我们认为，额外的机器人肢体可能是一种新的人体增强形式，可以提高人们在已经可以完成的任务上的能力，以及扩展他们的能力，去做他们无法用自然人体完成的事情。如果人类可以很容易地增加和控制第三只手臂、第三条腿或更多的手指，他们可能会在超出这里提到的场景的任务和表演中使用它们，发现我们甚至无法想象的新行为。
人类增强的水平
近几十年来，机器人肢体取得了长足的进步，其中一些已经被人们用来增强自己的能力。大多数都是通过操纵杆或其他手动控制来操作的。例如，这就是生产线上的工人如何挥舞机械臂来握住和操纵产品组件。同样，进行机器人手术的外科医生坐在病房对面的控制台上。虽然外科手术机器人可能有四个手臂，上面装有不同的工具，但外科医生的手一次只能控制其中两个。我们能给这些外科医生同时控制四种工具的能力吗?
截肢或瘫痪的人也可以使用机器人肢体。这包括坐电动轮椅的人控制机械臂椅子的操纵杆和那些失去四肢的人控制假肢通过它们剩余肌肉的运动。但真正的意念控制假肢还是很少见的。
如果人类可以轻松地添加和控制第三只手臂，他们可能会将它们用于我们甚至无法想象的新行为。
大脑控制义肢的先驱是患有四肢瘫痪美国人的颈部以下经常瘫痪。其中一些人大胆地自愿参加大脑植入物的临床试验，使他们能够控制机械肢体仅凭思想发出心理指令，让机械臂把饮料端到嘴边，或者帮助完成日常生活中的其他任务。这些系统属于脑机接口(BMI)的范畴。其他志愿者使用BMI技术控制计算机光标，使他们能够输入消息，浏览互联网，等等。但大多数BMI系统都需要通过脑部手术来植入神经植入物，而且还包括从颅骨突出来的硬件，这使得它们只适合在实验室中使用。
人体的增强可以被认为有三个层次。第一级增强现有的特征，就像动力外骨骼一样赋予佩戴者超强的力量．第二级给人一个新的自由度，例如能够移动第三只手臂或手臂第六个手指但这是有代价的——例如，如果额外的附属部分是由脚踏板控制的，用户就牺牲了脚的正常活动能力来操作控制系统。第三个层面的增强，也是技术上最不成熟的，给用户一个额外的自由度，而不剥夺身体其他部分的移动能力。这样的系统将通过利用一些未使用的神经信号来控制机械臂，使人们能够正常地使用他们的身体。这是我们在研究中探索的层面。
破译肌肉电信号
第三级人体增强可以通过侵入性BMI植入物实现，但对于日常使用，我们需要一种非侵入性的方式来接收来自颅骨外的大脑命令。对于许多研究小组来说，这意味着依靠可靠的方法脑电描记法(脑电图)技术，该技术使用头皮电极来接收大脑信号。我们的团队正在研究这种方法，但我们也在探索另一种方法:使用肌电描记术(肌电图)肌肉产生的信号。我们花了十多年的时间来研究皮肤表面的肌电图电极是如何检测肌肉发出的电信号的，然后我们可以解码这些电信号来揭示脊髓神经元发出的命令。
电信号是神经系统的语言。在整个大脑和周围神经中，当细胞内形成某种电压(大约几十毫伏)时，神经元就会“放电”，并导致动作电位沿轴突传递，在与其他神经元的连接处或突触处释放神经递质，并可能触发这些神经元依次放电。当这种电脉冲由脊髓中的运动神经元产生时，它们沿着轴突传播，一直到达目标肌肉，在那里它们穿过特殊的突触到达单个肌肉纤维，并导致它们收缩。我们可以记录这些电信号，这些电信号编码了用户的意图，并将它们用于各种控制目的。
然而，根据表面肌电图所能读取的信息来破译个体神经信号并不是一项简单的任务。一块典型的肌肉接收来自数百个脊髓神经元的信号。此外，每个轴突在肌肉上都有分支，并可能与分布在肌肉各处的一百多个肌肉纤维相连。体表肌电图电极对这种不和谐的脉冲进行采样。
非侵入性神经接口的突破是2010年发现的高密度肌电图(在高密度肌电图中，数十到数百个电极固定在皮肤上)接收到的信号，可以被解开它提供了脊椎中单个运动神经元发送命令的信息。这些信息以前只能通过侵入性的肌肉或神经电极来获得。我们的高密度表面电极在多个位置提供了良好的采样，使我们能够识别和解码参与任务的相对较大比例的脊髓运动神经元的活动。我们现在可以实时进行，这表明我们可以开发基于脊髓信号的无创BMI系统。
