3 月 12 日，国家医保局发布《神经系统医疗服务价格项目立项指南》，其中专门为脑机接口新技术单独立项，设立了侵入式脑机接口植入费、取出费，以及非侵入式脑机接口适配费等价格项目，这意味着一旦脑机接口技术成熟，快速进入临床应用的收费路径已经铺好。
全国政协委员、天津大学副校长明东也在今年两会期间表示，我国近年来在新型脑机接口研发领域取得的重要突破，是“人机智能时代”到来的重要信号。
（来源：Nature Electronics）
而就在前不久，由明东担任共同通讯作者的一篇论文发表在Nature Electronics上 [1]。研究中，天津大学脑机海河实验室团队与清华大学集成电路学院团队研发出一种无创演进型脑机接口系统，实现了生物智能与机器智能的互适应、互学习，为脑机融合智能的发展开辟了新方向。
具体来说，他们研发出一种基于忆阻器芯片的脑机接口神经形态自适应解码器。
与此同时，为了实现高精度、高速度和低能耗的脑信号解码，研究团队还开发出一种一步式忆阻器解码策略。
（来源：Nature Electronics）
在一个涉及大脑控制无人机飞行的实时任务中，研究团队针对系统进行测试，结果显示该系统能够实现与软件方法相当的解码性能，但能耗仅有传统的基于英特尔 CPU 的系统的 1/1643，归一化速度则比其高 216 倍。
此外，研究团队还开发出一种交互式更新方案，使忆阻器解码器和不断变化的大脑信号能够自然地相互适应。
研究中，他们让 10 名受试者参与共同进化任务，每个受试者进行大约 6 小时的实验，借此证明了这种大脑-忆阻器解码器的共同进化能力。
实验结果表明：具有脑-忆阻器-解码器协同进化的脑机接口比没有协同进化脑机接口的精度大约高出 20%。
此外，研究人员将该解码器用于执行大脑控制的 4 自由度无人机飞行任务，实现了大约 85.17% 的软件等效精度，信息传输率大约为 123.58 比特/分钟。
在人机交互更新（HLU，human-in-the-loop update）实验中，大脑信号和基于忆阻器芯片的解码器都逐渐收敛到稳定状态。这种动态变化表明了大脑的学习过程以及解码器的自适应能力。
据了解，这种脑-忆阻器-解码器协同进化框架可以推广到各种类型的节能脑机接口，包括尖峰和皮层电图等侵入性记录，提供长期稳定性和自适应能力。并有望用于医疗和康复，比如用于闭环神经调节。（注：尖峰，指的是当神经元受到刺激时，会产生一种电信号变化即动作电位，由于其波形在示波器等记录设备上看起来像一个尖锐的脉冲，所以在脑机接口领域常被称为“尖峰”。）
此外，通过探索生物大脑和神经形态忆阻器芯片之间的密切相互作用和进化，本次方法可能会引领以人为本的混合智能的发展。
基于忆阻器芯片的脑机接口设计
据介绍，为了构建一个支持忆阻器芯片的脑机接口原型，研究团队使用稳态视觉诱发电位（SSVEP，steady-state visually evoked potential）作为意图，使用忆阻器芯片解码结果作为反馈，并使用错误相关电位（ErrP，error-related potential）作为响应。
稳态视觉诱发电位与视觉刺激密切相关，是建立脑机接口最常用的大脑信号之一。错误相关电位是一种与大脑中的错误处理相关的神经生理学信号，当大脑识别出错误时这种信号会被诱发出来。
下图展示了基于忆阻器忆阻器的脑机接口的框架。其中，在在线交互的过程中，错误相关电位能被用于积累新的数据。
（来源：Nature Electronics）
更具体地说，如果忆阻器解码器的意图没有引发错误相关电位，则相应的稳态视觉诱发电位信号和解码结果会被作为新的训练样本。
随着新的训练样本的积累，解码器也会在交互阶段进行更新。通过这种循环机制，就能使用更新后的解码器进行后续循环。
据了解，研究团队所使用的忆阻器芯片由 1024×128（即 128k 单元）忆阻器阵列组成，既支持大规模的并行乘累加运算，也支持缓冲器与驱动器的外围电路的输入和输出。
阵列中的每个单元都采用单晶体管、单电阻器单元的形式。与此同时，忆阻器由 TiN/TaOx/HfO2/TiN 材料堆叠而来。据了解，忆阻器阵列具有模拟开关的特性，可以实现高效的内存计算。
此外，研究团队使用一种名为“任务相关成分分析（TRCA，task-related component analysis）”的算法来解码大脑信号。
由于忆阻器存在一些“非理想器件特性”，比如它会读取噪声，同时存在精度限制。因此，在对忆阻器阵列进行矩阵向量乘法计算时，可能会引入误差。
此外，当使用多个数组或矩阵向量乘法步骤进行计算时，误差可能会得到进一步累积。
