研究人员对基于忆阻器的大脑-计算机接口（BCI）进行了开创性研究。这项研究提出了一种创新的方法，以在BCI中实现能效高、适应性强的神经形态解码器，这些解码器可以有效地与变化的大脑信号共同进化。
香港大学工程学院电气与电子工程系的黄毅教授和刘正无博士，与清华大学和天津大学的研究团队合作，对基于忆阻器的大脑-计算机接口（BCI）进行了开创性研究。研究发表在Nature Electronics上，提出了一种创新的方法，以在BCI中实现能效高、适应性强的神经形态解码器，这些解码器可以有效地与变化的大脑信号共同进化。
大脑-计算机接口（BCI）是一种基于计算机的系统，创建了大脑与外部设备（如计算机）之间的直接通信通道，使个体能够仅通过大脑活动控制这些设备或应用，而无需传统的肌肉运动或神经系统。这项技术在从辅助技术到神经恢复的广泛领域中具有巨大潜力。然而，传统的BCI仍面临挑战。
“大脑是一个复杂的动态系统，信号不断变化和波动。这给BCI在保持稳定性能方面带来了重大挑战，”黄教授和刘博士说道。“此外，随着脑-机连接的复杂性增加，传统计算架构在实时处理需求方面显得捉襟见肘。”
该合作研究通过开发一个128K单元的忆阻器芯片，作为自适应脑信号解码器，解决了这些挑战。团队引入了一种硬件高效的一步忆阻器解码策略，显著降低了计算复杂性，同时保持了高准确度。刘博士是香港大学电气与电子工程系的研究助理教授，他作为共同第一作者参与了这项开创性工作。
在现实世界测试中，该系统在一个四自由度的无人机飞行控制任务中展示了令人印象深刻的能力，解码准确率达到85.17%——相当于基于软件的方法——而能耗减少了1,643倍，且提供了比传统CPU系统高216倍的规范化速度。
最重要的是，研究人员开发了一个交互更新框架，使忆阻器解码器和脑信号能够自然适应彼此。这种共同进化的机制在涉及十名参与者的六小时实验中得到了验证，其准确率比没有共同进化能力的系统高出约20%。
“我们在优化计算模型和错误缓解技术方面的工作至关重要，以确保忆阻器技术的理论优势能够在实用的BCI应用中实现，”刘博士解释道。“我们共同开发的一步解码方法显著减少了计算复杂性和硬件成本，使这项技术在广泛的实际场景中变得更可获取。”
黄教授进一步强调，“更重要的是，我们的交互更新框架使忆阻器解码器和大脑信号之间能够共同进化，解决了传统BCI面临的长期稳定性问题。这种共同进化机制使系统能够随时间适应大脑信号的自然变化，极大地增强了在长期使用中的解码稳定性和准确性。”
在这项研究成功的基础上，团队现在正在通过与香港大学李嘉诚医学院和玛丽医院的新合作扩展他们的工作，开发用于癫痫数据分析的多模态大语言模型。
“这项新的合作旨在将我们在脑信号处理方面的工作扩展到癫痫诊断和治疗的关键领域，”黄教授和刘博士表示。“通过将我们在先进算法和神经形态计算方面的专业知识与临床数据和专业知识相结合，我们希望开发出更准确和高效的模型来帮助癫痫患者。”
这项研究标志着以人为中心的混合智能向前迈出了重要一步，它将生物大脑与神经形态计算系统相结合，开启了医学应用、康复技术和人机交互的新可能性。
该项目得到了RGC主题研究计划（TRS）项目T45-701/22-R、STI 2030重大项目、中国国家自然科学基金和XPLORER奖的支持。
