開了人體「外設」，你也能用意念控制身體的行動

07-23

腦機介面：打開運動控制的黑箱

Yuanning，Mind reader

腦機介面，英文 Brain-computer interface (BCI)，有時也被稱作 Brain-machine interface (BMI)，顧名思義，是一種使大腦能夠和機器直接進行交互的系統。有了腦機介面技術，不需要任何實際的肢體動作，大腦可以通過意念操作機器完成許多複雜的動作，例如控制機械臂抓取並移動物品，操作遙控飛機，控制和移動游標，輸入打字，玩電子遊戲等等。目前腦機介面技術在臨床上的應用，神經假肢技術 (neural prosthesis) 已經用來幫助因疾病或事故造成癱瘓失去運動能力的病人『恢復』一定的運動功能。

在如今這個彷彿只要沾上一個『腦』字就能引爆眼球的時代，在矽谷或者中關村掉塊磚頭能砸到三個正在談論『大數據』『穿戴設備』『機器學習』的有為青年的年頭，在『神經科學』似乎一夜之間成為明星學科的今天，作為神經科學領域內與臨床醫療和工業界距離最近的分支之一，作為一個串聯了神經科學、計算機科學、人機交互和統計學習技術的研究方向，作為一個能輕易製造炫酷 demo 和新聞頭條的領域，腦機介面似乎並沒有在知乎上得到太多關注和討論。本人雖然並不是專業研究腦機介面的，但身在腦機介面研究重鎮之一的匹茲堡，也難免耳濡目染略知皮毛，於是斗膽寫兩段文字來稍微科普一下，以求拋磚引玉。

先看幾個例子：

(1) 布朗大學 (Brown University) 和斯坦福大學 (Stanford University) 的BrainGate團隊 (John Donoghue, Leigh Hochberg, Krishna Shenoy) 通過向癱瘓病人腦內植入電極實現意念控制機械臂進行移動，抓取，給自己喂水喝。

Thought control of robotic arms using the BrainGate system—在線播放—優酷網，視頻高清在線觀看

(2) 同樣是布朗大學和斯坦福大學的 BrainGate 團隊，這次他們實現了意念打字。

virtual typing with brain computer interface—在線播放—優酷網，視頻高清在線觀看

(3) 匹茲堡大學 (University of Pittsburgh) 的Andy Schwartz實驗室的腦機介面系統，通過植入猴子腦內的電極陣列實現解碼，猴子可以用意念操作機械臂給自己餵食。

Brain computer interface, Schwartz Lab—在線播放—優酷網，視頻高清在線觀看

(4) 匹茲堡大學醫學中心(University of Pittsburgh Medical Center) 在四肢癱瘓的病人腦內植入電極陣列，病人通過意念實現操作 10 自由度機械臂，實現給自己餵食（為何匹茲堡的人們那麼喜歡吃）。

Woman with Quadriplegia Feeds Herself Chocolate Using Mind Controlled Robot Arm—在線播放—優酷網，視頻高清在線觀看

(5) 華盛頓大學 (University of Washington) Rajesh Rao實驗室通過人體非介入式腦電圖信號實現意念遙控飛行，在線問答等功能。

Brain-Computer Interface - Mysteries of the Brain—在線播放—優酷網，視頻高清在線觀看

運動的控制和建模

以上若干例子都涉及了向某個方向伸手這一動作。它看上去簡單，其實是個非常複雜的動作。事實上，肢體的任何一個簡單的運動往往都涉及了很多塊肌肉和若干個關節的同時動作。現在正在對著電腦打字的我要伸右手去拿起邊上的水杯喝水，以我的軀幹為參照系，在這個過程中我的手從鍵盤上離開，產生一個向右的位移直到水杯處，又產生一個向左上方的位移到達嘴邊。手的運動狀態從靜止開始，經歷向右的加速運動，向右的減速運動，靜止，向左上的加速運動，向左上的減速運動，直到靜止結束。這期間，五指經歷了從自然放鬆，到張開，再到握住水杯的過程。而整個運動過程背後，是大腦一邊在發出指令控制上肢的運動，一邊根據視覺和觸覺的反饋輸入修正著運動控制。整個輸入輸出構成了如圖 1 所示的閉環系統。

