海南大学/浙江大学：植入式脑机接口信号质量下降后，什么特征更“扛得住”？

海南大学/浙江大学：植入式脑机接口信号质量下降后，什么特征更“扛得住”？图1

信号衰减是植入式脑机接口（intracortical brain–computer interface, iBCI）面临的一大难题。植入式脑机接口要真正走向长期使用，难点并不只在于能不能解码，还在于：当植入电极逐渐失效、神经信号幅度下降、前端噪声升高时，解码器还能否保持可靠？

在短期实验中，研究者可以使用状态良好的电极和较为理想的信号；但在长期植入场景里，电极—组织界面、封装与连接、采集前端以及生理状态都可能随时间变化。可用电极减少、细胞外动作电位幅度下降、噪声底抬升，都会改变送入特征提取模块的神经电压。对于同一段神经活动，不同特征表示未必以相同方式受到影响。

近日，海南大学脑机芯片神经工程团队梁丰研、殷明教授与浙江大学求是高等研究院张韶岷研究员的论文“Robustness of Spiking-Band Power versus Threshold-Crossing Features under Controlled Signal Degradation in Intracortical Brain-Computer Interfaces” 被 MIND 2026 接收。论文将同一批真实植入式神经记录放在统一框架下，分别施加可控的信号退化，再比较两类常用特征：阈值穿越计数（threshold-crossing count, TC）与尖峰频段功率（spiking-band power, SBP）。

核心问题很直接：当信号质量下降时，SBP是否比TC更能保留运动方向信息？把两者直接融合，是否一定更好？

研究为什么重要：长期iBCI的信号衰减不能只看电极数量

植入式阵列的长期变化至少有三种层面：

1. 信号可用性下降：部分电极或连接不可用，空间采样点减少；

2. 信号质量下降：电极—组织界面和采集链路变化，可能造成动作电位幅度降低或噪声底升高；

3. 模型与当前信号不匹配：即使神经活动仍有信息，原先拟合好的解码器也可能不再适配新的输入分布。

这三类问题在真实记录中常常同时发生。跨日期比较可以观察到性能变化，却很难单独回答“究竟是哪一种退化导致了下降”。本研究采用受控退化策略：在相同的真实记录、相同的行为任务、相同的训练与测试框架中，只改变输入信号的某一个属性，从而更直接地比较 TC 和 SBP 的抗退化能力。

这里的“信号衰减”不是一句笼统的描述，而被拆成了三个可重复的实验操作：电极失效、输入端高斯噪声、TC 频段结构成分替换。

实验设计：一只猕猴、96 通道阵列、2,108 个运动试次

实验数据来自一只雄性猕猴。研究者在初级运动皮层（M1）植入 96 通道 Utah 微电极阵列，记录采样率为 30 kHz，植入后约 6 个月开展记录。

任务是经典的八方向center-out 任务：猕猴通过操纵杆控制光标，从中心位置移动到位于 45° 间隔的八个外围目标。目标方向作为八分类标签。数据覆盖 6 个记录日期、80 个 sessions，共 2,108 个有效试次；八个方向的试次数大致均衡。预筛查剔除了 5 个不符合标准的通道，后续分析固定使用 91 个通道。

这种设置有两个优点：一是任务标签清晰，便于量化运动方向解码；二是所有特征都从同一批真实神经电压中提取，避免数据来源差异影响比较。

图1｜实验与解码流程。原始 M1 植入式记录作为参考输入，或分别经过电极失效、输入端高斯噪声、TC 频段结构成分替换；随后重新进行共平均参考（CAR），提取 TC、SBP 或二者的直接融合特征，并在相同的解码框架下评估。

两类特征差在哪里？

1. TC：把神经电压变成“有没有越过阈值”的事件计数

TC 首先对 250–5000 Hz 的信号进行因果带通滤波，然后使用基于 RMS 的阈值检测负向穿越事件，并设置 1 ms 不应期。目标出现后的 0–800 ms 被划分为 40 个不重叠的 20 ms 时间窗，每个时间窗统计穿越次数。

它的优势是计算直观、事件驱动，适合在线处理，也可能降低传输和计算负担。但它把连续电压压缩成了离散事件：当一个动作电位幅度接近阈值时，轻微的幅度下降可能让事件“消失”；噪声升高也可能制造额外的阈值穿越。

2. SBP：保留尖峰相关频段中的连续幅度信息

SBP 使用 300–1000 Hz 的因果带通信号，在同样的 20 ms 时间窗内计算平均绝对幅度。与 TC 不同，SBP 不要求单个波形必须跨过固定阈值，而是保留一个频段内的连续幅度信息。

这意味着，当低信噪比单元的尖峰不再稳定越过阈值时，SBP 仍可能从整体的尖峰相关频段活动中获得信息。这是论文观察到 SBP 更耐受信号退化的一个可能解释；但作者也明确指出，本文并未直接验证具体的生理机制。

