《Nature Communications》：Cortical representation of multidimensional handwriting movement and implications for neuroprostheses
编辑推荐：
为解决瘫痪患者脑-机接口(BCI)在手写解码中二维(2D)运动学特征解释力不足、性能待提升的问题，研究人员围绕“多维手写运动皮层表征”这一核心主题，整合3D速度、握力、书写压力与肌电(EMG)等多维度生理信号开展研究。结果表明，运动皮层编码手写为多维运动，利用多维信号显著提升了神经活动的可解释性与手写解码性能。这为发展高性能手写BCI神经假肢指明了新方向。
想象一下，当身体因伤病而“沉睡”，思想却依然活跃，如何与外界沟通？对于严重瘫痪的患者而言，这曾是遥不可及的梦想。脑-机接口(BCI)技术的出现，为这个梦想打开了一扇窗，特别是手写脑-机接口，它通过解读大脑中与手写意图相关的神经信号，已能让瘫痪者实现高速的“意念打字”，重新获得文字交流的能力。然而，科技的星辰大海仍存在未明的暗礁。现有的高性能手写BCI系统，很大程度上依赖于对书写笔迹二维(2D)运动学（如笔尖在平面上的速度）的解码。一个核心的悬而未决的问题是：我们的大脑，究竟是如何编码手写这一复杂精细动作的？除了笔尖的平面移动轨迹，书写时的提笔、下压、握笔力度等丰富的运动维度，是否也在运动皮层中留下了独特的“神经签名”？如果答案是肯定的，那么捕捉并利用这些多维度的信息，能否像为解码器装上更精密的透镜，让我们更清晰地“读懂”大脑的意图，从而将神经假肢的性能推向新的高度？这正是本研究的起点。
为了深入探究手写运动的皮层表征奥秘并提升解码效能，由 Frank Willett 等人领导的研究团队开展了一项融合临床研究与健康受试者实验的综合性工作。他们首先从一位瘫痪受试者的运动皮层内记录神经信号，发现了针对“笔画”和“提笔”动作，神经活动展现出相对于二维速度的独特表征模式，这暗示了二维运动学本身不足以完全解释观察到的神经信号变异。为了突破这一局限，研究团队转而从健康受试者处获取了更为丰富的“多维手写数据”，这包括了笔尖的三维(3D)速度、握笔的力（grip force）、书写时笔对纸面的压力，以及来自多块手部肌肉的多通道肌电图(EMG)信号。通过将这套高维数据集与创新的神经解码模型相结合，研究人员系统性地评估了这些超越传统二维速度的特征，对于阐释神经活动以及提升在线手写字符解码精度的贡献。
本研究主要采用了以下关键技术与方法：1. 临床神经信号采集：对瘫痪受试者进行运动皮层内阵列电极记录，获取高时空分辨率的神经信号。2. 多维行为数据采集：在健康受试者中，同步记录书写时的3D笔尖轨迹、握力、笔尖压力及多通道手部肌电(EMG)信号，构建完整的多维手写运动数据集。3. 计算建模与解码：利用广义线性模型(GLM)等建模方法，分析神经活动与多维度运动特征的关系，并开发基于循环神经网络(RNN)等架构的解码器，进行在线与离线的字符解码性能评估。
神经活动对笔画和提笔表现出不同的表征
研究人员发现，在瘫痪受试者的运动皮层中，当执行手写任务时，表征笔画动作的神经群组活动与表征提笔（pen lifts）动作的神经群组活动存在显著差异。这种差异是相对于笔尖的二维(2D)速度而言的，即神经活动模式并非仅由笔尖在平面上的移动速度所驱动。这一关键观察直接表明，仅用二维运动学无法完全解释手写过程中大脑产生的复杂神经信号变异，提示存在其他重要的运动维度被大脑所编码。
多维特征提高了神经活动的可解释性
为了探寻这些“其他维度”，研究团队在健康受试者中系统采集了包含3D速度、握力、书写压力和肌电(EMG)信号在内的多维手写数据。分析表明，将这些额外的运动维度特征纳入模型后，对于解释记录到的神经信号方差具有显著提升效果。无论是对于笔画还是提笔动作，模型的解释力都因多维特征的加入而增强。这意味着，运动皮层在编码手写时，确实整合了笔尖空间轨迹之外的丰富信息，如施加的力度和肌肉的协同激活模式。
利用多维特征提升手写解码性能
理论的突破最终要服务于应用的改进。研究人员进一步测试了利用这些多维运动特征来增强实际手写脑-机接口解码性能的可行性。结果表明，在解码模型中加入来自健康受试者的握力、压力等多维特征作为辅助信息，能够显著提升从瘫痪受试者神经活动中解码手写字符的准确率与速度。这证明，从健康大脑中提取的关于精细运动控制的多维模板，可以有效迁移并优化针对瘫痪患者的神经解码器性能。
讨论与结论
这项发表于《自然-通讯》(Nature Communications)的研究，通过精妙的实验设计和多层次的分析，得出了以下核心结论：首先，人类的运动皮层并非仅编码手写的二维轨迹，而是将手写作为一种多维度的整合运动进行表征，这包括了笔尖的三维动态、精细的力度控制以及相应的肌肉激活模式。其次，这些超越传统二维速度的多维运动特征，对于解释运动皮层的神经活动（即可解释性）和提升基于皮层信号的字符解码性能，都具有至关重要且可衡量的贡献。
该研究的深刻意义在于，它革新了对手写这一高级运动皮层表征机制的基础理解，将研究视角从“轨迹还原”扩展到了“多维运动集成”。在应用层面，这项工作为下一代高性能手写脑-机接口与神经假肢的发展指明了清晰的方向：即必须重视并整合多维运动特征。通过引入力度、压力等多模态信息，可以突破当前主要依赖二维运动学解码的性能瓶颈，为实现更自然、更鲁棒、更高效的意念沟通与运动替代系统奠定坚实的理论基础与技术路径。最终，这项研究推动我们向一个目标更进一步：让神经科技更完整地读懂大脑的运动语言，从而为行动受限的人们重建无缝、高效的交流通道。