为了在忆阻器芯片上部署“任务相关成分分析”，研究团队提出了一种一步解码法，该策略通过最小化基于多个忆阻器阵列/芯片的顺序计算所产生的误差累积，实现了精度和效率的兼顾。
这一策略的核心思想是将传统的三步操作（预处理、特征提取和模式识别）合并为一步操作，从而能够极大降低计算复杂度和忆阻器阵列数量。
例如，对于具有 8 个通道信号和 12 个类控制命令的任务，与传统的三步解码法相比，这种一步解码法放计算量减少了 65%。
对于一步解码法来说，它能将时间滤波器、空间滤波器和稳态视觉诱发电位模板信号组合成一个矩阵，然后将它们映射到忆阻器芯片上，从而可以作为差分对中的器件电导。（注：差分对，是一种常见的电路设计概念。）
实验结果显示，这种一步解码法能够简化操作，从而避免了在忆阻器芯片上的多步操作所引起的误差累积。
与此同时，一步解码法还增加了解码器的可解释性，这让解码器的模式既可以反映大脑的通道偏好，也可以反映交互式脑机接口任务中控制参数的稀疏性。
实时脑控无人机飞行
为了验证基于忆阻器芯片的解码器用于脑机接口的可行性，研究团队首先使用四自由度（4-DOF，our-degrees-of-freedom）实时脑控无人机飞行进行了一项复杂的在线任务。
（来源：Nature Electronics）
实验装置包括忆阻器芯片、一个脑信号采集系统（Synamps2、Neuroscan）、一架大疆无人机（DJI RoboMaster TT）、一个显示飞行命令和引导无人机飞行的人工障碍物的屏幕。
如视频所示，无人机使用基于忆阻器芯片的解码器和一步集成“任务相关成分分析”成功完成了围绕障碍物的预期三维轨迹。
为了针对解码器性能进行量化，研究团队将其中 5 位受试者标记为 A1-A5，并在他们身上进行了基于忆阻器芯片的模拟在线实验。
从忆阻器解码器的微分电导图来看，不同的受试者可能有着不同的通道偏好。
例如，受试者 A1 主要依赖于来自通道 Oz、PO4 和 PO6 的信号，而受试者 A5 更喜欢通道 POz。
研究团队比较了基于忆阻器芯片和基于传统解码硬件（即英特尔 CPU）的脑机接的性能，结果发现它们具有相似的信息传输速率和解码准确度。
（来源：Nature Electronics）
研究团队还将基于忆阻器的解码策略与全连接神经网络策略进行比较，后者的结构与本次一步式集成的“任务相关成分分析”具有相同的结构。实验结果显示：基于忆阻器的策略比基于神经网络的策略具有更高的精度。这说明，基于忆阻器芯片的脑机接口解码器具有较好的可行性。
此前研究表明，许多脑机接口任务中都明显存在控制参数的稀疏性。为了研究不同幅度的解码参数对系统性能的影响，研究团队使用二进制掩码进行了参数修剪实验。
实验结果显示，仅仅删除前 5% 的参数就可能会导致精度大幅下降。这一结果表明具有较高幅度的解码器参数，在解码大脑信号中起着主导作用。
研究团队进一步研究了不同大脑记录通道对特定任务的重要性和偏好。具体而言，其使用模型参数来计算每个通道在 100 个输入以及 12 个输出情况下的平均幅度。
研究团队还使用每个单通道信号计算准确度，其中相应通道中的 100 个时间点作为输入，其他通道设置为零进行解码。
这些方法基于这样一个事实：当使用线性模型时，参数的大小可以表示对于特定任务的重要性。
结果显示，一个或几个单独的通道包含了解码的大部分关键信息，而其他通道的贡献却很小。这是因为那些能够获得更高精度的通道，通常具有更大幅度的参数。因此，在大脑控制的无人机飞行任务中，它们比其他通道更重要。
上述结果从参数和通道的角度，展示了基于忆阻器芯片的解码器与大脑活动之间的密切相关性，从而能为研究特定任务中大脑信号的“学分分配”提供一种有用的工具。
此外，解码器的稀疏参数有利于硬件实现和系统优化，从而能够降低芯片面积和能耗方面的解码成本。
据了解，要想打造实用型的脑机接口，就得既能破译大脑信号，也能动态地适应大脑功能。然而，这需要一个兼具灵活更新能力和节能解码能力的解码器。而本次研究填补了这一空白。与此同时，这也是脑机接口与忆阻器芯片的跨界组合。随着国家相关政策的出台，相信脑机接口距离进入寻常百姓家并不遥远。
参考资料：
1.Liu, Z., Mei, J., Tang, J.et al. A memristor-based adaptive neuromorphic decoder for brain–computer interfaces.Nat Electron(2025). https://doi.org/10.1038/s41928-025-01340-2
运营/排版：何晨龙