3. 融合特征（Fusion）：把 TC 和 SBP 直接拼接

融合特征没有引入额外特征选择或加权，而是把同一试次的TC 和 SBP 直接拼接，再送入相同的分类器。这样的设计很克制：它可以回答“增加另一类特征是否稳定带来增益”，而不是把结果归因于复杂的融合策略。

三种退化操作，分别对应哪些植入式系统问题？

退化一：随机或空间集中的电极失效

研究者把选定电极视为不可用，并在重新进行CAR 和特征计算前移除它们。随机失效测试了 10、30、60 个不可用电极；空间集中失效则依据 Utah 阵列的二维布局，从预设位置向邻近区域集中移除电极。

这对应植入式系统中电极、连接或局部通道失效的情形。它主要减少的是空间采样：问题不一定是剩余电极的波形变差，而是“能看到神经活动的位置变少了”。

退化二：输入端高斯噪声

研究者在每个通道上加入零均值高斯白噪声，设置归一化噪声尺度r=0.25、0.5、1、2。需要注意，r 是相对于参考 RMS 的归一化参数，不是物理意义上的信噪比，也不等同于电极阻抗翻倍。r=2 表示加入噪声的 RMS 达到参考 RMS 的两倍。

这一操作近似了电极或采集前端噪声升高的情况，也直接考验特征对噪声底抬升的耐受性。

退化三：TC 频段结构成分替换

第三种操作更“针对性”：研究者逐步降低原始 250–5000 Hz 频段结构的保留程度，同时尽量维持边际能量。保留源成分的权重 α 从 1 降到 0.75、0.50 和 0.25。α 越小，原始结构被替换得越多。

它所模拟的是：频段里仍可能有相近的总体幅度，但原本与运动相关的结构被破坏。换句话说，“能量还在”不代表“可解码的信息还在”。

统一解码框架：先问特征是否稳健，再看模型是否更新

所有表示都使用同一个shrinkage LDA 分类器，并在训练折内部完成标准化，避免测试数据泄漏。主分析采用同日跨 session 的三折 session-disjoint out-of-fold 评估：完整 session 被分配到训练集或测试集，同一 session 内的试次不会被拆到不同集合。

主结果采用condition-specific retraining，即在当前退化条件下重新拟合特征标准化参数和分类器。研究者同时保留了“直接使用原模型”的支持性分析。原模型指使用未施加退化的数据训练的模型。这两种设置用来区分两件事：

当前退化条件下，特征本身还能不能支持解码；
原来的模型不更新，直接迁移到退化输入时会损失多少。

此外，作者进行了leave-one-date-out（LODO）分析，用 5 个记录日期训练、剩余 1 个日期测试，并轮换留出日期。LODO 主要用于展示跨日期异质性。

核心痛点结果：SBP 在同日受控退化中始终超过 TC

1. 参考输入下，SBP 已经优于 TC

在没有额外退化的参考输入上，TC、SBP 和 Fusion 的八方向分类准确率分别为：TC：0.6788、SBP：0.7192、Fusion：0.7419。

即使在相对理想的输入下，连续的尖峰频段幅度信息也为解码提供了更强的表现基础。

2. 电极失效越严重，TC 下降越明显

当随机失效达到60 个不可用电极时，准确率为：TC：0.4725 ± 0.0591、SBP：0.5860 ± 0.0345、Fusion：0.6046 ± 0.0362。

空间集中的失效也呈现相同的特征排序。60 个电极不可用时，三种方法分别为 0.4983 ± 0.0592、0.5645 ± 0.0684 和 0.6067 ± 0.0564。随着失效数量增加，空间位置对性能的影响范围也变大，说明“坏掉多少个电极”之外，“坏掉在哪里”同样重要。

3. 噪声升高时，TC 的性能跌幅最大

在最强输入端高斯噪声（r=2）下：TC：0.3695、SBP：0.5925、Fusion：0.5849。

TC 相比参考输入下降了约 0.31，而 SBP 仍保持在约 0.59。直接融合在较弱噪声下有优势，但在最强噪声下反而略低于 SBP，说明“增加 TC”并不自动等于“增加鲁棒性”。

4. 当原始 TC 频段结构被替换，SBP 仍能保留更多信息

在α=0.25 的最强结构成分替换下：TC：0.4345、SBP：0.6475、Fusion：0.6466。

此时SBP 比 TC 高出 0.2130；Fusion 与 SBP 几乎持平，但没有继续提高。该结果尤其值得关注：即使原始 TC 频段中的结构信息被显著削弱，只要连续频段幅度仍保留一部分与运动相关的统计信息，SBP 仍可能维持较高的解码准确率。

图2｜受控信号退化下的解码表现。蓝色为 TC，橙色为 SBP，绿色为 Fusion。上排依次为随机电极失效、输入端高斯噪声和 TC 频段结构成分替换；下排展示空间集中失效、融合模型更新前后差异以及 LODO 条件下 SBP 相对 TC 的表现差异。虚线水平线为八分类的机会水平 0.125。

