项目可行性及经费预算报告

（国际科技合作版）

一、项目可行性报告

（一）项目合作背景及合作的必要性。

脑机接口不依赖于常规的脊髓/外周神经肌肉系统，在脑与外部设备之间建立一种新型的信息交流与控制通道，实现了脑与外界的直接交互。脑机接口的研究对脑与认知、智能信息处理、仿脑工程和人工智能等有重要的科学意义，有利于推动新型信息感知、复杂数据处理、模式识别、认知计算和人机交互等技术的研究与发展，在挖掘人类认知潜能、残障人康复、神经疾病治疗，以及航天、国家安全等问题上都具有重要的社会意义和广泛的应用前景，因此引起了国际学术界的极大关注，成为信息科学与神经科学交叉研究领域的前沿热点问题。

脑机接口主要有非植入式和植入式两大类[1]。其中，植入式脑机接口尽管有手术创伤风险，但该技术能直接获取大脑皮层的神经集群信号，信息量大、时空分辨率高，对锋电位（Spike）信号的解码率目前已达6.5 bps，延迟短至0.1秒[2]，能够实现对外部设备多自由度的实时、精确控制。在这些研究新进展的激励下，借助电子信息科学的微电极制造、并行数据采集系统和神经信息处理等技术的推动，植入式脑机接口正在形成国际研究热潮。自本世纪以来，Nature和Science等报道了一系列基于运动神经信号的植入式脑机接口的重大成果，进一步促进了人们对运动神经系统的认识，相关成果建立了大量复杂信息处理、人机交互技术以及模式识别的新方法，极大地推动了信息、认知等科学的发展。

为了在新一轮的国际科技竞争中取得技术领先和主动，美国通过国家科学基金（NSF）、国立卫生研究院（NIH）和国防先进研究计划署（DARPA）向该领域投入大量人力和财力，支持啮齿类（大鼠）和非人灵长类动物（猴）的植入式脑机接口研究。在过去的十多年里，该技术得到了快速发展并取得重大突破，初步实现了大脑信号对外部设备（如计算机、假肢等）的直接控制。相关的研究成果和进展不断被Nature和Science等国际顶级期刊所报道。当前该研究领域的工作国际化和全球合作趋势愈发明显，其中美国的“革命性假肢”项目联合了美国众多的顶尖高校和欧洲的著名假肢厂商来合作研究和进行开发。美国的“REPAIR”项目，欧洲的“Neuro-IT”项目都是针对脑机接口技术的科学和技术问题，整合多个国家和不同学科背景的科研团队的资源优势，以项目合作的方式来推动相关基础研究和开发应用的不断深入。

近年来，在国家科技部的支持下，国内的脑机接口研究取得显著进展，在脑机接口技术的某些方面实现了与国际水平相接轨，但在整体水平上我们和欧美等发达国家还存在着一定的差距，为了实现我国在该领域的研究能实现快速的跨越式发展,有必要积极发挥和利用“走出去,引进来”的国际合作策略,与国际上该领域的顶尖实验室建立起长期的合作关系,在前沿问题上同步展开研究,进而实现与国际水平的接轨,获得国际高水平的研究成果。

针对脑机接口中神经信号特征和处理过程中面临的挑战，本课题拟利用已有的国际合作研究平台，在已建立的非人灵长类动物（猴）脑机接口实验平台上，与外方合作，发挥各自学术特征，并重点解决以下两个关键科学问题：（1）运动皮层神经集群信息的特性分析；（2）高通量、非线、动态和协同的神经解码。两者互为依托，准确、实时的信息分析有助于了解神经信号的特性，而解码方法的实现将利于解释生物体神经信息的自然表征。以上关键问题的解决不仅取决于多通道神经集群信息的约简等高通量神经信息预处理的关键技术，还取决于实时、动态的神经集群信息解析的关键技术，需要在神经集群信息处理、模式识别等技术上有所创新和突破。

综上所述，如何实现运动型脑机接口中神经信号的分析和解码是极具挑战的科学前沿问题，相关研究涉及的基础理论和关键科学问题是目前国际上该领域内最新的研究热点之一，同时也是国家自然科学基金委拟重点支持的方向，在《国家中长期科学和技术发展规划纲要（2006——2020）》在基础研究的重要科学前沿问题和前沿技术中给予重点安排的研究内容。本项目拟通过国际合作，借助和发挥各自的学术和技术优势，通过对以上科学问题和关键技术的研究，争取在高通量神经信息的高效约简，实时、协同的神经集群信息解析上有所创新和突破，使我国脑机接口技术的研究跻身国际前列。

（二）国内外研究现状和发展趋势。

脑机接口的研究可以追溯到上世纪90年代末，1999年Chapin等人用人工神经网络算法将大鼠运动皮层神经集群电信号转换为水泵控制指令，首次实现了大脑对外部设备的直接控制[3]。该研究表明植入式脑机接口在脑神经信息加工处理机制探索、神经功能修复与疾病治疗等方面具有重大的科学研究和应用价值。近年来，各国政府纷纷投入大量人力和财力，支持植入式脑机接口及相关的神经信息处理和植入式器件等方面的研究，以期在新一轮的国际科技竞争中取得技术领先和主动。美国的一些大学和研究机构在国家科学基金（NSF）、国立卫生研究院（NIH）和国防先进研究计划署（DARPA）的支持下，率先开展了啮齿类（大鼠）[3]和非人灵长类动物（猴）[4]的植入式脑机接口研究，推动了该技术的快速发展并取得重大突破，初步实现了运动皮层神经集群信号对外部设备（如计算机、假肢等）的直接控制。相关的研究成果和进展不断被Nature和Science等国际顶级期刊所报道[2, 5, 6]。2006年美国Cyberkinetics公司开发的BrainGate^TM获得了FDA的认证，并先后成功地在6名高位瘫痪的病人身上进行了临床实验。该系统可将从患者运动皮层神经元电信号通过实时信号处理分析，转换成控制外部设备的指令，患者几乎无需训练就可以用意念移动屏幕上的光标或简单地控制假肢[6]。

由于脑机接口技术在临床康复、心理认知和国家安全等领域所展示出的巨大应用前景，相关研究在全球范围内方兴未艾。伴随着材料科学和微电子技术的发展，高密度的微电极阵列、高精度运算放大器以及高速采样率的模数转换器已经使得对大脑神经集群活动的高通量信号采集成为可能，但如何从海量的数据中获取准确而有效的信息，实现对神经信息的精确解码，从而更深层次地解析思维活动传递的信息，已成为目前植入式脑机接口研究亟待解决的主要问题之一。

神经科学研究表明，神经元电活动和神经集群构成的网络是神经信息加工和处理的物质基础。为了准确地解析神经集群活动所蕴含的信息，需要在时间上对每个神经元的电活动进行高速而准确的记录，在空间上尽可能多地收集相关脑区神经集群的活动，因此信息解析中需要处理的数据规模非常庞大，且记录到的海量数据中存在与解析目标无关的冗余信息，会产生额外输入维度，增加信息解析模型参数和信息处理模型的学习复杂度，影响信息解析的实时性。此外，高计算量对于脑机接口硬件的低功耗和便携式的实现带来困难。因此，如何通过信息约简方法解决神经信息规模大、冗余信息多的问题，是实时神经信息解析的关键问题之一。

