基于控制与博弈论的共适应神经接口计算框架:预测与塑造人机交互的新范式

《Nature Machine Intelligence》:Computational framework to predict and shape human–machine interactions in closed-loop, co-adaptive neural interfaces

【字体: 大 中 小 】 时间:2026年03月25日 来源:Nature Machine Intelligence 23.9

编辑推荐:

  本研究针对共适应神经接口(co-adaptive neural interfaces)缺乏原理性设计方法的难题,利用控制论与博弈论构建了分析用户与解码器(decoder)动态交互的计算框架。通过在肌电(myoelectric)接口平台上的实验验证(N=14),研究揭示了学习率与代价函数如何塑造交互结果,实现了对用户行为的预测与系统性能的优化。该成果发表于《Nature Machine Intelligence》,为下一代个性化神经接口的稳健设计提供了理论与工具支撑。

  
在科幻电影中,人类仅凭意念就能操控机械臂自如抓取物体,或是让光标随思维在屏幕上飞舞,这曾是脑机接口(Brain-Computer Interface, BCI)领域的终极梦想。然而,当科学家们将实验室里的炫酷演示推向现实世界时,却发现了一个棘手的“双人舞”难题:理想的神经接口不仅仅是单向读取信号,而是一个用户与解码器(decoder)在不断相互适应、相互学习的闭环系统。用户学着如何更好地产生控制信号,解码器则学着更准确地解读这些信号。这种被称为“共适应”(co-adaptation)的过程,虽然蕴含着提升设备易用性和个性化的巨大潜力,但也带来了巨大的挑战——如何在这种复杂的“两个学习者”的动态博弈中,设计出稳定、可预测且高性能的系统?过去,这一领域往往依赖经验试错,缺乏原理性的建模方法来量化并优化这种微妙的人机互动。
为了解决这一核心痛点,来自Madduri等人的研究团队在《Nature Machine Intelligence》上发表了一项开创性研究。他们引入控制理论和博弈论的数学工具,构建了一个能够分析和生成连续交互中共适应结果的计算框架。通过在非侵入式肌电(myoelectric)接口平台上进行严谨的实验(涉及14名参与者),研究人员不仅证实了用户与解码器在任务中确实发生了共适应,更重要的是,他们证明了可以通过调整解码器的算法参数(如学习率和代价函数)来主动塑造用户的行为,从而在理论上指导并优化实际的神经接口设计。
为了实现这一目标,研究者们采用了几项关键技术方法。首先,建立了一个基于表面肌电图(surface electromyography, EMG)的自适应肌电接口实验平台,招募了14名受试者完成二维轨迹追踪任务,解码器采用维纳滤波器(Wiener filter)并在线每20秒更新一次。其次,运用控制理论(control theory)对用户进行建模,将其视为具有前馈(feed-forward)和反馈(feedback)组件的编码器(encoder),通过线性回归估计用户行为。最后,利用博弈论(game theory)将用户和解码器建模为两个分别最小化各自代价函数(cost functions)的智能体,分析其潜在博弈(potential game)动力学及稳态点(stationary points)。
An adaptive myoelectric interface created a co-adaptive experimental platform
通过让参与者使用64通道自适应肌电接口进行光标追踪任务,研究发现随着试验进行,任务误差显著降低,且不受解码器初始化影响。通过分析EMG调谐曲线(tuning curves),观察到用户在单次试验(5分钟)内及跨试验均表现出显著的行为改变,包括EMG幅度和偏好方向的定向变化。这表明用户与解码器在试验中同时发生适应,成功构建了一个共适应系统。
Co-adaptation outcomes matched control theory predictions
利用控制论模型将用户建模为包含前馈和反馈组件的编码器(E),研究发现编码器的估计值能较好地重建光标轨迹。通过分析编码器-解码器(E-D)交互,发现解码器与前馈编码器的乘积趋近于理想值,且与系统稳定性相关的特征值也符合预期。此外,用户编码器子空间在试验内的变化量大于瞬时波动,且在跨试验学习中变化减小,这与性能提升一致,证实控制理论模型能有效解析闭环共适应系统的动态。
Game theory model generated predictions for co-adaptation outcomes
研究建立了用户(E)和解码器(D)的代价函数模型,引入了任务误差和各自的努力程度(effort,即范数正则化项)作为权衡。通过构建潜在函数(potential function ?),研究分析了系统的稳态点,预测了解码器学习率(αD)和用户学习率(αE)共同影响系统收敛速率,且解码器惩罚项(λD)会改变稳态点的位置,进而影响用户努力程度。
Decoder learning rates can disrupt co-adaptation
实验验证了博弈论预测:过快的解码器学习率反而导致更差的任务性能和更小的用户编码器变化。控制理论分析进一步显示,快速适应破坏了编码器-解码器对在轨迹追踪理想值和闭环稳定性上的逼近,说明解码器适应过快会阻碍有效的共适应互动。
Decoder effort penalty influenced user effort without changing performance
研究发现改变解码器的努力惩罚项(λD)虽不影响任务误差,却能显著影响解码器自身的努力(||D||)以及用户的努力(||E||)。具体来说,高解码器惩罚导致低解码器增益,进而促使用户增加肌肉活动(encoder effort)以维持性能,尽管这也导致了光标速度的变化。这表明用户会根据解码器的优化目标灵活调整自身策略,以实现某种程度的努力权衡。
综上所述,这项研究通过深度融合控制理论与博弈论,首次为共适应神经接口提供了一个实验验证的计算框架。它不仅证实了在肌电接口中用户与解码器的双向适应现象,更重要的是,揭示了算法参数(如学习率和正则化惩罚)如何作为“旋钮”来调控人机交互的动力学和最终结果。研究结果表明,单纯追求快速解码器适应可能适得其反,而通过设计考虑多目标(如兼顾误差与努力)的解码器算法,可以有效地引导用户学习,实现系统性能的稳健收敛。这项工作超越了传统的经验主义设计,为理解和优化涉及“两个学习者”的复杂人机系统奠定了理论基础,也为未来开发更智能、更个性化且更稳定的脑机接口及神经修复设备开辟了全新的道路。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号