圖 1：運動的閉環控制系統

不難看出這個系統實際上就是大腦和肢體之間的一個閉環，這其中有三條主要的傳輸鏈條

(1) 視 / 觸覺輸入：主要包括了空間和運動的認知識別，這是認知科學尤其是視覺科學的主要研究對象之一，其中運動認知主要研究對象是中顳葉視覺區域 (middle temporal visual area, MT) (Newsome & Pane, 1988; Maunsell & van Essen, 1983)，斯坦福大學 (Stanford) 的Bill Newsome是此方面泰斗。而空間識別則涉及了大腦頂葉 (parietal cortex) 尤其是頂內溝 (intraparietal sulcus，IPS) 附近的一系列區域 (LIP, VIP, MIP, AIP 等等) 加州理工 (CalTech) 的Richard Andersen是這方面研究的代表人物。

(2) 規劃 / 反饋控制：整個過程中大腦是如何規劃運動路線並且如何通過視覺和觸覺系統的反饋輸入來精確控制運動過程，這是眾多研究運動的神經科學家們致力於解決的核心問題之一，這裡涉及的大腦區域包括前運動區（premotor cortex, PM）和運動輔助區（supplementary motor area, SMA），其中前運動區負責運動系統與感知系統（主要是視覺）的交互，例如手眼協調（註：前運動區中的鏡像神經元（mirror neuron）是另一個有趣的研究對象），運動輔助區負責兩側軀體的運動協調以及系列連貫運動的準備和執行。由此產生的相關理論包括信號相關雜訊理論 (signal-dependent noise) (Wolpert and Harris, 1998)，最優反饋控制(optimal feedback control) (Todorov and Jordan, 2002)，以及內部模型理論(internal models) (Kawato, 1999)等等。華盛頓大學(University of Washington)的Emo Todorov是當代運動控制理論的領軍人物之一（有沒有發現他是統計和機器學習大師Mike Jordan的學生，每個搞機器學習的人都應該去他主頁上膜拜一下）。

以上兩個鏈條各自都構成了龐雜的研究領域，限於本人水平以及本文的主題，這裡就不再詳細展開講了，有興趣的讀者可以循著參考文獻深入研究。

(3) 執行：這是大腦運動區域產生的具體的控制信號進而驅動肢體運動的過程。這裡主要涉及的大腦區域是初級運動皮層（primary motor cortex，M1）。初級運動皮層是大腦中負責直接控制軀體運動的系統，M1 中的神經元活動從不同層面編碼（encode）了人體的運動。這裡的『編碼』是一個神經科學中常見的概念，在之前的專欄文章中，我們已經提及了這一概念在認知科學中的應用。用通俗的語言來講，『M1 編碼了軀體運動』意味著，對應不同的運動模式（比如向上伸手和向下伸手），M1 中的神經元會表現出不同的活動模式（比如某些神經元在向上伸手時比較活躍，另一部分在向下伸手時比較活躍）。事實上，M1 中數以億計的神經元從不同層面編碼了各種與運動有關的過程。有的神經元比較直接，它們編碼某一塊肌肉的收縮（Evarts, 1968）。有的神經元則稍微抽象一些，它們編碼某一複合動作（Georgopoulos et al., 1986）。可以想像，每塊肌肉的伸縮都有對應的較低級神經元負責編碼控制，而更上層的神經元則能夠如『統帥』一般縱覽全局，獨立編碼整個運動，而整個動作的執行信號則是需要大量神經元協作共同編碼完成的。這一執行鏈條正是腦機介面研究的核心，而『腦機介面』中的『腦』指的也正是 M1.

