如何让脑机接口帮助因脑损伤而失语的患者开口说话？传统技术因需大量个体化训练而受限。德克萨斯大学健康休斯顿分校的 Nitin Tandon 及其团队开发了一种新方法，通过迁移学习技术，创建了一个能“共享”大脑信号的通用语音解码器，显著提高了脑机接口的效率和适用性。
该研究摒弃了为每位患者从零开始训练模型的传统模式，转而采用一种更高效的跨受试者迁移学习方法。研究团队首先利用微创立体脑电图（sEEG）记录了25名癫痫患者在念绕口令时的大脑活动，这种复杂任务能最大化地激活语音相关的神经信号。接着，他们使用一个序列到序列模型，将这些复杂的脑电波解码成构成语音的最小单位——音素（phonemes）。研究的核心突破在于，团队利用来自多名参与者的数据构建了一个共享的群体模型，这个模型学习到了人类说话时共通的神经活动模式。当应用于一名新患者时，解码器只需少量该患者的数据进行微调，便能快速适应并实现准确解码。结果表明，这种基于群体训练的解码器性能远超仅依赖个体数据的传统模型，并且即便在新患者大脑信号覆盖不全或数据量有限的情况下，依然能保持稳健的解码能力。这一进展为开发通用神经假体迈出了关键一步，有望让那些因大脑语言区受损而无法使用现有技术的失语症患者重获沟通能力。研究发表在 Nature Communications 上。