目前针对神经信息约简问题已经有一些具体的研究。Chapin等人用主成分分析将神经信息维度降低至仅剩一维，用于预测大鼠前肢压机械杆的轨迹[3]；Wessberg等人用Neuron-Dropping Analysis方法进行约简，某个特定神经元的取舍由解码结果与解码目标之间的相关性来决定[7]；Sanchez等人使用线性维纳滤波器，通过连接权值的大小来定量判断神经元与解码目标的相关性[8]。现有信息约简方法在一定程度上解决了神经信息高通量性引起的实时性问题，但仍有部分问题有待解决。如主成分分析在约简过程中没有定量评估神经元对于解析目标的重要性，只考虑输入信息各维度之间的相关性而忽略了与解析目标的相关性，可能会丢失有用的信息。因此虽然能够建立两者的映射模型，却无法在神经元层次选择输入。这种模型难以从生理角度进行解释，不利于神经科学的研究及解析模型的优化；Neuron-Dropping Analysis方法计算复杂度高，也缺乏对神经元重要程度的定量评估；线性维纳滤波器的权值分析法依赖于解码模型本身，无法独立从神经元发放数据自身衡量神经元的重要性。

实现脑机交互最核心的技术就是神经集群解码，其面临的挑战源于神经系统的复杂性，表现为以下三个方面：1）神经系统是一个非线性系统，传统线性分析方法难以准确评定神经信号的动力学结构，也无法揭示大脑活动的本质特征。如何在建模中有效引入在神经科学上关于神经元发放与运动之间已存在的证据和相关生物学上的结论，同样也是一个挑战；2）由于大脑具有可塑性等原因，神经信息具有时变性，神经电活动与解析目标的映射模式以及相关性均随时间自适应的变迁，传统的静态信息处理方法难以保持长期的高精度解析；3）反映宏观脑功能的神经信息在空域、频域上都有分布性，单个脑区、单个频段的神经信号不能完整体现宏观意义上的脑功能。空域上的协同性表现为不同脑区的神经元活动在脑功能实现中的分工不同，同一脑区内也存在神经元活动相似的协同集群；频域上的协同性主要体现在，低频的局部场电位信号包含较大范围内的神经元电活动，但信息精度不足；高频的锋电位发放序列则包含较高精度的神经元群体放电信息，但范围较狭窄。因此，如何有效解决神经系统的非线性、时变性和协同性等问题，建立高效的解码模型，是神经信息解析的另一个关键问题。

目前神经集群信息解码的研究主要包括以下几个方面：

Georgopoulos等人于上世纪80年代发现运动皮层神经元发放具有明显的方向选择偏好[9, 10]，基于该研究结果Taylor等人提出了群矢量及其改进算法，并成功用于猴子开环控制假臂实验[11]。但群矢量方法受限于偏好方向均一性及线性解析模式假设。Wessberg等人提出了基于维纳滤波的神经信息解析算法，突破了群矢量对神经元发放偏好方向的均一性假设[6, 7, 12-14]。此外，Fisher线性判别、最大似然性估计和投票方法等线性、单输出、静态算法也相继用于运动控制，但以上线性解码方法难以实现信息的精确解码。

进一步的研究发现非线性方法具有更合理的生理基础，更符合神经信息处理的特性。近年来，有人尝试用非线性方法进行神经解码，Kim等人提出用不同的线性模型组合成非线性模型进行解码[15]，Sanchez等、Wang等人分别使用递归神经网络（Recurrent Neural Network）和时滞神经网络（Time-Delay Neural Network）来引入非线性进行建模[16, 17]。此类方法直接使用非线性函数逼近的概念，而无法引入在神经科学中关于神经元发放与运动之间已存在的证据和相关的生物学结论，给解码结果的分析带来困难。此外，这些方法对解码模型的调整过程具有较高的时间复杂度，无法有效地实现模型的动态更新，难以对动态变化的神经信息进行长期稳定的解码。

针对神经系统的时变性，近年来一些学者开始将状态观测法（State Observation Approach）等基于概率的方法用于神经信息解析。Wu等人使用基于概率的卡尔曼滤波器进行解码[18-20]，卡尔曼滤波器在行为解析中认为行为参数不仅与当前神经元电活动信息有关，并且为运动参数建立了动态模型。但卡尔曼滤波器仍然受限于线性映射假设及高斯分布的后验概率。Li等人提出基于Unscented卡尔曼滤波器的方法[21]，将卡尔曼的线性假设扩展到2阶多项式逼近，对非线性的近似能力有限。Brockwell、Shoham和Srinivasan等人先后提出基于后验概率的信息解码算法[22]，在观测模型上引入的神经电活动与解析目标的映射模式假设为指数模型，该方法有待数据的进一步检验。

总体上说，与上文提及的非线性、时变性和协同性要求相比，现有方法还存在很大差距。1）线性解码方法与神经系统的非线性相悖，非线性的指数模型与数据吻合有限，导致神经解码的精确性不足；2）静态假设与时变性不符，神经解码的精度不能保持长期平稳，现有动态解码方法的解析效果也不理想；3）现有的解码主要针对单一脑区的锋电位发放，忽略了反映宏观脑功能的神经信息在空域和频域上的协同性，单个脑区、单个频段的神经信号不能完整体现宏观意义上的脑功能。故此，探索新的基于生理意义的信息解析模型和高效率的解码算法是当前迫切需要解决的问题。

构建面向脑机相互适应的脑机接口技术是最近几年脑机接口研究的又一个热点问题。互适应的好处利用无监督或半监督学习的在线学习算法结合大脑的学习能力的方法，达到提高脑机接口性能的目的。传统的脑机接口解码算法都是基于监督学习的放法，这使得脑机接口系统的性能极度依赖于输出数据，而且在实际应用中，输出部分在很多情况下无法获取，比如一个截肢的病人无法提供断肢运动的数据。因此，近年来已研究者尝试互适应的研究策略。Taylor等人在恒河猴的三维光标控制中使用互适应算法，通过迭代更新每个神经元活动与光标运动角度的映射追踪神经元发放在学习过程中的变化[23]。Gage等人设计了更系统化的互适应脑机接口范式[24]。DiGiovanna等人则提出一种基于强化学习的脑机接口互适应范式[25]。在该系统中，有两个智能系统，即机器和大脑。大脑可利用内在的强化学习机制来调节相关神经元，而机器则需要编入相应的强化学习算法，比如值函数估计网络算法。Mahmoudi等人在此基础上进一步提出了共生脑机接口(S-BMI)的概念，直接从大鼠脑部获取奖赏信息，作为算法的反馈[26]。他们认为应该利用模仿生物系统中的感知-行动-奖赏周期来构建更具适应能力的脑机接口。在S-BMI中，大脑和外部设备要相互适应以共同完成目标。在该系统中机器动作正确性的评估是大脑对奖赏的期望，可以从纹状体(striatum)的NAcc中提取。这些技术的发展使得脑机接口越来越趋于脑机之间的整合以及双向的交互。但总体来说，互适应脑机接口的研究还处于探索阶段，相比脑机接口中其它技术，出现的时间较晚，因此，还有很多方面需要扩展，比如对大脑的奖赏方式

综上所述，双向-闭环侵入式脑机接口研究是当前神经信息工程这一交叉领域中极具挑战的科学前沿，值得深入研究。因此，本项目拟通过对运动型脑机接口中皮层神经元集群信号分析和解码的研究，力争在相关的基础理论与关键技术上有所创新和突破，使我国脑机接口技术的研究跻身国际前列。

参考文献

Tonet O., Marinelli M., Citi L., Rossini P. M., Rossini L., Megali G., and Dario P., Defining brain-machine interface applications by matching interface performance with device requirements. Journal of Neuroscience Methods, 2008. 167(1): p. 91-104.