腦機介面的數學模型

接下來我們來看看『腦』和『機』是如何實現介面的。在圖 1 中，如果把肢體替換成機器（例如計算機和機械假肢），把原本通過具體的神經迴路傳遞信號而實現的執行過程替換為計算機解碼，我們就得到了一個腦機介面系統。所以腦機介面的本質就是通過物理手段讀取運動皮層的神經信號，運用計算機進行解碼來得到具體的運動指令，並以此指令來驅動機器實現具體的運動 (motion) 或者操作 (action)。由此，我們把本來封閉在大腦和肢體中的執行迴路打開並替換為可控的計算機系統，由此我們不僅實現了大腦和機器的交互，更為研究大腦的運動控制以及神經的可塑性打開了一個新的窗口。

圖 2：腦機介面系統

於是自然地，我們關注腦機介面系統的三個重要組成部分，信號獲取、信號解碼以及機器控制。這其中，機器控制部分是將驅動指令通過電信號傳遞給機器，從而驅動機器進行相應的動作，例如機器手的伸縮，或者更簡單地，電腦屏幕上的游標移動。這是個純工程（機械）的問題，我們在此就不過多地討論了。

在之前的專欄文章中我們曾介紹了各種類型的神經信號測量獲取方法，如單電極和電極陣列測量單細胞活動 (single-unit recording)，腦電圖(electroencephalogram, EEG)，腦皮質電圖(electrocorticography, ECoG)，腦磁圖(magnetoencephalography, MEG)，功能磁共振(functional magnetic resonance imaging, fMRI) 等等。這其中，常用於腦機介面的信號包括介入式的電極 / 電極陣列、腦皮質電圖，以及非介入式的腦電圖。這其中，介入式的信號因為直接近距離測量神經元的電生理活動而具有良好的信噪比和精確的空間定位，常被用在動物實驗和臨床測試上，而非介入式的腦電圖雖然不具有介入式的上述優點，但是成本低廉且便攜，是實際商用腦機介面的主要選擇。打個比方的話，如果把大腦想像成在有著數萬觀眾的周杰倫演唱會現場，介入式信號相當於在某個觀眾或者某排觀眾面前放了個麥克風記錄他們發出的聲音，而非介入式信號則相當於在體育場外聽大合唱。在由於通常情況下腦機介面的控制對實時性要求比較高（一般要求毫秒級別的時間解析度），所以功能磁共振等測量起來非常慢的方法就不在考慮範圍內了（事實上，近年來的確有人用 fMRI-BCI 來區分閉鎖綜合征(Locked-in syndrome) 和植物人狀態(persistent vegetative state)，不過具體方法更接近於傳統的 fMRI 研究，參見 Birbaumer, 2006）。此外，因為當前腦磁圖技術使用的SQUID 線圈對測量環境和設備要求非常高（要求高度的磁屏蔽以及液氦製冷的低溫超導），目前的腦磁圖技術也不太適合用來進行實用級別的腦機介面。當然功能磁共振和腦磁圖信號的解碼技術在認知科學的研究中都有著無比廣泛的應用，感興趣的讀者可以閱讀本專欄之前的系列文章，這裡就不再贅述了。總之，信號獲取是腦機介面的根基所在。通常情況下，不同的肢體運動被映射到運動皮層的不同位置，如何準確地定位到對應的位置並獲取良好而穩定的信號一直是腦機介面的重要課題。

信號解碼是腦機介面的另一核心技術。假設我們觀察被測對象（比如猴子）進行不同的運動，例如伸右手觸摸不同方向的目標，我們用變數 X 來表徵運動模式（例如右手的方向，速度，位置等等），在觀察的同時，我們通過電極記錄對象某一特定區域的神經活動，記為向量 Y，這裡我們視 Y 為隨機變數（通常情況下 Y 是一個 p 維的隨機向量）。如果對應不同的 X，我們發現條件變數 Y|X 服從不同的概率分布，那麼說明 Y 與 X 相關，從而 X 和 Y 的互信息不等於 0，於是我們認為神經活動 Y 中蘊含了外部運動狀態 X 的信息，或者可以說，這一區域的神經活動編碼了這種運動方式。反過來，如果我們的腦機介面系統觀測獲取了神經信號 Y，那麼通過分析研究 Y 與 X 的關聯，我們就可以預測對應的運動模式 X。用統計學習理論來描述的話，研究神經解碼本質上是在做有監督學習，通過一系列觀測，我們得到了 n 個訓練數據 ((x1, y1), (x2, y2), ... , (xn, yn))，我們通過學習可以估計 X 和 Y 的映射關係 X = f(Y)，這樣，對於新的輸入信號 Y", 我們可以預測對應的運動模式 X" = f(Y"). 當 X 是連續變數（比如連續的方向、速度或者位置）的時候，研究 X 和 Y 的映射就是在求解回歸(regression)問題，而當 X 是離散變數的時候（比如限定為上下左右四個方向），研究 X 和 Y 的映射就對應分類(classification)問題。對統計學習理論熟悉的讀者想必對具體的學習演算法很感興趣，接下來就簡單介紹三種常用的演算法。

