神经系统与机器对接依靠人体主要有三个部分：大脑、肌肉和周围神经。埃隆-马斯克的Neuralink大脑植入是BCI系统的一个例子，在所有接口系统方法中，侵入性接口尽管提供了最全面的人机交互，但存在较大的损伤脑组织的风险。而使用肌电图（EMG）系统只能提供对截肢肢体末端肌肉最低程度的控制，对用户来说并不直观。
在过去的十年里，意识控制的人工肢体领域有许多振奋人心的进展，最近发表在《IEEE Transactions on Biomedical Engineering》上的一项研究开发出一种外周神经接口，只需在在截肢终端的神经内植入少量的植入物，而截肢者只需想一想就能按意愿移动他们的假手的单个手指。这一进展主要依靠一个新的人工智能（AI）解码器，它能够以前所未有的精确性解码截肢终端的神经信号，用户使用该系统能够直观地控制一只假手，包括手腕和单个手指的运动，准确率达到97%至98%，反应时间为0.81 s，对应信息传输率达到6.09 bps，就像控制自己的手一样。在植入16个月期间的跟踪评估中保持各项性能的稳健，而AI体只需要每隔几个月进行微调。
受试用一种新的外周神经界面控制他的假肢手，通过这种接口，他只需想想移动假肢上的单个手指，假肢就会做相应的运动
研究使用了基于递归神经网络（RNN）架构的AI体解码运动意图，实验中AI算法可以同时解码受试者六个自由度的运动意图，包括单个手指弯曲和腕旋前。通过这种设置，用户只需想一想他们希望假手做出的动作，大脑将命令信号发送到连接点的神经，接口检测到这些信号，通过AI体解码，相应的命令发送到人工肢体，后者成功执行大脑的指令。
手势匹配任务示意图，测量系统端口之间的反应时间和整个神经接口和运动解码的信息传输率，在每次试验中，受试者看到一个随机的手势，并试图与实时运行的AI神经解码器进行匹配。
人工智能神经解码器和信号处理范式。
通过Neuronix神经接口芯片从受试者的截肢手臂上获取神经数据，随后进行特征提取，然后，深度学习AI使用特征数据来预测受试者同时移动几个自由度的意图。预测结果被实时映射到虚拟手或假手的运动中 (B）基于递归神经网络（RNN）架构的深度学习AI系统的设计。
该团队负责人表示，与现存方法相比，人工智能和外周神经接口的结合具有更大的优势，例如基于EEG记录的BCI或基于EMG的假肢，且它是当今唯一允许截肢者控制单个手指运动的技术。此外，他还指出，新系统在控制手指上的优势得益于快速信息处理，解码率达到6 bit/s，相比之下，其他BCI系统，无论是侵入性系统还是EMG控制，通常还达不到1 bit/s。此外，该团队的最新进展能够实现用户通过自然思维来控制他们的人造肢体，而不是现存技术要求的用户需要执行复杂的、不自然的肌肉收缩，以移动人造肢体。以往大多数情况下，用户可能必须快速弯曲肌肉A两次，然后再弯曲肌肉B一次，以促使人工手闭合所有的手指以产生抓握的动作，这对人机交互并不友好。而这种新的假肢系统中，在受试完好的手上戴一个虚拟现实（VR）手套，该手套能够捕捉该手的运动数据。然后他们只需想象着移动幻肢或受伤的手，同时在健全的手上做同样的动作，人工智能解码器便能学会个人用户的特异性神经信号和相应的手部动作。经过几个小时的训练，用户能够通过自然思维，以任何他们想要的方式移动假手。该团队认为，这是在“周围神经系统”层面上的读心术，接口系统可以解释用户的意图，并将这种意图转化为行动，用户想到要移动他的拇指，电动拇指就会移动，用户想握拳，手就会握拳。
该团队负责人还指出，由于神经中的电极内置，或许可以使用同一电极来刺激神经，以重塑完整的感觉环路，如触感、质地、振动，甚至冷热。这一技术进步除了为许多截肢者带来福音外，其适用范围可能更广，该团队目前致力于将这项工作应用于其他疾病（如癫痫、顽固性疼痛、心力衰竭和糖尿病），神经调控疗法对这些疾病很有效，甚至未来随着技术的进步有可能被治愈。
参考文献
D. K. Luu et al., "Artificial Intelligence Enables Real-Time and Intuitive Control of Prostheses via Nerve Interface," in IEEE Transactions on Biomedical Engineering, doi: 10.1109/TBME.2022.3160618.
https://spectrum.ieee.org/mind-controlled-prosthetic-hands-reach-new-feats