Santhanam G., Ryu S. I., Yu B. M., Afshar A., and Shenoy K. V., A high-performance brain-computer interface. Nature, 2006. 442(7099): p. 195-198.

Chapin J. K., Moxon K. A., Markowitz R. S., and Nicolelis M. A., Real-time control of a robot arm using simultaneously recorded neurons in the motor cortex. Nature Neuroscience, 1999. 2(7): p. 664-670.

Carmena J. M., Lebedev M. A., Crist R. E., O'Doherty J. E., Santucci D. M., Dimitrov D. F., Patil P. G., Henriquez C. S., and Nicolelis M. A. L., Learning to control a brain-machine interface for reaching and grasping by primates. Plos Biology, 2003. 1(2): p. 193-208.

Velliste M., Perel S., Spalding M. C., Whitford A. S., and Schwartz A. B., Cortical control of a prosthetic arm for self-feeding. Nature, 2008. 453(7198): p. 1098-1101.

Hochberg L. R., Serruya M. D., Friehs G. M., Mukand J. A., Saleh M., Caplan A. H., Branner A., Chen D., Penn R. D., and Donoghue J. P., Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature, 2006. 442(7099): p. 164-171.

Wessberg J., Stambaugh C. R., Kralik J. D., Beck P. D., Laubach M., Chapin J. K., Kim J., Biggs S. J., Srinivasan M. A., and Nicolelis M. A., Real-time prediction of hand trajectory by ensembles of cortical neurons in primates. Nature, 2000. 408(6810): p. 361-365.

Sanchez J. C., Carmena J. M., Lebedev M. A., Nicolelis M. A. L., Harris J. G., and Principe J. C., Ascertaining the importance of neurons to develop better brain-machine interfaces. IEEE Transactions on Biomedical Engineering, 2004. 51(6): p. 943-953.

Georgopoulos A., Schwartz A., and Kettner R., Neuronal population coding of movement direction. Science, 1986. 233(4771): p. 1416.

Georgopoulos A., Kettner R., and Schwartz A., Primate motor cortex and free arm movements to visual targets in three-dimensional space. II. Coding of the direction of movement by a neuronal population. Journal of Neuroscience, 1988. 8(8): p. 2928.

Taylor D. M., Tillery S. I. H., and Schwartz A. B., Direct cortical control of 3D neuroprosthetic devices. Science, 2002. 296(5574): p. 1829-1832.

Gage G., Ludwig K., Otto K., Ionides E., and Kipke D., Naive coadaptiv, e cortical control. Journal of Neural Engineering, 2005. 2: p. 52-63.

Serruya M., Hatsopoulos N., Paninski L., Fellows M., and Donoghue J., Brain-machine interface: Instant neural control of a movement signal. Nature, 2002. 416(6877): p. 141-142.

Hatsopoulos N., Joshi J., and O'Leary J., Decoding continuous and discrete motor behaviors using motor and premotor cortical ensembles. Journal of Neurophysiology, 2004. 92(2): p. 1165.

Kim S. P., Sanchez J. C., Erdogmus D., Rao Y. N., Wessberg J., Principe J. C., and Nicolelis M., Divide-and-conquer approach for brain machine interfaces: nonlinear mixture of competitive linear models. Neural Networks, 2003. 16(5-6): p. 865-871.

Sanchez J. C., Erdogmus D., Nicolelis M. A., Wessberg J., and Principe J. C., Interpreting spatial and temporal neural activity through a recurrent neural network brain-machine interface. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2005. 13(2): p. 213-219.

Wang Y. W., Kim S. P., and Principe J. C., Comparison of TDNN training algorithms in brain machine interfaces. Proceedings of the International Joint Conference on Neural Networks (IJCNN), Vols 1-5, 2005: p. 2459-2462.

Wu W., Gao Y., Bienenstock E., Donoghue J., and Black M., Bayesian population decoding of motor cortical activity using a Kalman filter. Neural Computation, 2006. 18(1): p. 80-118.

Wu W., Black M., Mumford D., Gao Y., Bienenstock E., and Donoghue J., Modeling and decoding motor cortical activity using a switching Kalman filter. IEEE Transactions on Biomedical Engineering, 2004. 51(6): p. 933-942.

Wu W., Black M., Gao Y., Bienenstock E., Serruya M., Shaikhouni A., and Donoghue J., Neural decoding of cursor motion using a Kalman filter. Advances in Neural Information Processing Systems, 2003: p. 133-140.

Li Z., O'Doherty J., Hanson T., Lebedev M., Henriquez C., and Nicolelis M., Unscented Kalman Filter for Brain-Machine Interfaces. PloS One, 2009.4(7):p.1-18.

Brockwell A., Rojas A., and Kass R., Recursive Bayesian decoding of motor cortical signals by particle filtering. Journal of neurophysiology, 2004. 91(4): p. 1899.

D.M. Taylor, S.I.H. Tillery, and A.B. Schwartz, “Direct cortical control of 3D neuroprosthetic devices,” Science, vol. 296, (no. 5574), pp. 1829-1832, Jun 7 2002.

G.J. Gage, K.J. Otto, K.A. Ludwig, and D.R. Kipke, “Co-adaptive Kalman filtering in a naive rat cortical control task,” Conf Proc IEEE Eng Med Biol Soc, vol. 6, pp. 4367-70, 2004.

J. DiGiovanna, B. Mahmoudi, J. Fortes, J.C. Principe, and J.C. Sanchez, “Coadaptive brain-machine interface via reinforcement learning,” IEEE Trans Biomed Eng, vol. 56, (no. 1), pp. 54-64, Jan 2009.

B. Mahmoudi and J.C. Sanchez, “Symbiotic Brain-Machine Interface through Value-Based Decision Making,” Plos One, vol. 6, (no. 3), pp. -, Mar 14 2011.