(1) 群體向量演算法 (population vector algorithm). 群體向量演算法大概算是腦機介面的鼻祖了，而提到 population vector 又不得不提經典的脈衝頻率編碼理論 (rate coding). 在 1982 年發表的一篇研究論文中，Georgepoulos 等人訓練猴子執行向八個不同方向伸手觸摸目標的任務，並觀察記錄運動皮層的神經元脈衝活動，得到如圖 3 左所示的神經信號模式，這裡列出了其中一個神經元在猴子向各不同方向伸手各五次時的脈衝發射情況，其中每個點都是一次神經脈衝，顯然，當向左上方伸手時，這個神經元的脈衝更為強烈。如果把對應不同運動方向時此神經元在單位時間內的脈衝數（脈衝頻率）作圖，我們得到了如圖 3 右所示的一條曲線。這裡的調製曲線 (tuning curve) 被擬合為餘弦函數（另一種常見的擬合是高斯分布），其最大值對應的方向（這裡大約是 161 度）被稱為這個神經元的偏好方向 (prefered direction). 這樣，如果我們反覆觀測了一組神經元，那麼對應每個神經元，我們都可以得到這樣一條調製曲線，而每一條調製曲線對應的偏好方向都有所不同。假設這時候我們進行了一次新的觀測，那麼從每個神經元我們都可以測得一個對應的脈衝頻率，這時我們該如何預測對應的運動方向呢？一個最直白的想法就是讓所有神經元進行一次『投票』，每個神經元的『投票』方向就是它的偏好方向，而每個神經元『投票』的權重就是它的脈衝頻率（事實上是歸一化後的脈衝頻率，考慮到不同神經元可能有不同的最大脈衝頻率）。這樣當實際運動方向與某些神經元的偏好方向較為重合時，它們的投票恰好有較高的權重。於是最終的預測方向就是所有神經元的偏好方向的加權平均。這種方法看上去雖然十分簡單，但在很多情形下卻是極為有效，尤其是圖中所示的這種中心向四周伸手觸摸任務 (center-out reach task)，比如前文提到的那隻喂自己吃東西的猴子所用的系統就是使用的群體向量演算法 (Velliste et al., 2008). 事實上，如果限定如下幾條假設：(1)手向各個方向伸出的概率相同，(2)各調製曲線都服從高斯分布且方差相同，(3)各個神經元互相獨立，(4)各個神經元的偏好方向均勻分布，(5)觀測的神經元總數足夠大。那麼容易證明這種群體向量演算法事實上是最大後驗估計 (maximum a posteriori estimation, MAP)，即貝葉斯最優的，具體的證明過程留給對統計學習感興趣的讀者作為練習 : )

圖 3：脈衝頻率編碼(Georgopoulos et al., 1982)

應用實例：Velliste, M., Perel, S., Spalding, M. C., Whitford, A. S., & Schwartz, A. B. (2008). Cortical control of a prosthetic arm for self-feeding. Nature, 453(7198), 1098-1101.

