郑海荣院士团队：基于功能超声成像的脑机接口技术与应用

郑海荣院士团队：基于功能超声成像的脑机接口技术与应用图1

脑机接口通过读取脑活动信号实现大脑与外部设备的信息传递，其性能受限于神经接口模态在侵入性、空间精度、成像深度与长期鲁棒性之间的权衡。功能超声成像通过高灵敏度捕获神经血管耦合介导的全脑微血流动态，可无创且高分辨率地反映局部神经活动，为面向非侵入式的新一代脑机接口读取开辟了新路径。本文以“从脑血流成像到神经解码”为主线，系统综述功能超声成像的信号机制、脑功能检测与表征方法、脑机接口读取可行性及核心算法框架的研究进展。目前，功能超声成像已成功应用于精细脑功能图谱构建、运动意图解码及自然行为变量解析，展现出强大的神经解码潜力。未来，三维/四维实时成像、多模态协同融合及自适应在线解码等技术的发展，有望为高精度闭环无创脑机接口提供新方法。

引用格式：
YUE Wei, QUAN Hao, PAN Yue, YAN Shaoyuan, YU Ziwen, LI Xinjia, LIU Xiufang, NIU Lili, LI Fei, QIU Weibao, MENG Long, ZHENG Hairong. Functional Ultrasound Imaging-Based Brain-Computer Interface Technologies and Applications[J]. Journal of Integration Technology, 2026, 15(5): 1-23. DOI: 10.12146/j.issn.2095-3135.20260629001

引言

脑机接口 (brain-computerinterface，BCI) 的核心目标是在不依赖外周神经和肌肉输出的情况下，直接从脑活动中提取可用于外部设备控制、交流辅助、神经康复或闭环干预的信号[1-2]。从早期基于神经元群活动的运动控制研究，到瘫痪患者利用皮层神经信号控制光标、机械臂和文字输入系统，已有研究表明，大脑活动可以被转化为具有实际功能意义的输出[34]。然而，BCI 系统的性能并不只取决于解码算法，也取决于脑信号读取模态能否同时提供足够的信息量、稳定性、时间分辨率、空间定位能力和长期可用性。因此，如何在高性能神经读取与低侵入性之间取得平衡，始终是 BCI 走向长期应用和临床转化的关键问题。现有 BCI 读取技术各有优势，也存在难以避免的限制[5-6]。以皮层内微电极阵列和皮层脑电为代表的侵入式或半侵入式电生理方法能够在皮层内或皮层表面记录神经电活动[3, 7-8]，具有高时间分辨率和较高信噪比，是当前高性能运动 BCI 的重要基础[4, 9]。但这类方法通常需要手术植入，可能面临组织损伤、炎症反应、感染风险[10-11]、电极界面退化和长期信号稳定性下降等问题[12-13]。相比之下，头皮脑电 (electroencephalography，EEG) 具有非侵入、低成本和高时间分辨率等优势，但其信号易受颅骨和头皮容积传导影响[14-15]，空间定位能力有限，且对深部脑区活动不敏感[16]。功能性近红外光谱和功能磁共振成像(functionalmagneticresonanceimaging，fMRI) 能从血流动力学角度反映脑功能状态，但前者主要局限于浅表皮层[17]，后者设备庞大、成本高和运动限制强，难以满足日常化、便携式和实时闭环BCI 的需求[18]。随着 BCI 的任务类型从快速运动控制扩展到脑状态识别、运动意图预判、闭环康复和神经调控反馈等场景，大脑活动的读取模态不仅需要降低侵入性，还需要提供具有空间定位意义的脑区和脑网络状态信息。

为满足 BCI 对低侵入性和高空间定位能力的双重需求，功能超声成像 (functionalultrasoundimaging，fUSI) 逐渐被引入脑功能读取研究。fUSI 的兴起得益于超声成像由传统结构成像和大血管血流成像向超快微血流检测的发展。传统逐线扫描超声难以在较大视野内以高时间采样率记录脑微血管中的低速血流变化；而超快平面波成像、功率多普勒 (powerDoppler，PD) 检测和奇异值分解 (singularvaluedecomposition，SVD) 杂波滤波的发展使微弱脑血流信号能够从强组织背景中分离出来，并通过红细胞散射信号反映局部脑血容量 (cerebralbloodvolume，CBV) 变化[19-23]。由于局部神经活动能够通过神经血管耦合调节CBV 等脑血流动力学参数，因此 fUSI 从一般血流成像逐步发展为一种能够间接反映脑功能活动的高时空分辨率脑血流成像技术。与电生理或fMRI 等既有读取模态相比，fUSI 能在低侵入性下提供较高空间分辨率、较大脑区覆盖和具有空间定位意义的脑血流动力学信息，且有望发展为非侵入式 BCI 读取手段。其价值并不在于替代电生理信号对毫秒级神经放电的直接读取，而在于通过 CBV/PD 时空模式表征运动计划、行为状态和临床脑功能状态等相对慢变量。从应用历程来看，fUSI 的研究重点经历了从局部功能响应检测到脑网络表征，再到神经解码和 BCI 读取的逐步推进。早期研究表明，fUSI 能够检测大鼠触须刺激诱发的皮层和丘脑血流响应及癫痫样活动传播[24]。随后，fUSI 被用于视觉和听觉功能映射研究[25-27]，并进一步扩展至视动反射、静息态功能连接、功能模块和脑网络拓扑表征[28-32]。在人类应用方面，新生儿前囟推动了床旁脑功能监测和功能连接的研究[33-35]；术中开颅或去骨瓣的条件为成人脑功能定位和脑灌注监测提供了声窗[36-39]；声学透明颅窗则为重复性脑功能读取提供了新的技术路径[40]。进一步地，运动意图和行为状态解码研究显示，fUSI 脑血流时空模式不仅能够反映脑功能活动，还可以被进一步转化为具有 BCI 读取潜力的解码信号[41-42]。然而，fUSIBCI 仍处于早期阶段，未来仍需解决血流动力学延迟、成人颅骨声学限制、运动伪影、探头稳定性、跨时段配准、跨个体泛化和实时处理等问题[43-47]。因此，fUSI-BCI 的未来发展需要在脑血流成像、功能映射、神经解码和闭环反馈之间建立更完整的技术链条。

