B01 · Active tactile exploration using a brain–machine–brain interface
O'Doherty, J.E., Lebedev, M.A., Ifft, P.J., Zhuang, K.Z., Shokur, S., Bleuler, H., & Nicolelis, M.A.L. (2011). Nature, 479, 228–231. doi:10.1038/nature10489
猕猴通过 M1 活动控制虚拟效应器，并利用 S1 微刺激提供的接触相关线索辨别虚拟物体。记录与刺激的时间复用使这一双向脑机接口在本文任务中可行。
核对版本：Zotero VR 集合中的本地 PDF（2026-09-18）；Zotero 条目 · 打开原文。图下页码均为该 PDF 的文件页序，从 1 开始，可能不同于期刊印刷页码。
背景
闭环运动假体除输出控制外，还需要反馈物体接触的信息。本文检验S1微刺激所携带的人工纹理，能否用于M1驱动的虚拟探索和目标选择。
研究思路
虚拟执行器接触物体时触发不同ICMS模式，动物据此辨别奖励目标。记录和刺激采用时间复用以减轻伪迹，并比较手控、脑控、探索行为及神经调制；人工纹理辨别不等于恢复了全部自然触觉。
方法
两只成年恒河猴（M、N），每只植入四个 96 通道不锈钢微丝阵列，左右半球各两个（上肢、下肢代表区各一），同时覆盖 M1 与 S1；实际用于解码的是右侧半球 arm array（两只猴都用左手操纵杆）。阵列内微丝按两个 4×4 的 triplet 网格排布，triplet 间距 1 mm，三根丝长度相差 300 μm，最长 2 mm。ICMS 为双相、电荷平衡脉冲，双极施加：猴 M 用两对微丝刺激 S1 手代表区（脉宽 105 μs），猴 N 用一对微丝刺激腿代表区（脉宽 200 μs）。人工触觉编码在两层频率里：奖励纹理 RAT 是 200 Hz 脉冲串按 10 Hz 打包（每个刺激子区间 9 个脉冲），UAT 是 400 Hz 按 5 Hz 打包（18 个脉冲），NAT 无刺激。任务要求猴子在最多三个视觉上完全相同的虚拟物体里找出 RAT 的那个，把 actuator 停留 0.8–1.3 s（HC）或 300–500 ms（BC）拿果汁奖赏；每个物体由中央 response zone 和外周 feedback zone 构成，进入 feedback zone 即触发 ICMS。控制模式三种：手控 HC（操纵杆）、脑控仍握杆 BCWH（杆已断开）、脑控无手 BCWOH（杆移除）。解码器为 Unscented Kalman Filter（多数 session 用 3 阶，最多试过 10 阶），10 Hz 更新，参数从手动操作或被动观察时的放电拟合。任务分五个难度层级：Task I 两物体固定位置（RAT vs NAT），II 位置逐 trial 随机，III 换成 RAT vs UAT，IV 三物体全随机，V 把 cursor 换成第一人称视角的虚拟猴臂（控制环 50 Hz、视觉刷新 30 Hz，末端直接控制加反向运动学约束）。全套行为训练共 72 个 session（猴 M）。
主要结果
行为上，两只猴子都学会了在脑控下靠 ICMS 找出目标物体。猴 M 在 Task I 第九个 session 超过 chance 水平（P<0.001，单侧二项检验；猴 N 只用四个），难度加到 Task V 还在继续进步。探索时间的分布最能说明判别的真实性：训练早期 RAT 与 NAT 上的停留时间没有差别，训练后 RAT 显著变长、NAT 显著变短——HC 下猴 M 在 RAT 平均停 1396±21 ms、UAT 452±13 ms、NAT 只有 304±8 ms（ANOVA，P<0.01；猴 N 为 1165/402/300 ms），三者干净地分开，而且判别是在几百毫秒尺度完成的，与外周触觉辨别的时程相当。状态转移分析进一步显示这是有策略的探索：第一站就落在 RAT 时留驻概率 0.70（M）/0.76（N），落在 UAT 时只有 0.05/0.01，NAT 干脆是 0.0；查完第二个物体后，从 NAT/UAT 转向 RAT 的概率升到约 0.7、回头重访降到约 0.2——直接识别与排除法两种策略并存。
闭环性能上有清晰代价：BCWH 下猴 M（>200 个记录神经元）正确率 73.75±3.00%（HC 为 91.48±1.20%），猴 N（仅 50 个神经元）掉到 50.37±3.74%（HC 91.45±1.91%），但仍显著高于 33% 的 chance。BCWOH 按每分钟奖励数计，猴 M 从 1.021±0.007 稳步升到 2.962±0.005，actuator 位移主频与成绩提升相关（X 向 R²=0.16，Y 向 R²=0.26，P<0.001）——猴子在调制脑活动让扫描更快，且 NAT 上的探索时间（3620±350 ms）显著短于 UAT（4270±310 ms），说明快速掠过"没纹理"的物体是主动策略而非随机游走。Psychometric 测量给出 ICMS 门槛：每相位至少 8 nC（100 μs、80 μA 的脉冲）才能完成判别；Task II 中约 1% 的 catch trial（零幅度刺激）成绩回到 chance（P=0.90），削弱了依赖伴随视觉或听觉线索完成辨别的解释。
