。a. 猴子P的记忆引导手部到达任务。与图1b中的记忆引导眼跳任务相同，所有固定或眼部运动都被替换为手部触控屏幕的动作。固定和记忆期的抖动为±1,000毫秒；保持期的抖动为±500毫秒。外周提示从两个目标中的一个选择。白色方框表示猴子的手部位置，对猴子可见。b–d. 来自仅使用当前会话数据训练的实验结果示例。格式与图2a–c相同。b. 累计解码准确度随试验次数的变化。c. 整个会话中最终解码准确度的混淆矩阵，结果以百分比表示。d. 聚光分析显示了解码准确度最高的10%体素（阈值为q ≤ 3.05 × 10⁻³）。e–g. 来自第78天会话的实验结果示例，使用第76天的数据进行预训练，并在每次成功试验后重新训练。格式与图2d–f相同。e. 累计解码准确度随试验次数的变化。f. 整个会话中最终解码准确度的混淆矩阵，结果以百分比表示。g. 聚光分析显示了解码准确度最高的10%体素（阈值为q ≤ 6.47 × 10⁻³）。

功能性超声的优势：与传统的BMI技术相比，fUS具有多项优势，包括：

• 广泛且深度的视野：fUS可以从深层脑区（如顶叶外侧内沟，LIP）记录神经活动，这是许多其他方法（如ECoG）难以达到的深度。

• 高空间和时间分辨率：fUS的空间分辨率为100微米，时间分辨率小于1秒。

• 侵入性较低：虽然需要开颅操作，但fUS无需穿透硬脑膜，因此比皮层下和皮层内电极的感染风险更低。

使用半自动的基于强度的刚体对齐算法来找到从之前会话到新成像平面的转换。对齐误差显示在叠加图中，绿色代表旧会话（第1天），洋红色代表新会话（第64天）。

挑战与未来方向：

       尽管结果令人鼓舞，fUS-BMI仍面临挑战，尤其是时间分辨率方面。虽然fUS的空间分辨率非常出色，但目前的时间分辨率为约2 Hz，远不及电生理方法的毫秒级分辨率。未来的硬件和成像技术改进有望解决这些限制。此外，功能性超声在BMI中的应用仍然处于实验阶段，未来的研究需要进一步完善技术并探索其在人类应用中的全部潜力。未来工作还可能集中在将fUS与其他技术（如超声神经调节）结合，构建能够同时记录和刺激脑活动的闭环系统。

结论：

       本研究标志着低侵入性脑机接口技术的重大进展。通过功能性超声实现运动计划的实时解码，展示了将高分辨率成像与跨会话长期稳定性相结合的潜力。虽然fUS在人类应用中仍需要进一步优化，但这项技术为神经损伤患者的功能恢复带来了希望，并为下一代BMI系统铺平了道路。       

参考文献

Griggs, Whitney S., Sumner L. Norman, Thomas Deffieux, Florian Segura, Bruno-Félix Osmanski, Geeling Chau, Vasileios Christopoulos et al. "Decoding motor plans using a closed-loop ultrasonic brain–machine interface." Nature Neuroscience 27, no. 1 (2024): 196-207.

"怀长期主义，聊医工科技"

我是超哥，超声行业17年老伙计，做过研发，搞过生产，趟过市场，开过（在开）公司；越野跑爱好者；工作狂；沟通粗暴直接；严苛完美主义者；起伏皆为过往；信奉长期主义和第一性原则；欢迎来聊来组局...

*免责声明*

　　本公众号注明原创的内容权利属于本服务或本服务权利人所有，未经本服务或本服务权利人授权，任何人不得擅自使用（包括但不限于复制、传播、展示、镜像、上载、下载、转载、摘编等）或许可他人使用上述知识产权的。已经本服务或本服务权利人授权使用作品的，应在授权范围内使用，并注明作者来源。否则，将依法追究其法律责任。