编辑推荐：
为解决颅内脑机接口（iBCIs）因神经接口不稳定导致的解码性能下降问题，研究人员开展 Nonlinear Manifold Alignment with Dynamics（NoMAD）平台研究。结果表明其通过循环神经网络模型稳定解码，在猴运动皮层数据中实现长时稳定行为解码，为 iBCI 实用化提供路径。
脑机接口（Brain-Computer Interface, BCI）被誉为连接大脑与外部世界的 “数字桥梁”，在帮助瘫痪患者恢复运动功能等领域展现出巨大潜力。然而，颅内脑机接口（intracortical brain-computer interfaces, iBCIs）在实际应用中面临一个棘手难题：神经接口的不稳定性会导致解码性能随时间下降。由于电极位置变化、细胞死亡等因素，被监测的神经元群体不断变化，神经信号与运动意图之间的关系也随之改变，使得解码器需要频繁进行有监督的重新校准，这不仅给患者带来负担，还严重阻碍了 iBCIs 的临床推广。
为突破这一瓶颈，美国埃默里大学和佐治亚理工学院等机构的研究人员开展了一项具有创新性的研究。他们开发了一种名为 Nonlinear Manifold Alignment with Dynamics（NoMAD，基于动力学的非线性流形对齐）的平台，旨在利用神经群体活动的潜流形结构和动力学特性，实现 iBCIs 的稳定解码。该研究成果发表在《Nature Communications》上，为脑机接口的长期稳定运行提供了新的解决方案。
研究人员主要采用了以下关键技术方法：首先利用潜因子分析动态系统（latent factor analysis via dynamical systems, LFADS）模型来建模神经动力学，LFADS 是一种改进的序列变分自动编码器，通过循环神经网络（recurrent neural network, RNN）捕捉神经活动的时间演化规律；其次，在进行流形对齐时，通过无监督分布对齐方法，最小化不同时间点潜状态分布的 Kullback-Leibler（KL）散度，同时优化神经活动的重建损失，从而将非平稳的神经数据映射到一致的潜动力学空间。研究中使用了猴子运动皮层的神经数据，包括等距腕力任务和中心 - 外周 reaching 任务的记录，验证了 NoMAD 的有效性。
研究结果
利用流形和动力学稳定 iBCI 解码
研究以概念示意图（Fig. 1）为起点，基于初始记录 session（Day 0）的神经活动和运动信息构建监督训练数据集，以此刻画流形和动力学，并训练将流形活动映射到行为的解码器。当后续记录期（Day K）因神经记录不稳定导致监测神经元变化时，NoMAD 通过学习 Day K 数据到原始流形的映射，利用神经活动的时间演化信息，使原始 Day 0 解码器仍能有效工作。
改编 LFADS 架构实现流形对齐
通过对 LFADS 架构的两项主要修改来建模 Day 0 监督训练数据集：一是添加低维读入矩阵标准化 RNN 输入维度，使模型能适应不同记录天数的电极数量变化；二是添加从 Generator 活动预测行为数据的读出矩阵，引入与观测尖峰活动互补的信息，确保模型收敛。训练完成后，学习流形到行为的映射解码器。在 Day K 时，冻结 LFADS RNN 权重，通过无监督对齐步骤更新前馈对齐网络、低维读入和速率读出，以实现神经活动到流形的映射更新。
NoMAD 在等距力任务中实现跨月稳定离线解码
将 NoMAD 应用于猴子进行等距腕力任务的 95 天记录数据，与静态解码器、对齐因子分析（Aligned FA）和对抗域适应网络（ADAN）等方法相比，NoMAD 实现了显著更高的解码性能（中位 R2=0.91），且在 3 个月内无明显性能下降（半衰期 = 208.7 天），而其他方法存在性能较低或不稳定的问题。
NoMAD 在无负载 reaching 任务中实现跨周稳定离线解码
在猴子的中心 - 外周 reaching 任务（38 天，12 次 session）中，NoMAD 同样表现出色，中位 R2=0.78，无解码失败，半衰期为 57.9 天，明显优于其他方法，验证了其在不同行为任务中的通用性。
NoMAD 与回顾性解码器重新校准方法互补
在对 BrainGate2 临床试验中四肢瘫痪参与者 T11 的闭环 iBCI 数据分析中发现，NoMAD 与回顾性目标推断（retrospective target inference, RTI）结合使用时，解码性能和稳定性优于单独使用任一方法，表明两者可互补，在短时间尺度上提升 iBCI 性能。
研究结论与讨论
NoMAD 通过将神经活动的时间结构（动力学）纳入流形对齐过程，显著提升了 iBCIs 的解码稳定性和准确性，在等距腕力任务和 reaching 任务中分别实现了数月和数周的稳定解码，且无需频繁的有监督重新校准。该方法为解决 iBCIs 的神经接口不稳定性问题提供了一种高效的无监督解决方案，有望减少患者负担，推动 iBCIs 的临床应用。
与以往流形对齐方法相比，NoMAD 的优势在于利用非线性动力学模型引入时间约束，且完全无监督。尽管存在计算需求较高的局限性，但其在稳定性和准确性上的提升为脑机接口技术的发展奠定了重要基础。未来，NoMAD 有望与其他技术（如电极阵列稳定性改进、多流形场景解决方案）结合，进一步提升 iBCIs 的性能，为瘫痪患者带来更可靠的辅助设备。
这项研究不仅在技术上突破了 iBCIs 长期稳定运行的瓶颈，也为神经工程领域提供了新的研究思路，即通过整合神经动力学和流形结构，开发更智能、更鲁棒的脑机接口系统，为实现 “脑控技术” 的广泛临床应用迈出了关键一步。