（三）项目主要研究开发内容、技术关键及主要创新点。

主要研究内容

本项目围绕大脑运动皮层神经集群信号“分析”和“解码”中的科学问题和关键技术，拟以非人灵长类（猴）动物为实验对象，针对大脑皮层神经元集群在上肢运动过程中表现出的复杂活动模式，重点在神经集群信息解析的高通量、非线性、时变性和协同性问题等方面开展研究。根据神经元重要性度量模型和信息约简策略，高效去除冗余信息，减少计算规模；建立基于非线性和概率统计模型的神经解码算法，提高信息解析的维度和精度；根据神经元集群分布式编码的特性，研究利用多脑区多类型的神经信号的联合协同解码模型，提高神经解码的精度和稳定性，探索基于脑机互适应的新方法，最终利用大脑神经集群信号实现对外部设备的直接神经控制。具体研究内容包括

1）研究高通量神经信息约简理论与方法

高通量信息约简是处理大规模、高冗余神经信息的有效手段，约简能压缩数据规模，降低后续信息解析的时间空间复杂度。神经信息约简的核心是神经元重要性度量标准的选择和约简策略的确定。其中，神经元重要性的度量是信息约简的基础，有助于建立具有生理意义的信息解析模型。

本项目拟研究高通量神经信息约简的理论与方法，主要内容包括：研究神经元电活动与解析目标的互信息评价方法，构建基于条件熵、最小描述长度、属性依赖度的神经元重要性度量方法，利用分层贪婪策略进行神经信息约简；研究对多种度量标准进行集成的策略，联合评价神经元重要性，构建基于集成学习的神经信息约简模型。

2）研究神经信息的动态非线性解码模型和方法

神经信息表达的动力学过程非常复杂，主要表现为神经信号的非线性和非稳性。为了提高解析的精确性和稳定性，项目拟研究具有生理意义的非线性模型，分析和评价运动皮层神经元在运动参数编码过程中的非稳性，在引入动态非线性方法，建立高效神经信息解码模型。

本项目拟研究动态、非线性的神经集群信息解码，主要内容包括：研究运动皮层神经信息解码的非线性方法，包括模型的建立及其关键参数的获取，引入已证实的关于神经元发放偏好性的证据，生成符合神经生理特征的、泛化能力强的神经信息解码模型；基于数据的概率统计法，分析与神经元发放相关的不同运动学特征变量（位置、速度、加速度、方向等），建立二者之间的优化映射模型；研究离散锋电位信号的直接处理算法，将锋电位中丰富的时间信息融入以上讨论的建模、解码以及优化；研究不同神经元组群随时间变化、以及空间的分布规律，在解码过程中允许动态观测模型；引入增量式建模方法，降低模型更新的时间复杂度，构建动态的神经信息解码模型；研究不同神经元对解析目标的时间调制模式，构建基于精细时间调制的解码模型。

3）研究多脑区、多频段神经信息协同解码方法

与结构和功能规整的感觉皮层相比，运动皮层区别呈现出一种松散式的分布式编码，多个脑区和不同类型的神经信号共同参与了主动运动中运动参数的编码过程。为了提高信息的完备性和提高以往基于单一脑区的锋电位信号的解码模型，需要研究多个脑区于不同类型信号在运动编码过程中的作用和相互间的关系，在此基础上进一步研究联合协同解码模型，综合利用神经信号在时-空-频域上的协同性。

本项目拟研究神经信息的联合解码方法，主要内容包括：研究实验动物不同脑区神经元之间信息通讯与协同编码过程，如：初级运动皮层手部区M1、背侧运动前区PMD、后顶叶皮层PPC、腹侧前运动区前部F5等，构建基于多脑区的空域神经信息融合解码模型；研究高频段锋电位信号与低频段局部场电位协同编码过程，建立基于锋电位和局部场电位的频域神经信息融合解码模型，并评价联合解码方法在精度和稳定性上的表现。

4）探索基于学习的脑机互适应性解码模型

生物大脑在细胞、核团和整体等多个水平上，均表现出功能和结构的可塑性。而脑机接口的实际应用中，使用者往往无法提供运动参数，而需要直接神经控制来学习使用脑机接口系统，而互适应和共生系统为脑机接口提供了一种新的学习范式。

本项目拟探索机器对大脑信号的自适应功能，包括建立双向脑机接口中的强化学习算法模型，并研究如何优化强化学习中的算法参数。建立互适应系统和实验范式，根据互适应系统的训练效果评价不同策略的优劣。研究不同奖赏策略的效果，尤其是比较刺激大脑奖赏相关区域与提供外部奖赏的区别；研究直接提取大脑奖赏评估区域信号，以及如何将其转化为机器的动作评估信号；以及研究先验知识机器学习中的作用。

拟解决的关键技术

（1）基于神经元重要性的神经信息约简。在神经信息传递中，各个神经元活动携带的信息对于信息编码的重要程度不同。拟通过评估不同神经元在信息传递中的重要性，针对性地对神经集群信息进行约简，可减少后续的计算代价，进一步提高信息解析的实时性

（2）非线性、动态神经解码。神经集群解码旨在准确地获取大脑所传递的信息与指令，是神经信息解析的关键。项目拟通过引入泛化能力强的、动态的解码模型，建立符合生物依据的神经电信号与运动解析目标的映射模型，增强模型的表达能力和鲁棒性，提高解码的效果。

（3）多脑区多信号源的联合解码。大脑神经信息传递综合了多脑区各类神经信号在空域、频域的协同作用，而现有神经解码大多基于单一脑区的锋电位信号，限制了解码的精确性。因此，项目拟根据神经信息的协同性，建立空域、频域协同解码模型，综合利用各类神经信息，提高解码模型的完备性和稳定性。

（4）基于互适应的神经解码。为了解决实际应用中因缺少输出信号，缺少实验训练集的问题，比如一个截肢的病人无法提供断肢运动的数据。拟建立基于双向脑机接口的的互适应系统，将互适应研究扩展至二维运动以及灵长类动物，该技术符合脑—机接口条件下大脑皮层可塑性机理、神经生物反馈机理，同时具有较强的应用背景。

主要创新点

本项目充分体现了信息科学和神经科学等多学科的交叉和综合，通过在神经信号分析和解码的理论与方法上的创新，在脑机接口关键技术上有所突破。项目的创新点具体表现在：

针对神经信号的高通量问题，提出了基于神经元重要性的约简方法，有利于提高模型的生理可解释性；利用集成策略对多种重要性评价标准进行综合，减少了单一评价造成的信息损失，可用于实现高效的神经信息约简。

针对神经信号的时变性，提出用增量式方法建立动态神经解码模型，通过对模型参数的动态调整，达到适应性的目标；

针对神经信号的协同编码特性，提出多脑区、多信号协同解码的新思路，从时-空-频等多方面综合生理上的神经信息整合机制，提高解码信息的完备性，局部场电位的引入还将进一步提高系统的稳定性。

针对大脑可塑性的特性，提出了基于互适应的双向学习脑机接口框架，通过结合生物脑和机器脑的学习能力，解决实际应用中输出数据无法获得的问题。

（四）项目预期目标（主要技术经济指标、社会效益、技术应用和产业化前景以及获取自主知识产权的情况）。

通过本项目的开展，将在以下关键技术上取得突破性进展，产生若干具有自主知识产权的核心方法和技术，相关技术和系统原型可在今后的脑机接口系统的实际应用中得到进一步的实践

1. 建立神经元重要性的定量化评价的指标，在此基础上提出基于神经信息约简的新方法，通过可视化手段使神经信号以及解码模型的可读性加强，减少解码运算量的同时增加解码模型的准确性，计算效率的优化将有助于提高脑机接口系统的便携性，推进器产业化。

2. 通过对神经信号非稳性的分析，将有助于建立具有先验知识的动态更新模型，使得神经解码模型的可以动态跟踪和适应神经元的变化。另一方面，基于增强学习的脑机互适应方法的建立，将极大的提高脑机接口的实用性。以上关键技术的突破将极大的提高脑机接口从实验室的学术研究向产业化的方向进行转化。