(2) 第二種常見的演算法是線性濾波演算法 (linear filter algorithm)。前面提到了，解碼的本質是個回歸問題，已知 n 個訓練數據 ((x1, y1), (x2, y2), ... , (xn, yn))，估計 X 和 Y 的映射關係 X = f(Y) ，並且對於新的輸入信號 Y", 預測對應的運動模式 X" = f(Y"). 如果我們假設映射 f 具有線性形式 f(Y) = Y*A, 這裡 A 也是一個 p 維的向量 (嚴格講是 p+1 維，如果我們考慮回歸常數項的話)，而實際觀測滿足 xi = yi*A + Ei, 其中 Ei 是獨立同分布的觀測雜訊，那麼這就變成了一個簡單的線性回歸 (linear regression) 問題，很容易用最小二乘法 (ordinary least square) 得到 A 的解，於是我們的解碼預測就是 X" = Y" * A，即預測方向是觀測信號 Y"經過線性濾波器 A 後的值。其實不難看出，群體向量演算法也可以視作線性濾波的一種特殊情況，只不過線性模型的假設不一樣導致求解的方法不一樣。前面提到的喂自己喝水的 BrainGate 系統使用的是線性濾波。

應用實例：Hochberg, L. R., Serruya, M. D., Friehs, G. M., Mukand, J. A., Saleh, M., Caplan, A. H., ... & Donoghue, J. P. (2006). Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature, 442(7099), 164-171.

(3)卡爾曼濾波演算法 (Kalman filter algorithm)。前面兩種演算法並沒有考慮運動 X 在時間上的連續性，如果我們認為運動軌跡 x(t)是一個服從高斯分布的馬爾科夫過程 x(t)|x(t-1) ~ N(x(t-1) * A, Q), 而神經信號 y(t)|x(t) ~ N(x(t) * C, R)，這裡 A 和 C 是兩個線性變換矩陣（向量），而 Q 和 R 是兩個協方差矩陣，那麼我們就得到了一個隱變數 (latent variable) 模型，用概率圖模型 (graphical model) 來描述如圖 4 所示，這個模型可以用卡爾曼濾波演算法求解，具體解法這裡就不做詳述了，大部分機器學習或者信號處理的教科書上都有詳盡介紹和推導，例如可以參考 Bishop 的PRML中關於線性動態系統(linear dynamic system)的章節。最終，卡爾曼濾波演算法得到的關於運動狀態的估計 x"(t)也是一個線性估計 x"(t) = x(t-1) * M1 + y(t) * M2，這其中 M1 和 M2 是通過訓練卡爾曼濾波器得到的兩個線性變換矩陣，不難看出卡爾曼濾波和前面所述的兩種線性濾波方法的最大不同之處在於它在當前觀測的神經信號 y(t)以及上一時刻的運動狀態 x(t-1)之間做了個折中(trade-off)。

應用實例：Wu, W., Gao, Y., Bienenstock, E., Donoghue, J. P., & Black, M. J. (2006). Bayesian population decoding of motor cortical activity using a Kalman filter.Neural computation, 18(1), 80-118.

既然講到了隱變數模型，就多說兩句。熟悉機器學習的讀者一定對各種特徵抽取 (feature extraction) 和降維 (dimensionality reduction) 的方法並不陌生，事實上如果我們對觀測到的高維神經信號 Y 進行特徵抽取 (降維)，即在圖四的 Y 和 X 之間再插入一層隱變數 Z，這層低維的隱變數在神經科學上被稱為狀態空間( state space). 而狀態空間在很大程度上揭示了圖 1 中從初級運動皮層 M1 中編碼執行信號的神經迴路 (neural circuits) 的結構和性質 (Nicolelis et al., 1995; Yu et al., 2009)。這也暗示了我們，腦機介面的價值不僅僅在於工程系統。

圖 4：卡爾曼濾波(來源: Google Images)

和一切數學模型一樣，任何一種解碼演算法的表現好壞都取決於模型假設是否足夠貼近實際情況。而在實際應用中，上述三種演算法的表現受到信號質量、數據集大小、任務難度和神經塑性等各種因素的影響，也很難一刀切地分出優劣。因而在實際使用時如何選擇合適的解碼演算法也是值得考量的經驗性問題。時至今日，在各種腦機介面或者神經解碼相關的文獻中這三種方法各自仍被廣泛應用。

