拥有额外的肢体后你想要做些什么？

原创 | 文 BFT机器人 

拥有额外肢体，想象一下可以做些什么？

你可以想象成一位外科医生，她正在进行一项需要专业的技能和一双稳定的手的微创手术。她的两只手在操纵手术工具，而连接到她躯干的第三只机器人手则起到支持作用。

或者，想象成一位建筑工人，他非常感激这双额外的机械手，因为它支撑着建筑工人用其他其他两只手将沉重的横梁固定在位置上。

想象一下你穿戴上外骨骼后，能够同时处理多个物体，就像蜘蛛侠的奥克托博士一样。或者一位作曲家能拥有12根手指来弹奏更为复杂的音乐……

这些场景看起来像是科幻小说，但近期，在机器人技术和神经科学领域的进展使上面的一切都将成为可能！

伦敦帝国理工学院和德国弗莱堡大学的研究小组与欧洲项目NIMA的合作伙伴目前正在努力确定是否可以在实践中实现这种增强的科技，以扩展人类能力。

然而，当前所面临的主要问题涉及到了神经科学和神经技术：人类大脑是否能够像控制生物部分一样有效地控制额外的身体部位？如果可以，用于此种控制的神经信号是什么？

他们认为，额外机械肢体可以成为一种新型的增强人体的工具，能够提高人们执行任务上的能力。同时，也能完成当前无法完成的任务。

如果人类能够轻松地增加和控制第三只手，或第三条腿，或更多的手指，他们可能会在超越上述提到的场景中所进行的任务，甚至还有其他一些我们无法想象的新的模式！

额外的机械肢体，由可穿戴电极贴片控制，这些电极贴片能够读取和解释用户的神经信号。它的用途或将很广泛，例如在太空行走任务中协助修复卫星。

额外的肢体，由可穿戴电极贴片控制，这些电极贴片能够读取和解释用户的神经信号，可能具有无数用途，例如在太空行走任务中协助修复卫星。

01

人体增强的层次

在过去几十年中，机械肢体取得了不小的进步。有些已经在部分场景中使用，增加人类的能力。不过这些工具通常大多是通过操纵杆或其他手控设备进行操作。

例如，在制造线上，工人操作机械肢体，可以进行抓取和操纵产品的组件。同样，外科医生可以通过使用这些工具进行远程手术操作。

但是，在此基础上我们可以思考这样一个问题：手术机器人可能有四只手臂，每个手臂都装有不同的工具，但外科医生的手只能同时控制其中的两只。那么，能否让这些外科医生同时控制四个工具呢？

除此之外，机械肢体也被用于截肢或瘫痪的人群。比如：乘坐电动轮椅的人可以通过轮椅的操纵杆控制机械手臂进行前进、后退或者其他动作指令。还有失去肢体的人通过剩余肌肉的动作控制假肢。但真正通过思维控制假肢进行一系列活动的还是非常少见。

当前存在的，能够通过思维控制的先驱是通过大脑控制假肢，比如：四肢瘫痪的人群。他们通常从颈部以下瘫痪，其中一些人大胆地参与了脑植入物的临床试验，这些植入物使他们能够仅通过思维来控制机械肢体，发出的精神指令可以让机械手臂将饮料送到他们的嘴边或帮助完成其他简单的日常任务。

这些系统属于脑-机接口（BMI）范畴。其他志愿者使用BMI技术控制计算机光标，使他们能够输入消息、浏览互联网等。但是，大多数这类BMI系统需要进行脑手术以植入神经植入物，并包含从头骨上凸出的硬件，使其只适用于实验室使用。

人体的增强可以被认为有三个层次。

第一层：增强现有的特征。例如，动力外骨骼可以赋予穿戴者超强的力量。

第二层：赋予人新的自由度。比如能够移动第三只手或第六根手指，但这是有代价的。如果额外的附肢由脚踏板控制，用户就必须牺牲脚的正常活动来操作控制系统。

第三层：为用户提供了额外的自由度。这种技术不会剥夺用户其他身体部位的活动能力，能够允许人们通过利用一些未使用的神经信号来控制机械肢体。不过这种技术目前还不成熟。

02

解读肌肉产生的电信号

针对第三层，或许可以通过侵入性的脑-机接口植入物实现人体增强。但对于日常使用，还是需要一种非侵入性的方法来捕捉头骨外的脑指令。

对于许多研究小组来说，需要依赖经过验证的脑电图（EEG）技术，该技术通过使用头皮电极来捕捉脑信号。除此以外，还探索出了另一种方法：使用肌肉产生的肌电图（EMG）信号。研究小组花费了十多年的时间研究肌电图电极如何在皮肤表面检测到我们可以解码的来自肌肉的电信号，以揭示脊髓神经元发送的指令。

电信号是神经系统的语言。

在整个大脑和周围神经中，当细胞内建立起一定电压——大约几十毫伏——并导致动作电位沿其轴突传播时，神经元就会“放电”，在与其他神经元的交汇处，或突触，释放神经递质，并潜在地触发这些神经元依次放电。

当脊髓中的运动神经元产生这样的电脉冲时，它们沿着达到目标肌肉的轴突传播，穿越到特殊的突触，到达单个肌肉纤维，并导致它们收缩。我们可以记录这些电信号，这些信号编码了用户的意图，可以将其用于各种控制目的。

而在离地面不远的领域，麻省理工学院的研究人员最近开发了一种机器学习方法：用于解决自主飞行器存在的稳定性和避障问题。该方法在稳定性方面提供了十倍的增强，并在安全性方面优于先前的技术。

研究人员通过重新定义问题为限制优化，并采用深度强化学习技术，在避开障碍物的同时实现了稳定的飞行轨迹。这一方法通过模拟的喷气式飞机在狭小空间中的飞行时，成功避免了坠毁的局面。

该方法可以用于创建动态机器人控制器，并在任务关键型系统中维持稳定性和安全性。未来将进行不确定性计算和硬件测试的改进。

一个训练模块（橙色）接收由电极阵列（左侧）读取的初始一批肌电图（EMG）信号，确定如何提取单个神经元的信号，并在数学上总结该过程，形成一个分离矩阵和其他参数。有了这些工具，实时解码模块（绿色）可以有效地从正在进行的肌电图信号流中提取单个神经元的脉冲序列，或称为“脉冲列”（右侧）。

然而，根据表面肌电图所能读取的个体神经信号来解读，却并非一项简单的任务。

一个典型的肌肉接收，来自数百或数千个脊髓神经元的信号。此外，每个轴突在肌肉处分枝，可能与分布在整个肌肉中的一百多个个体肌肉纤维相连接。表面肌电图电极捕捉到这种脉冲的一个抽样。

20年前，一项关键的非侵入性神经界面的突破时发现，由高密度肌电图捕捉到的信号（在这种情况下，数十到数百个电极固定在皮肤上）可以被解开，提供关于脊髓个别运动神经元发送的指令的信息。

此类信息以前只能通过肌肉或神经中的侵入性电极获得。在2017年与截肢者合作时，高密度肌电图的这种方法有望用于改进假肢的控制。我们的高密度表面电极提供了对多个位置的良好抽样，能够识别和解码参与任务的相当大比例的脊髓运动神经元的活动。而且现在可以实时进行，这表明我们可以基于脊髓信号开发非侵入性的脑-机接口系统。

若您对该文章内容有任何疑问，请与我们联系，我们将及时回应。