脑机接口（BMIs）已经让一些无法移动或说话的测试参与者能够仅凭思考进行交流。这种植入设备可以捕捉与特定想法相关的神经信号，并将其转化为控制信号，再传输到计算机或机械肢体。例如，当一名四肢瘫痪的患者被要求思考移动计算机屏幕上的光标时，一旦BMI学习到这种神经活动并将其解读为移动意图，该患者的想法就可以通过BMI完成光标移动操作。目前仍处于实验阶段的BMI技术还可以控制机械肢体，让残疾人仅凭思想完成手动任务。
完成这一非凡成就所需的硬件包括：一台独立的计算机或嵌入机械装置的计算机，以及植入用户大脑中的装置。加州理工学院的研究人员使用的植入设备由安装在4×4毫米芯片上的100个微电极组成。这些微电极长约1.5毫米，深入大脑皮层，可以记录单个神经元的活动。
然而，这些微电极阵列的性能并不稳定，并会随着时间推移逐渐退化。为了解决这一问题，加州理工学院的Andrew and Peggy Cherng电气工程与医学工程教授、感知到智能中心（S2I）主任Azita Emami及其团队，利用机器学习技术有效解读老化植入设备接收到的神经信号。
Emami教授表示：“我们不仅观察到日常信号的变化，还发现脑机接口的性能会因多种原因随时间退化。例如，植入物或电极可能会发生轻微移动，电极本身可能会退化，或被大脑组织包裹。一些人认为，随着时间推移，神经元可能会远离植入物，因为它们将其视为大脑中的异物。无论原因如何，我们接收到的信号会变得更加嘈杂。”
当BMI刚安装时，微电极阵列会生成以尖峰形式显示的强信号。然而，当这些尖峰信号逐渐消失且阵列反馈变得嘈杂时，解读远处神经元活动模式并将其准确转化为可执行的指令变得更加困难。研究人员曾尝试使用替代信号，例如阈值穿越信号或远处神经元的局部场电位，甚至使用测量神经活动小幅振荡的“小波”方法，但效果有限。
如今，Emami及其团队发现，通过应用机器学习，即使植入物信号不再清晰，BMI也能有效解读神经活动数据。他们设计了一种名为FENet（特征提取网络）的算法，能够用一位患者的数据进行训练，并成功应用于另一位患者身上。Emami教授表示：“这表明我们捕捉到的神经数据中包含某种基本信息。”此外，FENet能够在不同脑区和电极类型之间通用，并且可以轻松集成到现有的BMI系统中。
加州理工学院天桥脑科学研究院脑机接口中心主任、James G. Boswell神经科学教授Richard Andersen表示：“FENet已经帮助我们将与患者JJ的临床研究延长了两年时间。BMI研究是一个完美的跨学科研究领域，融合了工程学、计算机科学和神经科学。”
这项研究以《通过神经网络介导的特征提取提升四肢瘫痪患者的脑机接口控制》为题，发表在《自然生物医学工程》期刊上。共同作者包括Andersen、Emami、Haghi、来自Emami实验室的Albert Yan Huang、专业人员Tyson Aflalo和Spencer Kellis、博士后研究员Jorge A. Gamez de Leon、来自Andersen实验室的研究生Charles Guan，以及来自UCLA神经外科的Nader Pouratian。研究由美国国立卫生研究院（NIH）、加州理工学院S2I、天桥脑科学研究院脑机接口中心、Boswell基金会、Braun基金会及Heritage医学研究所资助。