腦腦界面 - 用人類的大腦控制老鼠的行動
腦機界面 (Brain Machine Interface, BMI) 提供了大腦和機器之間資訊交流的平臺，過去已經有很多實例讓人類可以透過 BMI 來控制虛擬空間中的物件，也有透過電腦產生的資訊輸入刺激大腦特定區塊。多個 BMI 的組合也可以促成兩個大腦之間的資訊交流，我們稱之爲 Brain Brain Interface (BBI)，以往嘗試過使用 BBI 測試同種類動物的大腦之間的資訊交流，但使用非同種類測試大腦的例子卻還不常見。
實驗利用 BBI 來研究人腦是否有辦法輸入控制方向的訊號到老鼠的腦中。BBI 的輸入端是大腦的 EEG 訊號，輸入到電腦解碼之後，再傳到方向控制模型 gradient model (GRAM) 或 threshold model (TREM) 把解碼後的資訊轉換成指令，透過無線藍牙裝置控制在老鼠大腦裏面植入的電極輸出刺激。植入電極分別位於 Medial Forebrain Bundle (MFB) 控制直走以及 Somatosensory Cortices Whisker Barrel Field (SIBF) 控制旋轉。
實驗讓人類控制者五天內各進行三個階段的實驗：
1. 第一階段不用 EEG 訊號控制，而是手動輸入控制方向。
2. 第二階段利用 EEG 訊號輸出方向訊號，利用 GRAM 控制模型產生控制方向。
3. 第三階段利用 EEG 訊號輸出方向訊號，利用 TREM 控制模型產生控制方向。
老鼠位於八臂迷宮內，需要完成 8 個完整左轉和 8 個完整右轉才算成功。透過完成時間 (CPT) 和旋轉準確度 (TA) 來測量這樣的 BBI 控制的成效到底多好。首先在第一階段測量的結果發現 CPT 在第一天用了 190.03 ± 75.41s，到了第五天降到 132.56 ± 12.39s，這顯示老鼠對於這樣的操控與環境辨識已經漸漸熟習。第二階段 GRAM 和第三階段 TREM 的平均 CPT 分別是 243.41 ± 12.73s 和 275.05 ± 14.47s，而平均 TA 分別是 91.75 ± 3.85% 和 93.32 ± 1.73% 。基本上 GRAM 的效能比 TREM 好，CPT 比較下有明顯增強，但因爲某隻老鼠的不良表現造成了平均 TA 的降低。
除此之外，他們還測量了平均旋轉指令總數與平均直走指令總數。不論階段，平均旋轉總數都會有隨着實驗次數增加下降的趨勢，而最佳結果是第一階段手動控制，而到第五天也只到大約 20 個指令成功的結果，無法達到最完美的 16 個指令成功的結果。同樣直走指令的總數也有下降的趨勢，但第二階段 (GRAM) 228.14 ± 44.44 和第三階段 (TREM) 286.70 ± 13.57 平均結果沒有顯著差異，但只相比最後三天的結果會發現 GRAM 效果比 TREM 好。
爲此他們測試了 GRAM 和 TREM 產生指令的時間延遲，發現前者大約在 155.01 ± 3.10ms，後者大約 494.70 ± 47.55ms，所以這有效解釋了 TREM 的效果比 GRAM 差的原因。另外他們也發現給指令的時間點也很重要，透過簡化版的四臂迷宮，他們在中心劃分五個區域測量老鼠在哪個區域的時候發出指令才能達到最好的成效，結果顯示在轉角前後的區域才是最有效的。
在這樣簡單的迷宮測試之後，他們用同樣的系統和老鼠在更復雜的迷宮進行 5 分鐘內完成實現規劃的路線測試，結果顯示成功的幾率都在 80% 以上，平均成功率達到 90% 。
綜合上述的結果，他們對誤差進行分析討論：
1. 指令準確度和發出時間的重要。指令發出延遲的時間應該越低越好，例如 GRAM 的延遲時間比 TREM 短，這樣的延遲會造成控制者無法透過即時影像回饋 (老鼠的朝向和位置) 決定下一個指令怎麼給。
2. 控制者對腦神經訊號控制方式的熟習度也造成很大影響，因爲 BBI 的解碼和產生指令的計算方式是利用訊號強度超越臨界值的函數來界定，所以當控制者的狀態不佳、容易分心、對操控方式不熟習，就會產生不必要的雜訊就會導致誤差上升。
3. 老鼠對環境和控制節奏的熟習度也會造成誤差。從結果分析可以看到開始前兩次的實驗都需要較長的時間和較多的指令來完成任務，但到後來都會減少並趨近穩定結果。
對於這樣的一個 BBI 控制模組，雖然 5 分鐘路線測試平均成功率達到 90%，但實際生活中控制的範圍會更大也更復雜，而且理想情況下老鼠必須在不熟悉的環境下也能達到良好成效，實驗團隊認爲加入 Error-Related Potential (ERP) 的回饋有效降低噪音產生的錯誤指令，進而增強傳遞正確指令的精確度。
撰稿人：薛又齊
原文：Human Mind Control of Rat Cyborg’s Continuous Locomotion with Wireless Brain-to-Brain Interface. Shaomin Zhang, Sheng Yuan, Lipeng Huang, Xiaoxiang Zheng, Zhaohui Wu, Kedi Xu & Gang Pan. Scientific Reports volume 9, Article number: 1321 (2019).