3. 多脑区多种神经信号的联合分析，有助于了解神经信号的相互关系，揭示不同脑区和信号之间的功能和结构联系，为神经信号处理机制的解释提供新的实验数据，为神经性运动疾病的产生和治疗提供新的评价手段。同时，该技术的突破可能减少植入的创伤，提高解码的稳定性，进一步提升运动型脑机接口系统的整体性能。

由于以上研究内容和工作目标也是当前国际上脑机接口的研究重点和热点，通过本项目将能进一步加强研究团队与国外合作研究伙伴的学术联系，提高自身的学术影响力。作为第六次科技革命的重要潜在承载体之一的脑机接口技术的发展，将有力利的推动相关信息处理技术和健康医疗产业的发展。

（五）项目实施方案、技术路线、组织方式与课题分解。

实施方案

神经集群信号的高效、协同解析研究方案的框架如图1所示，各部分研究方案如下：

图1神经集群解析框架图

（1）多通道神经信号获取

本项目拟非人灵长类动物（猴）为研究对象，应用脑立体定位技术和微电极埋植技术，将微电极阵列植入实验动物的多个脑区，记录实验动物在执行特定上臂运动任务时的脑内神经元锋电位和局部场电位信号；通过多种运动实验范式，训练实验动物完成特定的任务。

针对猴的一维和二维的Center-Out任务和目标追踪任务，利用微电极阵列（96-ch Microelectrodes Array，Blackrock，US）记录实验猴大脑中多个与运动及运动计划相关的核团（M1，PMd，PPC）的神经电信号。同时利用运动捕获设备记录实验猴前肢多个关节的运动学参数（方向、速度、加速度和位置等）。

针对猴的“抓-握”任务，将微电极阵列分别植入实验动物大脑中多个与运动及运动计划相关的核团（M1，PMd，PPC，F5）。利用具有压力传感器的手柄和肢体运动捕获系统，同步记录实验动物在抓握不同形状、大小和重量的抓握目标和特定的任务时相关的神经集群活动和手的运动学参数（主要包括：手握的形状，手指的屈伸状态，握力的大小，手指关节的弯曲度，拇指与食指间距等）。

（2）针对非稳定神经元发放信息滤除技术的研究

神经元不稳定发放带来的信息分量与执行的任务无关，是噪声的一部分，自动滤除非稳定神经信息分量是这部分研究要解决的问题。基本思路是建立一个基于稀疏表征的神经信息重构模型，给定量化后的神经元锋电位信号和神经元信号字典，该模型拟求解以下优化问题：

             (1)

其中表示-norm，表示稀疏表征系数，表示非稳定神经信息分量。该模型包含两部分，第一部分是神经信息的稀疏重构，对稀疏表征的理论和实践研究表明，尽管信号本身维度通常很高，同类信号却往往分布在低维的子空间或子流形中，如果构建的字典可以较好地表达数据的这种分布，则稀疏表征可以自然地挖掘出信号的内在信息，实现精确的重构。在神经信号解码中，相似任务或动作对应的神经信号完全满足低维子空间或子流形分布的条件，因此，公式(1)表达的神经信息稀疏模型完全可以支持信号的准确重构；另一方面，公式(1)将不稳定信息分量的分解融合在优化目标中，由于非稳定信息分量通常是稀疏的，优化目标函数要求最小化的1范数完全符合问题的要求，从而可以有效地滤除不稳定分量。综合上述两点，神经信息的稀疏重构模型可以同时实现信号的准确表征和噪声的滤除。

（3）针对高通量神经信息约简的研究

实验中记录的神经集群信号数据量大、时空关系复杂，信息处理的难度大。为了实现实时、精确地神经信息解析，首先需要解决信息规模大，冗余度高的问题。拟采用神经信息约简的方法降低数据规模，去除冗余信息。该方法的思路是首先利用条件熵等手段对神经元重要性进行度量，然后利用该重要性进行信息约简，并建立约简的神经集群解码模型；同时研究多种重要性度量标准，利用集成学习的策略将多种标准进行集成，联合评价神经元重要性，构建基于集成学习的神经信息约简模型。

建立基于条件熵的神经元重要性度量方法，主要思路是通过解码目标的混乱程度衡量神经元子集包含的解码信息。当解码目标为离散量时条件熵容易计算。但在解码连续目标时，不能直接获得条件熵，拟根据解码所需的精细程度，对连续的目标值进行等间隔离散化，然后计算解码目标关于某神经元子集的条件概率分布，利用该条件概率分布计算出条件熵，作为相应神经元子集的重要性度量。

在约简过程中，采用贪婪搜索的策略，在每一次循环中，计算每个神经元的加入带来神经元子集重要性的增量，选取增量最大的神经元加入约简集。当神经元子集的重要性不再提高时，约简过程结束，最终建立约简的神经元子集。其中，当多个神经元重要性相等时采用分层贪婪的搜索策略选取神经元。

针对神经系统的复杂性，拟对多种重要性评价标准进行集成，利用条件熵、属性依赖度、最小描述长度及基尼系数进行联合评价，集成策略有以下两种：（1）对每一种评价标准，利用前述的贪婪策略分别进行信息约简，获得多个约简的神经元子集，对每个约简子集分别建立神经解码模型，然后利用投票和加权投票的方法，对多个模型的解码结果进行集成。（2）通过多种评价标准的加权和，建立复合的重要性评价标准。拟采用穷举搜索和进化计算两种方法对每种评价标准的权值进行优化。穷举搜索用以应对评价标准的个数较少的情况，首先确定权值的搜索粒度，然后对权值空间进行遍历。进化计算用以处理评价标准个数很多的情况，在进化计算中，适应度函数正比于所选权值下建立的解码模型的精度。权值确定后，基于所得的复合重要性评价标准，利用前述的贪婪策略进行神经信息约简。

（4）针神经信息编码的非线性研究

神经系统是典型的非线性系统，项目拟采用广义回归神经网络、支持向量回归机、等非线性的方法进行建模。广义回归神经网络应用于神经解码时，对于模型参数的选取，拟采用启发式方法，对模型性能进行近似，以逼近最优的参数值。对于训练样本过多时造成的解析实时性问题，拟对训练样本进行聚类，从大量的训练样本中产生少量的代表性样本，用作网络的隐层神经元，从而降低解码阶段的计算消耗。对于支持向量回归机，首先要解决的问题是核函数的选择以及回归机参数的确定，拟采用类似于广义回归神经网络的参数选取方法，采用启发式方法搜索不同核函数下的最优的参数设定。另一个要解决的问题是根据解码目标的重要程度对风险函数进行调整。拟采用线性加权的方法，给予重要程度高的样本在风险函数中更多的关注度。

