无创脑机接口公司最稀缺的，可能不是神经解码算法，而是5.9万个“正常人”的数据

关注上方<脑机观澜>，不迷路

很多团队在解码精度上花了大功夫，EEG伪影去除、fNIRS信号增强、自适应滤波。

但到了临床验证环节，卡在一个很朴素的问题上：刺激发出去了，行为变化也测到了，但怎么确定这个变化是刺激带来的，而不是患者今天本来就状态好一点？

没有参照系，就没办法归因。

2026年4月27日，Nature Medicine上线了一篇论文，提供了一个目前规模最大的参照系。

美国国立卫生研究院的All of Us计划释放了59,018名参与者的Fitbit可穿戴设备数据，14年跨度，3,900万条步数观测，3,100万条睡眠观测，46%关联了电子健康记录、体格测量和问卷数据。

图1：Fitbit数据可用性的时间与地域分布

这套数据没有一条神经信号，但它恰好回答了一个无创脑机接口行业长期没解决的问题。

一个卒中患者在医院做完20次经颅直流电刺激，出院回家后，每天能走多少步、睡得好不好、上肢活动频率有没有变化，这些信息，设备不知道，医生看不见，下次门诊是三个月后。

All of Us正好补上了这个缺口。

5.9万人逐日记录的步数、睡眠、心率，让研究者第一次能系统性地回答：普通人日常行为的波动范围到底有多大？ 天与天之间差多少算正常？连续偏离基线多久算异常？

论文用一个骨折患者子集验证了这套数据的敏感性，骨折后步数断崖式下跌，恢复期缓慢回升，整个过程被手环完整记录。

行为数据可以追踪功能恢复的动态轨迹。

对无创脑机接口公司来说，这套数据可以从两个层面直接帮上忙。

第一，拿它当标尺。

公司自己设备产出的行为数据，直接和All of Us的人群基线做对照。

一个卒中患者刺激后步数从2000恢复到3500，对照一下同龄、同性别、同基础活动水平的人，这个3500落在正常区间的什么位置？ 

如果已经回到正常范围的下沿，刺激效果就不只是"统计上显著"，而是功能上有意义。

这个对照不需要复杂建模，成本很低。

第二，拿它当训练集。

用这套数据训练 行为轨迹→功能恶化风险 的预测模型，再和自己采集的神经信号结合。

举个例子：步数连续7天低于个人基线20%以上的人，后续3个月内因跌倒就诊的风险高出多少？

这个规则可以从All of Us里学出来，然后部署到自己的设备上，当神经信号出现异常时，用行为数据做交叉验证，减少误报。

标尺和训练集，解决的是 "数据有了之后怎么用" 的问题。

但直接拿来用之前，得先认清这套数据的局限。

边界一：有偏。

WEAR研究虽然免费发放Fitbit设备，但愿意加入All of Us并坚持佩戴14年的人，健康意识天然和普通人群有差异。

从这套数据算出来的"正常步数区间"，直接外推到神经疾病患者身上会失真。

边界二：设备异构。

不同型号的Fitbit传感器精度、采样频率、算法版本都不一样。论文只整理了设备目录，没给跨型号校准方案。

看到的步数变化，可能是真实改善，也可能只是设备换代造成的假象。

边界三：数据已加工。

拿到的是步数、睡眠阶段这些汇总指标，不是原始加速度波形。

步态变异性、上肢活动模式这类精细运动学特征，提取不出来。

这些限制意味着：标尺可以用，但要清楚标尺的刻度本身有偏差；训练集可以用，但模型迁移到患者群体时要重新验证泛化性。

边界划完之后，这套数据的价值其实还有一个更间接的层面，拿它当锚点，倒逼自己的数据采集质量。

很多无创脑机接口公司在采集行为数据时用的是自家设备，采样频率、特征定义各不相同。做了几个月发现数据没法用，要么缺失太多，要么定义跟临床终点对不上。

All of Us的字段定义和数据清洗流程是公开的。 在启动采集之前参照它，能让数据从第一天开始就具备可比较性，避免做了一堆功才发现要推倒重来。

最后一个问题：All of Us计划的目标是100万人，5.9万只是中间站。当行为基线数据逐渐成为公共品，无创脑机接口公司的护城河在哪？

可能不在算法上。解码模型迭代速度快，开源社区追得紧，这不是谁能长期锁死的优势。

分水岭可能在这：你的设备能把神经信号和行为响应在同一个时间刻度上对齐得多准？

同一个患者，同一个下午3点：

•  你的EEG读到了什么信号

•  手环记录了多少步

• 患者自己感觉怎么样

这三层数据绑在一起，才能回答 "刺激到底有没有产生功能意义上的变化"。

All of Us给的是 "普通人应该什么样" ，你自己的数据回答的是 "我的患者变成什么样了" 。

前者可以借用，后者只能自己攒。公共品解决基线问题，对齐问题必须自建。

这个区别值得想清楚。