核心要点
- 问题/背景
- 这篇 Nature Neuroscience 论文把非侵入式 BCI 学习问题重新表述为神经流形几何中的可学习控制问题：人不是直接学某个离散信号，而是在可反馈的低维神经状态空间中学习移动。
- 方法/机制
- 作者利用 nonlinear neural manifolds 和实时 fMRI neurofeedback，让参与者学习控制来自认知脑区的非侵入式 BCI，并用该控制玩视频游戏式任务。
- 结果/证据
- 正式收录价值在于它把 human learning、neural manifold geometry 和 BCI control 合在一起，说明人类可以通过几何化反馈快速获得对内源脑状态的操作能力。对认知科学和 NeuroAI，它提供了学习可控表征空间的实验范式。
- 收录价值
- 它不是更高一级，因为系统仍依赖 fMRI neurofeedback 和特定任务设置，距离日常可部署 BCI 还有工程距离；但作为非侵入 BCI 学习机制论文，具有突破性。
原始摘要与中文对照
中文对照翻译
通过流形几何实现人类对无创脑机接口的学习。脑机接口 (BCIs) 有望恢复和增强人类能力。然而，由于用户学习缓慢且不一致，其应用受到了限制。我们发现，通过利用使用数据扩散提取的脑活动中自然存在的几何结构，即内在流形，可以加速BCI学习。参与者通过实时功能性磁共振成像进行训练，通过自我调节支持空间导航的脑区活动来控制视频游戏中的虚拟形象。我们扰动了脑活动与虚拟形象运动之间的映射，以测试神经流形如何限制人类BCI学习。当新的映射依赖于内在流形上显著方差的方向时，参与者通过沿着这些方向重新调整脑活动成功获得了控制。当新的映射不遵循内在流形时，参与者无法学会控制虚拟形象。这些发现揭示了高级脑区中的流形几何如何指导人类学习复杂的认知任务，为改进未来的神经技术提供了一个原则。
原始摘要
Brain–computer interfaces (BCIs) promise to restore and enhance human capabilities. Yet, their adoption has been limited by slow and inconsistent learning across users. We show that BCI learning is accelerated by leveraging the naturally occurring geometry, or intrinsic manifold, of brain activity, extracted using data diffusion. Participants were trained with real-time functional magnetic resonance imaging to control an avatar in a video game by self-modulating activity in brain regions supporting spatial navigation. We perturbed the mapping between brain activity and avatar movement to test how neural manifolds constrain human BCI learning. When new mappings relied on directions of significant variance on the intrinsic manifold, participants successfully gained control by realigning brain activity along these directions. When new mappings did not follow the intrinsic manifold, participants could not learn to control the avatar. These findings show how manifold geometry in higher-order brain regions guides human learning of complex cognitive tasks, identifying a principle for improving future neurotechnologies.