一块典型的肌肉接收来自数百个脊髓神经元的信号。
目前我们的系统由两部分组成:训练模块和实时解码模块。首先，将肌电图电极网格连接到皮肤上，用户进行轻微的肌肉收缩，我们将记录的肌电图信号输入训练模块。这个模块执行识别组成肌电图信号的单个运动神经元脉冲(也称为峰值)的艰巨任务。该模块分析了肌电图信号和推断出的神经刺突之间的关系，并将其总结为一组参数，然后可以使用一个更简单的数学公式将肌电图信号转换为来自单个神经元的刺突序列。
有了这些参数，解码模块就可以获取新的肌电图信号，并实时提取单个运动神经元的活动。训练模块需要大量的计算，并且本身执行实时控制速度太慢，但通常只需要在每次将肌电图电极网格固定在用户身上时运行一次。相比之下，解码算法非常高效，延迟低至几毫秒，这预示着可能实现自给自足的可穿戴BMI系统。通过将其结果与插入用户肌肉的两个侵入性肌电图电极同时获得的信号进行比较，我们验证了该系统的准确性。
利用神经信号的额外带宽
开发这种从脊髓运动神经元中提取信号的实时方法是我们目前控制额外机器人肢体工作的关键。在研究这些神经信号时，我们注意到它们本质上有额外的带宽。信号的低频部分(低于约7赫兹)被转换成肌肉力量，但信号也有较高频率的成分，比如在13到30赫兹的β波段，这些频率太高，无法控制肌肉，似乎没有被使用。我们不知道为什么脊髓神经元会发送这些高频信号;也许冗余是一种缓冲，以防出现需要适应的新情况。不管是什么原因，人类进化出了一种神经系统，其中脊髓发出的信号所包含的信息比指挥肌肉所需的信息要丰富得多。
这一发现促使我们思考如何利用备用频率。特别是，我们想知道我们是否可以利用这些无关的神经信息来控制机器人的肢体。但我们不知道人们是否能够主动控制这部分信号，与他们用来控制肌肉的那部分信号分开。所以我们设计了一个实验来找出答案。
在我们的第一个概念验证实验中，志愿者试图用他们多余的神经能力来控制电脑光标。虽然涉及的神经机制和算法很复杂，但设置很简单。每个志愿者坐在屏幕前，我们在他们的腿上放置了一个肌电图系统，64个电极在一个4乘10厘米的贴片上，贴在他们的小腿上胫前肌当脚收缩时，它会使脚向上弯曲。胫骨一直是我们实验的主力:它占据了靠近皮肤的大片区域，它的肌肉纤维沿着腿分布，这使得它非常适合解码支配它的脊髓运动神经元的活动。
这是由低频率和高频率的神经信号分别控制计算机光标的水平和垂直运动的实验结果。彩色椭圆(中心加号)表示目标区域。上面的三个图表显示了一个用户在三次试验中为每个目标实现的轨迹(每个轨迹从左下角开始)。在底部，圆点表示在多次试验和用户中获得的位置。彩色的十字标记每个目标的平均位置和结果范围。来源:M. Bräcklein等，神经工程杂志
我们要求志愿者稳定地收缩胫骨，基本上保持紧张，在整个实验中，我们观察提取的神经信号的变化。我们将这些信号分成控制肌肉收缩的低频和β波段约20hz的备用频率，并将这两个组件分别连接到计算机屏幕上光标的水平和垂直控制。我们要求志愿者尝试在屏幕上移动光标，触及空间的所有部分，但我们没有，也确实无法向他们解释如何做到这一点。他们必须依靠光标位置的视觉反馈，让他们的大脑想出如何让它移动。
值得注意的是，在不知道自己在做什么的情况下，这些志愿者在几分钟内就掌握了任务，在屏幕上快速移动光标，尽管有些颤抖。从一个神经指令信号开始——收缩胫骨前肌——他们正在学习开发第二个信号来控制计算机光标的垂直运动，独立于肌肉控制(指示光标的水平运动)。我们很惊讶，也很兴奋，他们这么容易就找到了一个独立于自然运动任务的神经控制通道。但是我们也看到这种控制在实际应用中还不够精确。我们的下一步将是看看是否可以获得更准确的信号，以及人们是否可以使用它们来控制机械肢体，同时还可以进行独立的自然运动。
