植入式主流解码技术-卡尔曼滤波器

卡尔曼滤波器成为当前主流解码方法。以运动控制为例，早期的 植入式脑机接口解码大都使用维纳滤波器线性解码系统。此类解码系 统不包含运动学过程模型，而是将群体神经元的反应作为输入，将空 间坐标内的运动速率作为输出，通过优线性估计的方法进行解码。 早期很多脑机接口实验室都用该方法进行解码。

后来，为满足控制过 程中的解码连续性需求，需要有运动模型作参考以修正和优化解码器 输出，卡尔曼滤波器成为当前的主流解码方法，其在离线、实时以及 临床试验中都得到了广泛的应用。卡尔曼滤波的优点是算法简单，而 且可以不需考虑神经元具体编码内容即可解码，因此可以实时快速解 码。其缺点在于解码效果一般，且每次实验之前都需较长的校准时间， 另外，卡尔曼滤波解码的系统鲁棒性相对较差。为解决这些问题，国 际上提出了很多方法，其中具前景的方法主要包括类脑解码器设计 和神经学习。

类脑解码器成为新一代解码方法。近一些皮层神经元群体编码 特性研究结果表明，虽然大量的神经元被记录并用于脑机接口的解码， 但因大脑神经元的信息编码相对于运动是冗余的，用于控制的神经元 群体反应维度要低于神经元数量。因此在理论上可以找到一个隐藏或 潜在的低维状态空间来描述在该控制条件下的有效神经元群体反应， 并将这个状态空间中的潜变量映射到相关行为或运动控制变量用于运动控制。将这些编码特性应用于解码器设计，得到类脑的解码器可 用于脑机接口控制。

目前学术研究结果表明，此类稳定子空间是存在 的。此方法的优势是虽然记录到的神经元群体信号有G噪声且会发生 变化，但其在子空间上的动力学过程一直稳定，因此可以有效去除不 稳定记录以及神经元发放变化带来的干扰，从而获得更为鲁棒的脑机 接口系统。

神经学习提供新的解码思路。当前还有一种前沿的脑机接口解码 方法是通过训练大脑进行学习来使用脑机接口，即神经学习（也称脑 机学习）。脑机接口系统中存在两个学习系统，一个是解码器的机器 学习，另外一个就是具有强大学习能力的神经系统。脑机接口初期的 实验都体现了大脑学习本身的重要意义，但如何让大脑学会使用脑机 接口的解决方案尚不完善。脑机接口系统在使用过程中，闭环控制的 练习可以导致神经元为适应用户的运动系统而发生变化。

因此，闭环 过程中的解码器与开环时的解码器可能完全不同，结果表明提供快速 的反馈比过滤错误更为重要，因此诞生了改进闭环性能的技术，一般 被称为闭环解码器适应（Closed-Loop decoder Adaptation，CLDA）。 此类方法根据闭环脑机接口使用期间记录的数据实时改进解码器，让 解码器根据用户当前神经信号的性质来决定解码器的结构。