脑机接口（BCI）是使运动障碍者（例如瘫痪者）仅凭自己的思想即可控制假肢，计算机光标和其他接口的设备。在临床环境中使用的BCI面临的最大问题之一是神经记录本身的不稳定性。随着时间的流逝，BCI拾取的信号可能会发生变化，并且这种变化的结果是个人可能会失去控制其BCI的能力。

由于失去控制，研究人员要求用户进行一次重新校准会话，这要求他们停止正在做的事情，并重置其心理命令和正在执行的任务之间的连接。通常，要使系统正常工作，需要另外一名技术人员。

“试想一下，如果每次我们想要使用手机以使其正常工作时，我们都必须以某种方式校准屏幕，以便它知道我们指向的是屏幕的哪一部分，”以前曾担任博士学位的威廉·毕晓普（William Bishop）说。 CMU机器学习系的学生和博士后研究员，现在是Janelia Farm Research Campus的研究员。“ BCI技术的当前水平就是这样。为了使这些BCI设备正常工作，用户必须进行频繁的重新校准。因此，这给用户以及维护设备的技术人员带来极大的不便。 ”

论文“基于神经流形对齐的稳定的脑机接口”提出了一种机器学习算法，该算法考虑了这些变化的信号，并允许个体在存在这些不稳定性的情况下继续控制BCI。通过利用神经种群活动存在于低维“神经流形”中的发现，研究人员可以在存在记录不稳定性的情况下稳定神经活动，以维持良好的BCI性能。

CMU的电气和计算机工程博士后研究员Alan Degenhart解释说：“当我们说“稳定化”时，我们的意思是我们的神经信号是不稳定的，可能是因为我们跨时间记录了来自不同神经元的信号。“我们已经找到了一种方法，可以跨时间获取不同数量的神经元，并利用它们的信息从本质上揭示大脑中正在进行的计算的共同情况，从而尽管出现神经不稳定也可以保持BCI的校准。”

研究人员并不是第一个提出自我校准方法的人。长期以来，不稳定的神经记录问题一直悬而未决。一些研究提出了自校准程序，但是面临着处理不稳定的问题。本文提出的方法能够从灾难性的不稳定性中恢复，因为它在重新校准期间不依赖于对象的良好表现。

CMU的电气与计算机工程和生物医学工程教授拜伦·于（Byron Yu）解释说：“让我们说不稳定程度如此之大，以至于受试者不再能够控制BCI。” “在这种情况下，现有的自我校准程序可能会遇到困难，而在我们的方法中，我们证明了它可以在许多情况下从那些灾难性的不稳定性中恢复过来。”

皮特大学神经生物学的博士后研究员艾米丽·奥比说：“神经记录的不稳定性没有得到很好的描述，但这是一个很大的问题。” “我们没有很多文献可以指出，但是，有趣的是，许多从事BCI临床研究的实验室不得不非常频繁地处理这个问题。这项工作有可能极大地提高BCI的临床生存能力，并且以帮助稳定其他神经接口。”

该论文的其他作者包括CMU的生物医学工程和神经科学研究所的史蒂夫·蔡斯（Steve Chase），生物工程学的副教授Pitt的Aaron Batista和神经外科的副教授Elizabeth Tyler-Kabara。这项研究由Craig H Neilsen基金会，美国国立卫生研究院，DSF慈善基金会，美国国家科学基金会，宾夕法尼亚州健康研究部门和西蒙斯基金会资助。