尽管全球侵入式脑机接口临床转化正在加速，但截至目前已使用这一技术的人群才上百人。作为最有潜力规模化应用的非侵入式方案之一——运动想象脑机接口正受到各界人士的青睐。最近，我们看到一些基于运动想象的非侵入式脑机接口康复方案已经进入了医院，主要用于脑卒中/脊髓损伤后肢体的运动功能障碍；在近日海南大学等团队发表的有关中国脑机接口临床转化的全景分析中，针对运动障碍康复的运动想象脑机接口的临床试验占了很大的比例；另外，在一些治疗康复指南或专家共识中也给出了较好的推荐评级。
运动想象是一种内源性脑电信号，不依赖于外界刺激。受试者不需要做出实际的肢体动作，仅大脑中想象手、脚等的运动，非侵入式脑机接口设备即可采集到大脑的运动想象信号、解码出运动意图，并转换为外部设备的控制指令。由于其解码的信号来自感觉运动皮层，以此构建的康复闭环系统有利于与运动功能相关的神经重塑。但长期以来，这类脑机接口新手的上手难度较高，实际使用过程中校准时间长、操控精度较差、易疲劳，还没有达到“颠覆性”的技术拐点。
运动想象 ©Embodiedbraintech
7月15日，卡内基梅隆大学贺斌教授团队在《自然・通讯》发表了最新研究，提出一套触觉引导人机协同学习框架，能够让从未接触脑机接口的普通人快速掌握脑控操作，并大幅提升训练效率与长期控制稳定性，构建出可规模化、稳定性强、通用性广的神经交互体系，实现了脑机接口领域重大的科技突破。
在本次研究中，团队首次搭建感官（触觉）引导式联合学习框架，实现人机两种学习模式的深度统一。通过加入结构化触觉引导规范用户操控思维，搭配自适应算法筛选有效神经信号，成功将人类神经可塑性与机器解码器优化精准适配。
人机协同学习框架、实验范式与实验流程结构 ©Nat Commun
研究团队招募31名无脑机接口使用经验的健康受试者，将其分为三组开展对照实验：15人进入触觉引导协同学习实验组，8人仅全程接收固定振动触觉刺激，另外8人采用传统BCI2000无触觉训练方案，后续还增设8人使用普通EEGNet解码器的补充对照组。整套实验分为6个训练阶段，从简单一维左右手控制，逐步升级至包含上下维度的二维光标操控，完整记录受试者在线控制精度、神经信号变化与模型解码损失，直观对比不同训练模式的学习效果。
从量化结果来看，这套全新框架的性能优势十分突出。实验组受试者一维运动想象任务在线离散准确率最高达到86.0%，连续控制精度77.5%；难度更高的二维光标任务中，离散准确率77.5%，连续控制精度66.9%。对比基线数据，实验组单次训练周期内控制精度平均提升19.0%，仅使用触觉刺激的对照组提升6.3%，传统方案仅提升3.0%。
统计检验显示，从第二个训练阶段开始，实验组各项指标均显著优于另外两组，二维复杂任务中的性能差距进一步拉大，证明触觉协同机制能适配高维度脑控场景。
这套框架的核心创新来自双向协同优化设计，一方面依靠自适应振动触觉刺激引导使用者，另一方面配套样本加权解码算法同步更新模型。算法层面的样本加权机制与人脑学习过程形成完美匹配，系统会自动降低噪声、模糊神经样本在模型训练中的权重，重点强化触觉刺激后产生的清晰脑电特征。
贺斌教授指出：“通过融合神经科学与机器学习技术，我们的非侵入式脑机接口精度正不断逼近侵入式设备水平。该技术将强化学习驱动的神经可塑性与梯度优化式解码器相结合，突破了传统脑机接口依赖被动校准、单向反馈的训练局限。”
研究团队通过脑电时频分析，解开了触觉协同训练改善性能的神经底层机制。运动想象会引发感觉运动皮层α、β频段事件相关去同步（ERD），这是脑机解码的核心生理特征。实验组受试者在触觉引导训练后，对侧运动脑区 α、β频段去同步强度显著更高，α波段降幅达18.71%，β波段降幅24.07%，且训练结束撤除触觉刺激后，该神经激活模式仍能稳定维持。单纯触觉刺激组仅在振动出现时短暂产生注意力相关脑电变化，无法形成持续、类别的特异性神经信号。
脑机接口概念图 ©Quantum Zeitgeist
也就是说，这套框架带来的能力提升并非依赖触觉刺激的临时效果，而是能形成长期可留存的运动想象技能。实验在全部训练结束两个月后开展了复测，实验组整体控制精度保持稳定、部分测试项目精度甚至有所提升；而对照组都出现了明显下滑。这说明触觉引导真正完成了大脑运动想象策略的内化巩固。
零基础用户可快速、精准操控脑机接口，这对于技术落地具备极强的临床价值，破除了运动想象脑机接口临床应用的核心障碍，在神经康复、辅助沟通、义肢操控等领域拥有广阔应用前景。
贺斌教授表示，该框架可大幅降低训练门槛、提升神经交互效率，推动非侵入式脑机接口迈向规模化、日常化应用。这标志着脑机接口技术彻底告别高校准成本模式，转型为适配用户需求、具备实际落地价值的自适应神经交互系统。
该研究发表于7月15日《Nature Communications》期刊，合作研究者包括：第一作者、生物医学工程博士后Hanwen Wang，前生物医学工程实验室技术员Yisha Zhang，电气与计算机工程专业博士生 Maxim Karrenbach，生物医学工程专业博士生Yidan Ding。
Wang, H., Zhang, Y., Karrenbach, M. et al. Sensory-guided human-machine joint learning accelerates the acquisition of motor imagery brain computer interface control. Nat Commun 17, 6177 (2026). / Neuroscience News