我们也有兴趣进一步了解大脑如何执行光标控制之类的壮举。在最近的一项研究中，我们使用了游标任务的变体，同时使用EEG来观察用户大脑中发生了什么，特别是在与自主控制运动相关的区域。我们兴奋地发现，到达肌肉的额外β带神经信号发生的变化与大脑水平上的类似变化密切相关。如前所述，beta神经信号仍然是一个谜，因为它们在控制肌肉方面没有任何已知的作用，甚至不清楚它们起源于哪里。我们的结果表明，我们的志愿者正在学习调节大脑活动，这些活动被作为β信号发送到肌肉。这一重要发现有助于我们解开这些β信号背后的潜在机制。
与此同时，在伦敦帝国理工学院，我们建立了一个系统，用额外的机械臂来测试这些新技术，我们称之为多肢虚拟环境，简称MUVE．除其他功能外，MUVE将使用户能够在虚拟现实模拟的场景中使用多达4个轻量级可穿戴机械臂。我们计划将该系统开放给世界各地的其他研究人员使用。
人类增强的下一步
将我们的控制技术连接到机械臂或其他外部设备是自然而然的下一步，我们正在积极追求这一目标。然而，真正的挑战不是安装硬件，而是确定多个控制源，这些控制源足够精确，可以用机器人身体部位执行复杂而精确的动作。
我们还在研究这项技术将如何影响使用它的人的神经过程。例如，如果一个人有六个月使用额外机械臂的经验，会发生什么?大脑天生的可塑性会使他们适应并获得一种更直观的控制吗?生下来就有六指手的人发育完全的大脑区域专注于控制额外的数字，导致特殊的操作能力。随着时间的推移，我们系统的用户是否能发展出与之相当的灵活性?我们也想知道控制额外的肢体会有多少认知负荷。如果人们只有在实验室环境中集中注意力时才能控制这样的肢体，那么这项技术可能就没什么用了。然而，如果用户可以在做三明治等日常工作时随意使用另一只手，那么这就意味着这项技术适合日常使用。
不管是什么原因，人类进化出了一种神经系统，其中脊髓发出的信号所包含的信息比指挥肌肉所需的信息要丰富得多。
其他研究小组也在研究同样的神经科学问题。一些人正在试验基于头皮的脑电图或神经植入的控制机制，而另一些人则在研究肌肉信号。运动增强技术还处于早期阶段，世界各地的研究人员才刚刚开始解决这一新兴领域的最基本问题。
两个实际的问题凸显出来:我们能否在自然运动的同时实现对额外机器人肢体的神经控制，以及系统能否在没有用户专属注意力的情况下工作?如果这两个问题中的任何一个答案是否定的，我们就不会有一个实用的技术，但我们仍然有一个有趣的新工具来研究运动控制的神经科学。如果这两个问题的答案都是肯定的，我们可能已经准备好进入一个人类增强的新时代。现在，我们(生物学上)的手指交叉。
乔伊Ikemoto
JT麦克米伦
训练模块[橙色]取电极阵列[左]读取的首批肌电图信号，确定如何提取单个神经元的信号，并在数学上总结为分离矩阵等参数。有了这些工具，实时解码模块[绿色]可以有效地从持续的肌电图信号流中提取单个神经元的峰值序列，或“峰值序列”[右]。克里斯Philpot
一名志愿者利用未使用的神经带宽来指导她面前屏幕上光标的运动。神经信号从她的大脑通过脊髓神经元传递到胫骨的肌肉，在那里它们被腿上的肌电图(EMG)电极阵列读取并实时破译。这些信号包括控制肌肉收缩的低频成分(蓝色)，没有已知生物学目的的高频成分(β波段，黄色)，以及噪声(灰色)。克里斯Philpot;来源:
这是由低频率和高频率的神经信号分别控制计算机光标的水平和垂直运动的实验结果。彩色椭圆(中心加号)表示目标区域。上面的三个图表显示了一个用户在三次试验中为每个目标实现的轨迹(每个轨迹从左下角开始)。在底部，圆点表示在多次试验和用户中获得的位置。彩色的十字标记每个目标的平均位置和结果范围。来源: