脑机接口：探索神经学习与适应性解码器

2025-08-26 18:08 上海

2025年8月28日晚上19:00-21:00直播

导语

集智俱乐部联合中国科学技术大学教授赵云波、华东师范大学副教授吴兴蛟两位老师共同发起「大模型时代下的人机交互与协同」读书会。本次读书会探讨人类与机器智能的优势与边界，聚焦数据稀缺、高效人机协作、决策可解释性及多模态协作在交叉学科中的应用。

本期是「大模型时代下的人机协同与交互」第8次分享，本次分享将聚焦脑机接口中的人机协同，探讨如何通过理解神经系统学习过程与设计适应性解码器，实现大脑与算法的融合，以优化运动控制和感知重建。

背景

在植入式脑机接口领域中，大部分工作都集中于应用AI方法，开发高质量的解码器，以解释所得到的神经信号。但脑机接口本身由于其自身的多学科交叉和复杂性，可以认为形成了一个新的学科，也带来了新的科学问题。例如，脑机接口其实包含了两个智能部分，一方面是算法，一方面是大脑。如何应用大脑超强的学习能力，并用于神经信号的解码，是脑机接口必须解决的核心问题。如果想要构建脑机融合的方法，首先需要了解脑机应用过程中神经系统本身的学习过程，更进一步，如何设计适配神经学习过程的相应算法，使得二者相互融合，获得更好的解码效果。

简介

本次分享我们会讨论在运动控制的脑机接口过程中，神经系统的学习过程，如何设计适应性解码器，以及应用该脑机融合系统对运动控制带来的实际意义。更进一步，我们也会讨论脑机融合相关理论是否可以在具反馈的运动控制中的作用，以及在感知重建过程中的作用。

大纲

脑机融合的基础：神经系统的学习过程

适应性解码器的设计与脑机融合

脑机融合系统的实际意义与扩展应用

参考文献

Dadarlat, M. C., Canfield, R. A., & Orsborn, A. L. (2023). Neural plasticity in sensorimotor brain–machine interfaces. Annual review of biomedical engineering, 25(1), 51-76.

Ganguly, K., & Carmena, J. M. (2009). Emergence of a stable cortical map for neuroprosthetic control. PLoS biology, 7(7), e1000153.

Orsborn, A. L., Moorman, H. G., Overduin, S. A., Shanechi, M. M., Dimitrov, D. F., & Carmena, J. M. (2014). Closed-loop decoder adaptation shapes neural plasticity for skillful neuroprosthetic control. Neuron, 82(6), 1380-1393.

Carmena, J. M., Lebedev, M. A., Crist, R. E., O'Doherty, J. E., Santucci, D. M., Dimitrov, D. F., ... & Nicolelis, M. A. L. (2003). Learning to control a brain–machine interface for reaching and grasping by primates. PLoS biology, 1(2), e42.

Shenoy, K. V., & Carmena, J. M. (2014). Combining decoder design and neural adaptation in brain-machine interfaces. Neuron, 84(4), 665-680.

主讲人

刘冰，中国科学院自动化研究所副研究员。2012年于中国科学院生物物理研究所王毅实验室获得神经生物学博士学位。毕业后前往芝加哥大学Osborne Lab进行博后研究，探索视觉运动信息的高效编码与群体解码。后在加州大学伯克利分校Carmena Lab，杜克大学神经生物学系Lisberger Lab进行植入式脑机接口方面研究。主要研究植入式脑机接口和计算神经科学。脑机接口方面，研究神经系统在与外界交互中的适应和学习，开发下一代的“脑-机双学习”系统，并探索其在临床中的应用。计算神经科学方面，应用非人灵长类的植入技术研究视觉／运动信息的神经编解码模型及机制。