针对神经元信号的特殊性，为保留蕴含于记录时间中的神经动力学特性，拟直接从记录的锋电位信号对运动信号进行估计，并采用序列蒙特卡罗点过程估计（Sequential Monte Carlo Point Process Estimation）进行解码。首先对运动信号进行建模，使模型包含运动本身的动态性质；然后对运动学的不同特征变量（位移、速度、加速度或其组合）进行分析，用线性投影方法降维，并与锋电位信号相关联，采用基于数据的概率统计法得到其非线性特征，建立运动学参数与神经元锋电位信号的优化非线性映射模型。在上述已建立的两个模型基础上，对锋电位信号（即点过程序列）直接进行解码。由于运动模型与神经发放偏好函数模型均可为非线性，运动状态的后验概率可以不受高斯分布的限制而呈任何分布，因而能够提高解码的准确性。

（5）针神经信息编码时变性的研究

神经信息解码的目的在于建立神经信息-行为之间的映射模型，通常同一行为所对应的神经信号会随时间变化而变化，利用机器学习算法在固定训练集上学习得到的映射模型性能会逐渐下降。针对神经系统的时变性，拟采用增量式和双模型解码方法进行处理为建立具有稳定泛化能力的映射模型。增量式神经解码主要考虑如何保留历史经验知识和降低模型更新代价。拟利用广义回归神经网络等方法建立动态的神经解码模型。该方法不需要学习过程，模型的动态更新可以通过训练样本的添加和替换来实现，该操作计算复杂度为线性，并可以通过设计合适的添加和替换策略来保留以往的经验。同时，拟对每个隐藏层神经元根据时间先后进行加权，使得训练样本的重要性随时间逐渐衰退。双模型解码充分考虑大脑的可塑性与自适应性，可对神经发放偏好模型（即概率解码中的观测模型）进行动态更新。采用概率统计方法对不同时间段或运动任务的不同阶段（如自我喂食任务中的肢体伸出、抓和握）建立参数不同的神经发放偏好映射。构建时变参数模型，允许观测模型在解码的同时动态更新。在解码过程中对神经发放偏好映射和运动轨迹同时进行实时估计。另一方面，拟采用半监督学习技术动态更新解码模型，半监督学习解决的典型问题是：已有大量训练样本，但仅有少量样本具有对应动作参数，在采用这小部分样本学习解码模型的基础上，充分利用大量无对应动作参数的样本建立更准确的分类或回归模型。由于神经系统的时变性，第一次学习得到的神经信号解码模型无法保持长时间的准确性能，需要重新学习，极大地影响了解码的实时性和连续性要求，而在测试过程中，将产生大量的无对应动作参数的神经信号，利用这些信号对解码模型进行动态更新是一个标准的半监督学习的问题。拟采用Co-training方法，建立两个分类/回归模型，在测试时，利用一个模型的可信输出作为更新另一个模型更新所需的训练样本，交替地更新两个模型，以保持解析模型持续准确有效。

（6）针对神经信息处理协同性的研究

调控肢体主动运动的运动功能皮层涉及 M1、PMd、PPC、F5 等多个脑区，神经信息以不同的形式分布空间上，针对神经信号的分布式编码特点，拟研究多脑区、多频段协同解码方法，深入挖掘神经信号的内在信息以实现更准确的解码效果，并提高解码的稳定性。

首先，拟采用集成学习方法，实现空域和频域上多种神经信息的融合。在同一脑区内，根据神经元发放是否同步来确定神经元协同组群，其成员可以是相互关联的两个或多个。由于神经元数量众多，抽取协同组群计算量巨大，拟通过数据挖掘（如Apriori算法）简化遍历计算量。研究其成员随时间变化、以及空间的分布规律。其次，基于多个脑区（M1、PMd、PPC和F5等）的锋电位脉冲发放序列，构建多脑区协同的神经解码模型。对每个脑区中的锋电位信息分别建立神经解码子模型，对子模型输出加权（权值通过线性搜索或者遗传算法获得），得到协同解码的结果。最后，相比锋电位序列，局部场电位传递着更大空间上的神经信息，这在一定程度上克服了锋电位信息的空间局限性，因此拟采用集成学习方法对局部场电位和锋电位信息分别建立信息解析子模型，实现锋电位和局部场电位协同解码。

以上六个方面的工作任务将主要由合作双方共同完成，其中申请人所在团队将主要负责项目子任务1,2,3和4等工作，而国外合作方主要负责子任务5和6两部分的任务工作。
（六）计划进度安排。

前期准备 2012.10-2013.03

研究稳定可靠的长期慢性神经集群信号记录方法，建立基于啮齿类和非人灵长类实验动物的研究平台；

构建基于条件熵、属性依赖度和最小描述长度及基尼系数的神经元重要性度量模型，利用分层贪婪的策略进行神经信息约简；研究对多种度量标准进行集成的策略，联合评价神经元重要性，构建基于集成学习的神经信息约简新方法；

前期实施 2012.04-2012.12

开展非人灵长类动物的前肢运动神经解码的实验，研究运动皮层神经信息解码的非线性方法，包括模型的建立及其关键参数的获取，生成符合神经生理特征的、泛化能力强的神经信息解码模型；针对神经元信号的特殊性，研究从记录的锋电位信号对运动信号进行直接估计的方法；研究增量式建模方法，降低模型更新的时间复杂度，构建动态的神经信息解码模型；研究不同神经元对解析目标的时间调制模式，构建基于精细时间调制的解码模型；

后期实施2013.01-2013.12

研究非人灵长类动物在执行“抓-握”动作时，与运动相关的PMd、M1、PPC等多个脑区神经集群对手指动力学参数的协同编码，构建基于多脑区的空域神经信息融合解码模型；研究基于锋电位和局部场电位的神经信息融合解码模型，探索神经元发放模式与局部场电位对精细运动的协同编码过程； 

结题验收2014.01-2014.03

在前两年研究工作基础上，进一步完善研究成果，实现基础理论和关键技术上的创新和突破，并通过对相关成果的有机集成，构建实时-闭环的植入式脑机接口系统平台，完成对上肢“抓-握”的运动过程中神经集群信息的精确解码。

总结研究成果，提交项目研究报告；

在项目执行期间，拟举行一次植入式脑机接口和神经工程的国际学术研讨会，并申请举办两次相关学术会议。同时，将积极参加各类高水平的国际学术交流活动。

（七）合作基础和合作各方的合作能力。

（1）外方工作基础

合作方是美国常青藤名校之一，其脑科学研究所是当今世界上神经工程的顶尖实验室,该研究所是一只由来自该大学神经科学、计算机科学、电子工程和临床医学等15个学系的100多位教职员工所组成的交叉研究团队。该研究团队在某国际知名教授的领导下在植入式脑机接口研究方面进行了大量开拓性的工作，从理论和实验两个方面对大脑开展深入的研究，并取得了大量创新性、突破性的成果，发表在Nature, Science, Neuron等国际顶尖杂志上。2006年，该团队研发的BrainGate系统通过了美国FDA的认证，并开展了世界上第一例临床实验，使得瘫痪病人可以利用大脑信号可以对外部设备（计算机和假肢）进行直接控制。目前，世界上仅该研究所有能力开展人的植入式脑机接口研究，他们正计划对新开发的完全植入式的无线BrainGate2系统开展30例左右的临床研究。