原文網址：https://www.nature.com/articles/s41598-018-36885-0
實驗利用 BBI 來研究人腦是否有辦法輸入控制方向的訊號到老鼠的腦中。BBI 的輸入端是大腦的 EEG 訊號，輸入到電腦解碼之後，再傳到方向控制模型 gradient model (GRAM) 或 threshold model (TREM) 把解碼後的資訊轉換成指令，透過無線藍牙裝置控制在老鼠大腦裏面植入的電極輸出刺激。植入電極分別位於 Medial Forebrain Bundle (MFB) 控制直走以及 Somatosensory Cortices Whisker Barrel Field (SIBF) 控制旋轉。
實驗讓人類控制者五天內各進行三個階段的實驗：
1. 第一階段不用 EEG 訊號控制，而是手動輸入控制方向。
2. 第二階段利用 EEG 訊號輸出方向訊號，利用 GRAM 控制模型產生控制方向。
3. 第三階段利用 EEG 訊號輸出方向訊號，利用 TREM 控制模型產生控制方向。
老鼠位於八臂迷宮內，需要完成 8 個完整左轉和 8 個完整右轉才算成功。透過完成時間 (CPT) 和旋轉準確度 (TA) 來測量這樣的 BBI 控制的成效到底多好。首先在第一階段測量的結果發現 CPT 在第一天用了 190.03 ± 75.41s，到了第五天降到 132.56 ± 12.39s，這顯示老鼠對於這樣的操控與環境辨識已經漸漸熟習。第二階段 GRAM 和第三階段 TREM 的平均 CPT 分別是 243.41 ± 12.73s 和 275.05 ± 14.47s，而平均 TA 分別是 91.75 ± 3.85% 和 93.32 ± 1.73% 。基本上 GRAM 的效能比 TREM 好，CPT 比較下有明顯增強，但因爲某隻老鼠的不良表現造成了平均 TA 的降低。
除此之外，他們還測量了平均旋轉指令總數與平均直走指令總數。不論階段，平均旋轉總數都會有隨着實驗次數增加下降的趨勢，而最佳結果是第一階段手動控制，而到第五天也只到大約 20 個指令成功的結果，無法達到最完美的 16 個指令成功的結果。同樣直走指令的總數也有下降的趨勢，但第二階段 (GRAM) 228.14 ± 44.44 和第三階段 (TREM) 286.70 ± 13.57 平均結果沒有顯著差異，但只相比最後三天的結果會發現 GRAM 效果比 TREM 好。
爲此他們測試了 GRAM 和 TREM 產生指令的時間延遲，發現前者大約在 155.01 ± 3.10ms，後者大約 494.70 ± 47.55ms，所以這有效解釋了 TREM 的效果比 GRAM 差的原因。另外他們也發現給指令的時間點也很重要，透過簡化版的四臂迷宮，他們在中心劃分五個區域測量老鼠在哪個區域的時候發出指令才能達到最好的成效，結果顯示在轉角前後的區域才是最有效的。
在這樣簡單的迷宮測試之後，他們用同樣的系統和老鼠在更復雜的迷宮進行 5 分鐘內完成實現規劃的路線測試，結果顯示成功的幾率都在 80% 以上，平均成功率達到 90% 。
綜合上述的結果，他們對誤差進行分析討論：
1. 指令準確度和發出時間的重要。指令發出延遲的時間應該越低越好，例如 GRAM 的延遲時間比 TREM 短，這樣的延遲會造成控制者無法透過即時影像回饋 (老鼠的朝向和位置) 決定下一個指令怎麼給。
2. 控制者對腦神經訊號控制方式的熟習度也造成很大影響，因爲 BBI 的解碼和產生指令的計算方式是利用訊號強度超越臨界值的函數來界定，所以當控制者的狀態不佳、容易分心、對操控方式不熟習，就會產生不必要的雜訊就會導致誤差上升。
3. 老鼠對環境和控制節奏的熟習度也會造成誤差。從結果分析可以看到開始前兩次的實驗都需要較長的時間和較多的指令來完成任務，但到後來都會減少並趨近穩定結果。
對於這樣的一個 BBI 控制模組，雖然 5 分鐘路線測試平均成功率達到 90%，但實際生活中控制的範圍會更大也更復雜，而且理想情況下老鼠必須在不熟悉的環境下也能達到良好成效，實驗團隊認爲加入 Error-Related Potential (ERP) 的回饋有效降低噪音產生的錯誤指令，進而增強傳遞正確指令的精確度。
撰稿人：薛又齊
原文：Human Mind Control of Rat Cyborg’s Continuous Locomotion with Wireless Brain-to-Brain Interface. Shaomin Zhang, Sheng Yuan, Lipeng Huang, Xiaoxiang Zheng, Zhaohui Wu, Kedi Xu & Gang Pan. Scientific Reports volume 9, Article number: 1321 (2019).
原文網址：https://www.nature.com/articles/s41598-018-36885-0
留言
張貼留言