奉上本人最喜歡的引用之一：

(圖片來源：Thought of the Day: 「All Models are Wrong, but some are Useful」)

總結

以上我們算是粗略地介紹了腦機介面這一技術的背景和方法，腦機介面最初是作為一種純粹的生物醫學工程技術誕生的，其目的在於幫助癱瘓病人恢復運動功能。然而我們在圖 2 中看到，腦機介面事實上把運動控制這一閉環系統中本來屬於身體內部『黑箱』的一部分運動控制鏈路變成了外部控制系統，這樣通過操作修改這一部分鏈路，我們可以更直接地研究整個閉環迴路是如何工作的。於是，這一本來是純工程的技術現在成為了破解大腦運動皮層的結構和功能這一基礎科學課題的研究利器。之前在講到隱變數模型的時候也已經提到了，近年來對於大腦運動皮層的學習功能和神經可塑性的一系列研究都是基於腦機介面技術以及狀態空間展開的(Jarosiewicz et al., 2008; Clancy et al., 2014; Sadtler et al., 2014).

此外，更廣義的腦機介面不僅僅限於運動皮層，甚至不僅僅限於解碼。人腦的另一大感知系統，視覺系統，同樣是大腦與外界交互的關鍵。很多人因為疾病或意外事故導致視覺系統受損而失明。視覺假體(visual prosthesis) 在不同層面介入視覺系統，用機器產生的電信號模擬神經信號進行反向編碼來刺激大腦皮層，從而藉助機器實現了視覺系統與外界光刺激的交互，使得盲人獲得視覺感知功能。目前臨床上已有的視覺假體多是在視網膜層面(retinal prosthesis)重建光信號刺激，已經可以實現非常粗糙的圖像刺激。而以康奈爾大學 (Cornell University) 的Sheila Nirenberg等為代表的視覺神經科學家們則開始沿著視網膜向著更上層的神經系統進發，他們致力於通過光遺傳 (optogenetics) 和直接電刺激等技術在更上層的視覺神經系統中恢復重建視覺信號。過去的二十年間，神經解碼編碼技術已經被廣泛應用在了初級和高級視覺皮層的功能研究上，相信視覺假體這一視覺與工程的交叉，將在不遠的將來帶來更加激動人心的科學發現和工程進展。

致謝

感謝主編@This Is Not Tina約稿。

本文的部分思路和內容歸納整理自卡內基梅隆大學(Carnegie Mellon University)若干研究生課程的相關內容，感謝 Drs. Byron Yu, Steven Chase, Aaron Batista 和 Carl Olson 的相關課程講座。

--------------------------

參考文獻：

運動認知

Newsome, W. T., & Pare, E. B. (1988). A selective impairment of motion perception following lesions of the middle temporal visual area (MT). The Journal of Neuroscience, 8(6), 2201-2211.

Maunsell, J. H., & van Essen, D. C. (1983). The connections of the middle temporal visual area (MT) and their relationship to a cortical hierarchy in the macaque monkey. The Journal of neuroscience, 3(12), 2563-2586.

空間認知

LIP: Andersen, R. A., Essick, G. K., & Siegel, R. M. (1985). Encoding of spatial location by posterior parietal neurons. Science, 230(4724), 456-458.

VIP: Duhamel, J. R., Bremmer, F., BenHamed, S., & Graf, W. (1997). Spatial invariance of visual receptive fields in parietal cortex neurons. Nature,389(6653), 845-848.

MIP: Snyder, L. H., Batista, A. P., & Andersen, R. A. (1997). Coding of intention in the posterior parietal cortex. Nature, 386(6621), 167-170.

Buneo, C. A., Jarvis, M. R., Batista, A. P., & Andersen, R. A. (2002). Direct visuomotor transformations for reaching. Nature, 416(6881), 632-636.

AIP: Sakata, H., Taira, M., Murata, A., & Mine, S. (1995). Neural mechanisms of visual guidance of hand action in the parietal cortex of the monkey. Cerebral Cortex, 5(5), 429-438.