神经层面两条发现撑住了整个方案。其一，M1 神经元的方向调谐在不同 ICMS 图案干扰下保持稳定（HC 与 BC 皆然），multiplexing 加 S1 刺激没有破坏 M1 对 actuator 运动的表征——这是闭环可行性最直接的证据。其二，当 actuator 运动被重放、猴子只是被动观看（手臂被限制）时，用一个单独训练的解码器仍能从 M1 活动以接近 HC 的精度重建 actuator 轨迹——与 Cisek、Graziano、Tkach 等人报告的动作观察调制一致，作者据此提出神经假肢有可能被纳入脑的 body schema。
逐图解读
来源：原文 Fig. 1，PDF 第 9 页。
图 1 · BMBI 总体设计：M1 解码、S1 刺激与时间复用。 (a) 概念图：运动意图从 M1 解码驱动 actuator，actuator 触到虚拟物体时 S1 收到 ICMS，运动读出与感觉写入经脑机通路完成；具体有无手臂运动需区分 HC、BCWH 与 BCWOH 条件。(b) 双侧 M1/S1 的微丝植入；(c) 猴 M 实际用于 ICMS 的两对微丝（红色标出，落在 S1 手代表区）。(d, e) 是理解工程难点的关键：一个典型 trial 里猴子先探索 UAT（灰条为刺激时段，插图标出 400 Hz/5 Hz 的两层频率）再转向 RAT，下面的 raster 显示每个 ICMS 脉冲之后 5–10 ms 的伪迹如何把 M1 放电"打花"——正因为这样才有 20 Hz 时钟的记录/刺激交替。读这张图时重点看 d 里两种纹理刺激模式的差异，以及 e 里伪迹条带与正常放电的交错节奏。
来源：原文 Fig. 2，PDF 第 10 页。
图 2 · 学习曲线：ICMS 是被读懂的。 (a) 五个任务层级的示意。(b) 猴 M 72 个 session 的正确率：Task I 早期接近 chance，第九个 session 已显著高于 chance；空心圆标记处于 chance 水平的点，此后每次难度跃迁都先回落再爬升，是标准的 skill learning 轨迹；星号标出用于 psychometric 测量的 session（阈值约 8 nC/相位）。(c) 三种纹理上的平均停留时间：训练后 RAT（方块）越来越长、UAT（三角）和 NAT（叉）越来越短，红色 BC 与黑色 HC 趋势一致——判别不是碰运气，且在脑控下照样成立。(d) session 内部的进步：BCWOH 主图（3 个 session）与 inset 里 HC、BCWH（各 12 个 session）的每分钟奖励数都在一天之内线性上升——学习同时发生在跨天和当天两个时间尺度上。
来源：原文 Fig. 3，PDF 第 11 页。
图 3 · 主动探索的行为学统计。 (a, c) 两只猴在三种纹理上的探索时间分布（猴 M：HC 1809 trials、BC 1355；猴 N：808/729），HC 下 RAT/UAT/NAT 平均停留约 1396/452/304 ms（猴 M），显著分层；BC（inset）下 UAT、NAT 略拖长但排序不变。(b, d) 是这张图最精彩的部分：状态转移图，箭头线宽正比于转移概率。第一跳落在 RAT 时留驻概率 0.70（M）/0.76（N），落在 NAT 时，所报告的留驻概率为 0.0；查完第二个物体后，从 NAT/UAT 移向 RAT 的概率升到约 0.7、重访降到约 0.2——直接识别加排除法两种策略并存的证据。红色 BC 数据与黑色 HC 基本吻合，说明脑控下的决策结构没有被 ICMS 干扰或解码噪声破坏。
来源：原文 Fig. 4，PDF 第 12 页。
图 4 · M1 调谐的保持与被动观察时的表征。 (a, b) 猴 M 294 个 BC trial：物体出现在屏幕左侧时的平均 actuator 轨迹（a）与对应的 M1 神经元调制（b），红实线是 actuator、黑虚线是已断开的操纵杆——手还在比划（BCWH），但放电率（按 s.d. 归一）与 actuator 运动的关系在 RAT/UAT/NAT 三种刺激背景下同样稳定，方向调谐没有被伪迹或 S1-M1 干扰抹掉。(c, d) 主动控制（c）与被动观察（d）的对比：黑线是实际位置，红线是解码器离线重建——猴子只是看着 actuator 动时，M1 同样携带足够的运动信息，重建精度与手控时相当。这两组结果一个撑住闭环可行性，一个为"假肢可被纳入 body schema"提供后续分析的依据。
讨论与解读边界
实验将接触事件转成可辨别的刺激模式，而不只是预先给一条动作指令。行为学习、探索时间和去除刺激的对照共同支持动物确实使用了 ICMS 线索。这里的“人工纹理”指刺激模式定义的类别，不表示它已重现自然皮肤纹理的知觉。
需要区分手控、仍握操纵杆的脑控和移除操纵杆的脑控条件。不能把所有结果都描述为完全没有身体运动；图 4 的 BCWH 条件中手仍可运动。M1 调谐大体保留支持系统可用，并不证明刺激对神经处理毫无影响。动作观察时能解码轨迹也不是身体所有权的证据。解码器可从手控或被动观察数据训练，原笔记“始终从手控数据拟合”的说法不完整。
思考问题
- 将 ICMS 模式随机映射到不同纹理标签后，动物学到的是接触感觉、抽象类别，还是二者都有？
- 在真正的抓握与力控制任务中，接触时刻、接触位置和力大小分别需要多大的反馈带宽？