电气和计算机工程系主任教授、南加州大学神经技术中心创始主任MaryamShanechi和她的博士生开发了一种新的、先进的大脑信号深度学习方法，可以执行实时解码，从而显着推进神经技术的发展。该工作发表在《自然生物医学工程》上。

Shanechi的工作涉及解码大脑信号以开发用于治疗神经和心理健康状况的脑机接口(BCI)。例如，BCI可以根据瘫痪患者的大脑信号解码患者正在思考的动作，从而实时为瘫痪患者移动机械臂。或者，脑机接口可以从重度抑郁症患者的大脑信号中解码其情绪症状，以便每次提供正确剂量的深部脑刺激治疗。

深度学习是人工智能(AI)的一个分支，有可能大幅提高大脑信号解码的准确性。然而，到目前为止，脑机接口在很大程度上依赖于更简单的计算算法。Shanechi表示，为了让深度学习方法能够无缝地应用于实时脑机接口，它们必须解决多个额外的挑战。

“首先，我们需要开发不仅准确，而且能够实时高效解码的深度学习方法，”Shanechi说。“例如，当患者考虑喝杯咖啡时，实时从患者的大脑信号中解码他们的计划运动。其次，我们需要这些方法来处理随机丢失的大脑信号，这种情况在无线脑机接口中传输信号时可能会发生。”

Shanechi和她的学生HamidrezaAbbaspourazad和ErayErturk开发了一种新的大脑信号深度学习方法，可以解决这两个挑战。他们将该方法称为DFINE，意为“非线性嵌入的动态灵活推理”。他们表明DFINE可以准确解码大脑信号，同时还能够实时运行。即使大脑信号随机丢失(例如无线脑机接口中可能会发生这种情况)，它也可以这样做。

在这项工作之前，大脑数据模型需要权衡：“模型要么具有更好的准确性，但它们很难实时解码和/或在某些缺失的大脑数据下稳健地工作。或者模型可以实时解码，但不那么准确，”Abbaspourazad说。

“但是脑机接口既需要准确性，又需要实时/鲁棒的解码。这将使他们能够帮助患有各种脑部疾病的患者，”埃特克说。

“通过这种新的深度学习模型，我们两者兼而有之，”Shanechi补充道。“我们通过深度学习捕获大脑信号的复杂性来获得准确性。但我们正在构建一种方法，既可以做到这一点，又可以实时、稳健地运行。”

“这项工作提供了先进的深度学习方法，可用于现实世界的神经技术，因为它们同时提供准确性、实时操作、灵活性和效率，”Shanechi说。这意味着未来我们可以开发出更快、更精确、反应更灵敏的脑机接口。她说，这可以显着增强针对患有神经系统甚至心理健康问题的人的治疗设备。