（2）我方工作基础

我方项目组依托团队成立于2006年底，集中了省内某高校在纳米材料、人工智能、生物医学工程、神经生物学及临床医学研究室等五个骨干科研实验室的优势资源，实现了场所、设备和实验条件共享，发挥多学科的综合优势，实行学科会聚，致力于高端前沿科学技术的研究和应用。 成立四年多来，研究团队主要围绕“脑机交互技术”，对神经工程的基础理论与关键技术，从植入式与非植入式脑机接口两个方面开展研究，建立了啮齿类动物和非人灵长类动物的植入式脑机接口研究平台，并在“复杂环境下的大鼠导航”、“小动物双向的脑机接口系统”、“基于大鼠运动神经解码的神经控制”等项目的研究中取得了重要的突破。

目前，研究团队主要围绕“植入式脑机接口”方面的研究开展工作。在大鼠实验平台上，自主研发了多套用于同步记录和分析神经集群活动与动物行为系统，同时建立了一系列效率高、抗噪能力强的神经峰电位检测分类算法，利用粗糙集、神经网络等方法对实验获得的神经集群发放模式进行实时的解析，在离线（off-line）的条件下，完成了对大鼠前肢运动过程中的肢体运动状态和肢体运动学参数的定量分析和预测，在线(on-line)的条件下，利用实时解码算法实现了大鼠运动初级皮层的电信号对外部器械的直接神经控制。在该工作基础上，相关算法通过优化固化在可编程门阵列（FPGA）上，进一步增强了系统的实时性。研究团队从2009年下半年开始在非人灵长类动物（猕猴）实验平台上开展进一步的植入式脑机接口研究，希望通过更接近与人类的猕猴，深入研究应用于肢体运动控制（特别是手运动控制）的脑机交互的基础理论和关键技术。经过将近半年的摸索，目前已基本搭建好实验平台，已在5只猴子的初级运动皮层的手臂区已经植入一个96通道的微电极阵列（Utah Microelectrodes Array），并已记录到了非常好的神经元活动电信号。在猴子运动皮层神经数据的基础上，我们进行了猴子使用虚拟光标覆盖目标光点的实验，取得了良好结果。

研究团队的人员构成方面，发挥多学科交叉的优势，使研究者在各个关键技术上充分发挥学术特长。在神经科学和定量生理研究领域，项目主要负责人一直从事脑机接口和神经工程的研究，在啮齿类和非人灵长类动物上建立了一系列的研究平台，实现了动物神经信号对外部设备的直接控制。在信息处理研究领域，项目第二负责人，主要研究方向为人工智能和模式识别，在生物信号处理方面已获得了一些具有国际水平的研究成果。项目第三主要负责人主要研究方向为虚拟现实和运动康复，利用运动捕获技术构建立了多自由度的上肢运动参数分析系统，为运动型脑机接口的研究打下了坚实的基础。

（3）已有合作和相关工作条件

申请人所在团队成立之前就跟合作方的科研团队有学术上的往来，申请人博士在读期间，外方研究所的某国际知名医生就曾受申请人博士导师的邀请访问过申请人所在单位，并就脑机接口进行学术交流。2007年，在申请人所在单位与合作方单位缔结成为姊妹学校，开展全面的合作与交流，双方的学术交流也进一步加深。在申请人所在团队成立后的次年（2008年），在其常务副院长的带领下，申请人和其他四位同事一同前往美国就植入式脑机接口进行调研，期间专程前往合作方所在实验室进行了学术交流，期间对方研究所所长为申请人所在团队建立非人灵长类研究平台提供了很多宝贵的资料和建议。申请人同时还走访了外方科研团队在芝加哥大学和犹他大学等地的其他实验室，并建立了较为长期的业务联系。之后申请人所在团队成员多次前往以上研究所进行学术交流，合作方专门为他们提供了短期的技术培训，解决了颅内电极植入手术等关键问题。2009年，外方研究人员再次应邀来华与申请人及其同事合作在北京师范大学开展植入手术，为猴子大脑埋植芯片。2011年3月份，外方研究所所长D教授接受浙江大学的邀请，受聘当任浙江大学的客座教授，并首次访华，双方对下一步如何在植入式脑机接口研究方面的深度合作进行了详细的讨论，特别就关于共同开展灵长类脑机接口研究和中方派遣年轻学者进行为期1-2年的学术访问等合作交流项目进行了落实。在华期间，D教授还受申请人所在团队的邀请在中国工程院，国家外国专家局和申请人所在单位联合举办的神经信息工程前沿研讨会做大会特邀报告。

2011年，应合作方邀请，本项目申请人目前正在该研究所进行为期一年的合作研究，主要围绕脑机接口中神经信号处理方法展开，即将有联合数目的相关研究成果发表。

本项目的外方合作单位是美国常青藤名校之一，是国际上唯一一个开展植入式脑机接口临床实验的研究单位，各类软硬件设备和条件齐全。

申请人所在单位是我省某著名高校的一所多学科交叉的科研机构，拥有该高校众多科研基地和相关学科的人才优势，先进的基础、应用研究和技术储备。项目主要申请人所在的该校某教育部重点实验室长期从事神经电生理和神经生化方面的相关研究，在细胞、组织和整体动物等多个层次上建立了一系列定量和系统的研究平台。实验室拥有 Cerebus^TM128 通道脑电数据采集分析系统，Stoelting 大鼠脑立体定位系统，DSA 公司的生理参数遥测系统，ADI 公司的多通道生理参数记录仪，实验室拥有的数据分析软件和系统开发平台可对采集的信号进行离线分析，并可在扩展后用于信号的在线处理。

项目团队已建立了啮齿类和非人灵长类动物的实验平台，并在该平台上对植入式脑机接口技术开展了深入的研究，建立了一系列神经集群信号的实时处理和分析方法。同时申请人所在团队还与意大利圣某高校签订了双边合作协议，充分发挥课题组在植入式神经接口研究方面的技术优势，结合意大利合作团队在智能机械先进技术，共同研发新一代具有“智能感知和控制功能的革命性假肢”。近年来，项目团队先后与美国多所知名高校和研究实验室建立了深入的合作，实现了脑机接口各研究点上的对接。

总之，以上项目合作基础，以及双方具有的软硬件设备、技术平台和国际化合作经历，为本项目的顺利开展和实施提供了基本所需的科研条件。

二、经费概算报告

凡申请财政分期补助的项目，均应当编制科研项目经费概算。经费概算包括两部分：一是经费概算列表，二是经费概算说明。经费概算列表的表式见该提纲附表“省级科技计划项目经费概算表”。经费概算说明包括： 对承担单位和相关部门承诺提供的支撑条件进行说明；对各科目支出的主要用途、与项目研究的相关性、概算方法、概算依据进行分析说明；对其他来源经费进行说明。

项目可行性报告及经费概算编写应当回避项目申报单位和项目负责人、成员相关的信息，否则作无效申报处置。

附表：

省级科技计划项目经费概算表

项目名称：                                                         金额单位： 万元  

注：支出概算按照经费开支范围确定的支出科目和不同经费来源编列，同一支出科目一般不同时在财政拨款经费和自筹经费中概算。

一、对承担单位和相关部门承诺提供的支撑条件进行说明

本项目依托单位是省内某高校的一所多学科交叉的科研机构，拥有该高校众多科研基地和相关学科的人才优势，先进的基础、应用研究和技术储备。实现了场所、设备和实验条件共享，发挥多学科的综合优势，实行学科会聚，致力于高端前沿科学技术的研究和应用。