重新训练改善“当前条件下的绝对性能”

在最强随机电极失效下，融合特征使用参考输入模型时的准确率为0.3936；在当前退化条件下重新训练后，提高到 0.6046。在 α=0.25 的结构替换条件下，准确率从 0.2889 提高到 0.6466。

这说明模型更新非常重要，但也要正确理解它的作用：

重训练可以让解码器适应当前输入分布；
重训练不能让已经失效的电极重新工作；
重训练结果依赖于是否能获得当前条件下的标注数据。

因此，论文的主曲线回答的是“在有当前条件标注、允许重训练时，哪类特征更稳健”。对于真正的长期植入式系统，在线校准、自适应更新和安全回退机制仍是必须单独研究的问题。

跨日期结果中的特征性能差异

LODO 结果显示，特征优势会随记录日期变化。在最强随机电极失效下，SBP 相对于 TC 的 balanced accuracy 差异在 6 个日期中只有 3 个为正，平均差异为 −0.0134；而在最强 TC 频段结构替换下，6 个日期中有 5 个为正，平均差异为 0.1066。

这意味着：同日受控退化下观察到的SBP 优势，不应被直接推广为所有跨天、跨动物、跨解码器条件下的固定规律。长期 iBCI 中，神经活动、行为状态、通道组合和信号质量可能共同改变特征性能差异。

论文的结论限定在当前证据范围内：一只猕猴、6 个记录日期、一个线性分类器、离线八方向分类。未来还需要在更多动物、长期连续记录、非线性/时序解码器及闭环控制中验证这一趋势，并同时考虑准确率、稳定性、延迟和功耗。

对植入式脑机接口系统设计的启示

启示1：特征选择本身就是鲁棒性设计

当系统面向长期植入使用时，不能只在“信号最好的那一天”比较特征。应把电极失效、噪声升高、带内结构改变等因素纳入特征评估。特征提取模块不是被动的预处理环节，而是决定系统如何面对信号衰减的重要设计选择。

启示2：连续幅度特征值得纳入长期 iBCI 基准测试

SBP 并非在所有场景都必然优于 TC，但本研究的同日结果显示，它在三类受控退化下都比 TC 更稳定。对于植入式无线系统，SBP 还具有低功耗连续特征的研究基础；与此同时，TC 的事件驱动计算和传输优势也不能忽略。最终方案应把鲁棒性与功耗、延迟、带宽和校准成本放在同一张设计表中权衡。

启示3：融合特征必须与最强单特征比较

把多个特征直接拼接并不保证收益。论文中融合特征在多数条件下表现最好，但在最强高斯噪声和最强TC 频段结构替换下低于 SBP。因此，融合策略需要和其中表现最强的单一特征逐条件比较，而不能只与较弱的基线比较。

启示4：评估“信号保留”“当前可解码性”“模型迁移”三个指标

长期系统报告性能时，建议区分：

电极/信号还保留多少；
在当前条件重新训练后还能解码多少；
不更新原模型直接运行时还能维持多少。

三者分别对应硬件健康度、当前状态下的可解码性和模型迁移能力。把它们混成一个准确率数字，容易误判系统到底哪里出了问题。

结语

这篇工作的价值，不只是报告“SBP 的准确率更高”，更在于它把植入式脑机接口中常见但容易混在一起的信号衰减问题拆开来测试：电极少了、噪声大了、频段结构变了，特征表示的损失路径可能并不相同。

在本文的受控同日离线实验中，SBP 在每一个测试退化水平上都超过 TC；直接融合则没有稳定超过 SBP。对面向长期iBCI 而言，这提示我们：鲁棒性不是解码器最后才补上的属性，而应从信号特征、模型更新和系统评估协议一开始就共同设计。

论文局限性：这些结论来自一只猕猴、6 个记录日期和一个线性分类器，尚不能替代跨动物、跨日期、跨硬件和闭环在线验证。真正可靠的植入式脑机接口，需要在信号衰减持续发生的现实条件下，证明它能够长期工作。

2026年机器智能与自然启发计算国际会议（MIND）会议由重庆大学、中科院自动化所、香港理工大学等单位主办，将于2026年11月13日-15日于重庆举行。

本项目获得科技部科技创新2030-“脑科学与类脑研究”重大专项、国家自然科学基金等项目的支持。

论文信息：Robustness of Spiking-Band Power versus Threshold-Crossing Features under Controlled Signal Degradation in Intracortical Brain-Computer Interfaces

作者信息：Yuwen Huang, Yi Lin, Peng Yuwen, Long Chen, Fengyan Liang, Ming Yin, and Shaomin Zhang

END

来源 | 海南大学&浙江大学团队

运营 | 罗卜

审核 | @脑机学苑