運動控制理論

Shadmehr, R., & Wise, S. P. (2005). The computational neurobiology of reaching and pointing: a foundation for motor learning. MIT press.

Harris, C. M., & Wolpert, D. M. (1998). Signal-dependent noise determines motor planning. Nature, 394(6695), 780-784.

Todorov, E., & Jordan, M. I. (2002). Optimal feedback control as a theory of motor coordination. Nature neuroscience, 5(11), 1226-1235.

Kawato, M. (1999). Internal models for motor control and trajectory planning. Current opinion in neurobiology, 9(6), 718-727.

腦機介面

Evarts, E. V. (1968). Relation of pyramidal tract activity to force exerted during voluntary movement. Journal of neurophysiology, 31(1), 14-27.

Georgopoulos, A. P., Kalaska, J. F., Caminiti, R., & Massey, J. T. (1982). On the relations between the direction of two-dimensional arm movements and cell discharge in primate motor cortex. The Journal of Neuroscience, 2(11), 1527-1537.

Birbaumer, N. (2006). Breaking the silence: brain–computer interfaces (BCI) for communication and motor control. Psychophysiology, 43(6), 517-532.

Hochberg, L. R., Serruya, M. D., Friehs, G. M., Mukand, J. A., Saleh, M., Caplan, A. H., ... & Donoghue, J. P. (2006). Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature, 442(7099), 164-171.

Velliste, M., Perel, S., Spalding, M. C., Whitford, A. S., & Schwartz, A. B. (2008). Cortical control of a prosthetic arm for self-feeding. Nature, 453(7198), 1098-1101.

Collinger, J. L., Wodlinger, B., Downey, J. E., Wang, W., Tyler-Kabara, E. C., Weber, D. J., ... & Schwartz, A. B. (2013). High-performance neuroprosthetic control by an individual with tetraplegia. The Lancet, 381(9866), 557-564.

Wodlinger, B., Downey, J. E., Tyler-Kabara, E. C., Schwartz, A. B., Boninger, M. L., & Collinger, J. L. (2015). Ten-dimensional anthropomorphic arm control in a human brain? machine interface: difficulties, solutions, and limitations. Journal of neural engineering, 12(1), 016011.

Jarosiewicz B., Sarma A.A., Bacher D., Masse N.Y., Simeral J.D., Sorice B., Oakley E.M., Blabe C., Pandarinath C., Gilja V., Cash S.S., Eskandar E.N., Friehs G., Henderson J.M., Shenoy K.V., Donoghue J.P., Hochberg L.R. Virtual typing by people with tetraplegia using a self-calibrating intracortical brain-computer interface. Science Translational Medicine. 11 Nov 2015: Vol. 7, Issue 313, pp. 313ra179.

基礎科學與腦機介面及其它

Jarosiewicz, B., Chase, S. M., Fraser, G. W., Velliste, M., Kass, R. E., & Schwartz, A. B. (2008). Functional network reorganization during learning in a brain-computer interface paradigm. Proceedings of the National Academy of Sciences, 105(49), 19486-19491.

Clancy, K. B., Koralek, A. C., Costa, R. M., Feldman, D. E., & Carmena, J. M. (2014). Volitional modulation of optically recorded calcium signals during neuroprosthetic learning. Nature neuroscience, 17(6), 807-809.

Sadtler, P. T., Quick, K. M., Golub, M. D., Chase, S. M., Ryu, S. I., Tyler-Kabara, E. C., ... & Batista, A. P. (2014). Neural constraints on learning. Nature,512(7515), 423-426.

Nicolelis, M. A., Baccala, L. A., Lin, R. C., & Chapin, J. K. (1995). Sensorimotor encoding by synchronous neural ensemble activity at multiple levels of the somatosensory system. Science, 268(5215), 1353-1358.

Yu, B. M., Cunningham, J. P., Santhanam, G., Ryu, S. I., Shenoy, K. V., & Sahani, M. (2009). Gaussian-process factor analysis for low-dimensional single-trial analysis of neural population activity. In Advances in neural information processing systems (pp. 1881-1888).

發自知乎專欄「通往心靈中央的旅程」