项目主要申请人所在的该校某教育部重点实验室长期从事神经电生理和神经生化方面的相关研究，在细胞、组织和整体动物等多个层次上建立了一系列定量和系统的研究平台。实验室拥有 Cerebus^TM128 通道脑电数据采集分析系统，Stoelting 大鼠脑立体定位系统，DSA 公司的生理参数遥测系统，ADI 公司的多通道生理参数记录仪，实验室拥有的数据分析软件和系统开发平台可对采集的信号进行离线分析，并可在扩展后用于信号的在线处理。

项目主要申请人所在的该校“人工智能研究所”在计算机人工智能、多媒体技术和虚拟现实等方面取得了突出的研究成果，擅长于计算机虚拟现实的研究和开发，拥有基于 Onix/Cluster 的 CAVE 系统、基于 Cluster 的文物数字化获取和虚拟展示系统（三通道环幕、单通道背投）等设施，配备数据手套、三维鼠标、电磁跟踪器、力反馈触觉交互器等交互设备和工业摄像头、视频采集卡等相关专用设备，为构建虚拟展示平台提供了良好的硬件环境和实验条件。

总之，以上这些仪器设备、技术平台和国际合作等基础，为本项目的顺利开展和实施提供了基本所需的科研条件。

二、对各科目支出的主要用途、与项目研究的相关性、概算方法、概算依据进行分析说明

<一>、直接经费支出

(一) 设备费

本项目的主要研究对象为猕猴，由于项目团队已经建立了较为完善的研究平台，具备了较好软硬件设施，因此无需购买相关设备；

(二) 材料费

本课题研究需要消耗大量的测试耗材、实验电极、手术用颅内电极及其它手术耗材等，其中主要材料成本是采集皮层脑电信号和深部脑电信号的颅内电极以及动物实验的耗材，费用支出总计6.8万元，占总经费39%。

1. 颅内微电极阵列，用于皮层神经集群信号记录。

2. 动物实验相关的各类药品和耗材

(三) 测试加工费  

本项目需要对个别实验小设备进行改造，测试加工费为0.4万元，占2%。

20件次×200元/件次=0.4万元

(四) 燃料动力费  

本课题组实验期间总计燃料动力费0.6万元，占总经费3%，其中电费0.45万元，水费0.15万元，主要包括：信号记录系统和视频监控系统的运作电费支出，维持实验清洁的水费支出，动物手术过程中麻醉呼吸机、电钻、生理监护仪、无影灯、电热毯、显微镜等的电力消耗，电极制作过程中电烙铁、吸引器、电凝等设备的电力消耗，手术设备消毒灭菌过程中高压蒸汽灭菌锅等设备的电力消耗等。

(五) 差旅费

主要用于项目实施中开展实验、考察、业务调研、学术交流等所发生的外埠差旅费、市内交通费用，以及与本项目相关开题、中期检查、结题等相关的差旅费用。总计1万元，占总经费的5%。

本项目涉及到北京等地的各种项目评审会、项目协调会、技术交流会等，预计每年参加中国生物医学工程年会，中国神经科学年会等中的2次会议，每次参会2人；外埠调研每年1次，每次1人。

本项目将按照《中央国家机关和事业单位差旅费管理办法》规定，住宿费均按照处级以下人员每人每天150元标准，两人住一个标准间标准报销，伙食补助费每人每天50元/天、交通费30元/天，平均每人因此每天为230元/天。并概算每人平均往返交通费用为310元（含机场建设费、燃油附加费和保险）。

总计：（2次学术会议×2人次＋1次外埠调研×1人次）×2年×（230元/天×3天＋310元交通费）＝ 1万。

(六) 会议费

项目需要开展各类学术讨论，拟邀请国外合作方来华进行学术报告两人次。此外课题将定期组织课题参加单位和人员举行讨论会，以进行需求调查、技术交流、管理协调。在课题启动初期、中期和末期，将举行方案论证会，中期评审会和结题评审会，并邀请专家对课题总体技术方案、进度及其面临的问题进行审核，协商解决课题研究过程中出现的问题。会议费用总计1万元，占总经费的5%。

会议费包括：会议场地租赁费平均每次2500元；每次会议资料制作费500元（包括议程、各类报告的文件等）；与会人员会议期间的餐饮费50元/人/天；邀请专家的住宿费平均每人250元/天。拟举办学术交流会议3次，每次2天，每次20人规模，其中7人为专家。费用总计：2500场地租赁×2场＋500资料×4＋20人次×50×1天＋250元/天×8人=1万。

(七) 国际合作交流

本项目是重大国际合作项目，通过加强合作方的国际交流，逐步扩大学术影响力。总计国际合作交流费用为3万元，占总经费15%。

本项目将积极开展国际交流，邀请国外专家进行合作，故拟邀请布朗大学等国外高校的知名专家来华开展学术交流与项目合作，预计2人次，每人次费用飞机票1.2万元人民币+在中国的住宿接待费用0.1万人民币 =1.3万人民币，2人总计费用：1.3×2=2.6万人民币。

项目成员的参加的国际会议的费用部分，如会议注册费，国际交通费等，可以部分从该部分支出，预算0.4万元。其中脑机接口相关国际会议注册费：IEEE Engineering in Medicine and Biology Society（注册费800美元），Neuroscience Conference（注册费100美元），Neural Interfaces Conference（注册费250美元）。

(八) 出版/文献/信息传播/知识产权事务费

主要用于以知识产权为主要内容的费用支出，如国际、国内专利申请及维护、论文发表、文献检索等，包括国际、国内专利申请和维持费，国际、国内论文发表费等，总计1.5万元，占总经费的7.5%。

该项支出费用分类如下：

网络费、通信费：0.2万/年 × 3 年 = 0.6万元。

文献检索费：0.15 万/年× 2 年 = 0.3万元；

文献资料打印费(包括彩扩) ，0.15 万/年× 2 年 = 0.3万元；

其他：如中外文书籍及其他资料购置费，发表论文版面费，共计0.3万元

合计：1.5万元

(九) 劳务费

主要用于课题研究开发过程中支付给参加课题研究且没有工资性收入的相关人员（如在校研究生）和课题组临时聘用人员等的劳务性费用。聘用博士研究生及硕士研究生主要用于技术性研究及为将来技术发展培育新的人才。劳务费用按博士研究生每人1500 元/月、硕士研究生每人800元/月的标准。劳务费用总计2万元，占总经费的10％。

参加课题博士生持续保持1人： 每人每年工作4个月

补助为：1500/人月×1人×3年×4月＝1.8万元

临时参加课题硕士生费用：0.2万元（按2.5个月计）

(十) 专家咨询费

主要用于国内外知名专家指导本课题研究，费用总计0.3万元，占总经费的1.5％。

每年拟聘请具有或相当于高级专业技术人员职称的人员1-2人次，每次1天，其中会议咨询费用为：每年支出600元/人天×4人次×1天＝0.24万元；通讯咨询费用为：100元/人次×6人次＝0.06万元。

<二>间接经费支出

本项目间接经费支出费用总计为2.8万元。

其中项目管理费1.4万元，占总经费的7%；激励费1.4万元，占总经费的7%。