基于此，本文以“功能超声成像如何从脑血流成像发展为 BCI 读取模态”为主线展开综述，如图1所示。首先，介绍脑血流 fUSI 的物理基础与信号特征，阐明超快成像、PD 检测、SVD时空滤波和神经血管耦合在脑功能读取中的作用；其次，总结 fUSI 在事件相关响应检测、脑区和网络拓扑表征及人类临床应用中的研究进展，说明其对脑功能活动的检测与表征能力；再次，重点讨论 fUSI 在运动意图解码和自然行为变量读取中的应用，分析其作为 BCI 读取信号的可行性；最后，梳理 fUSI-BCI 的算法框架和未来方向，讨论三维/四维 fUSI、实时自适应解码、多模态融合和闭环超声 BCI 的发展方向。

功能超声成像的信号基础

功能超声成像之所以能够从传统超声血流成像发展为脑功能成像和潜在 BCI 读取技术，关键在于超快成像、微血流检测和神经血管耦合三者的结合。超快成像提供高时间采样率，时空杂波滤波和 PD 计算使微弱脑血流信号能够从强组织背景中分离出来，神经血管耦合为脑血流变化与局部神经活动之间的联系提供生理基础。本节将从超快超声成像与 fUSI 信号处理流程、神经血管耦合机制和超声定位显微成像 (ultrasoundlocalizationmicroscopy，ULM) 的微血管尺度解释 3 个方面，说明 fUSI 如何形成具有空间分布和时间动态的脑血流读取信号。

2.1 超快超声成像与功能超声成像信号处理流程

fUSI 的技术基础是超快超声成像。传统超声成像采用逐行聚焦扫描方式，需要多次发射才能合成完整图像，因而帧率受到限制。超快超声成像以平面波或发散波取代逐行聚焦发射，单次发射即可覆盖整个成像区域，可将原始成像帧率提升至千赫兹量级[20]。为了在高帧率下改善图像质量，平面波相干复合技术通过多个角度 θ 发射和相干叠加，提高图像分辨率和对比度[21-22]。Bercoff等[23]进一步提出并验证了超快复合多普勒成像，使高帧率成像能够用于血流动力学表征。

在获得连续的回波数据后，fUSI 通常经过波束合成、时空杂波滤波和 PD 计算形成脑血流图像序列，如图2所示。波束合成将原始通道数据重建为连续图像；基于 SVD 的时空杂波滤波利用组织、血流和噪声在空间相干性与时间动态上的差异，抑制强组织杂波，并保留低速微血流信号[19]；随后，对滤波后的信号进行 PD 计算，得到反映局部血流散射能量的图像。由于微血管内红细胞散射能量与局部脑血容量变化相关，因此PD 信号通常被用作 CBV 变化的近似表征。需要指出的是，CBV 变化是描述局部脑组织血液体积变化的生理学参数，而 PD 信号是经杂波滤波后由运动红细胞散射回波能量计算得到的超声观测量，二者并不等同。PD 信号在反映 CBV 变化的基础上，还会受声束入射角、杂波滤波策略、多普勒采样时间窗、探头频率和成像深度等因素影响。

fUSI 的空间分辨率、时间分辨率、成像视野、穿透深度与微血流检测灵敏度之间存在内在权衡，其综合成像性能取决于探头频率、阵列孔径、成像深度、平面波复合角度数、脉冲重复频率、多普勒采样时间窗、杂波滤波策略及系统信噪比等参数的协同配置。较高探头中心频率有助于改善空间分辨率，但会增加传播过程中的衰减，从而限制穿透深度和经颅成像信噪比；增加平面波复合角度数可改善图像对比度和波束质量，但由于每帧复合图像需要更多次平面波发射，因此在脉冲重复频率一定的情况下会降低有效图像更新率；延长多普勒采样时间窗有利于积累更多血流散射信号，提高 PD 信号稳定性和低速微血流检测能力，但会牺牲时间分辨率和实时性。此外，SVD 等时空杂波滤波参数的选择也需要在运动伪影抑制、低速血流保留和噪声去除之间取得平衡。因此，fUSI 的实际成像性能并非由单一参数决定，而是需要根据目标脑区深度、任务时间尺度和实时性要求，对上述参数进行协同优化。

fUSI 的基本输出并不是单帧结构图像，而是具有空间分布和时间动态的 CBV/PD 序列。在任务态研究中，这些序列可用于分析脑血流变化与刺激或行为范式之间的关系；在静息态研究中，不同脑区 CBV 时间序列之间的相关性可用于表征功能连接。fUSI 的高帧率成像能力并非用于直接追踪快速神经活动，而是为稳定获取脑血流动力学信号提供技术基础，其在 BCI 中能够基于高空间分辨率的血流时空模式，解码或表征运动计划、行为状态和脑功能状态等时间尺度相对较慢的神经功能信息。

2.2 神经血管耦合机制

神经血管耦合是 fUSI 反映脑功能活动的生理基础。局部神经活动变化时，神经元、星形胶质细胞、周细胞、血管平滑肌细胞和内皮相关信号通路会共同调节局部脑血流和血管舒缩状态，并进一步影响脑血容量相关的血流动力学信号[48]。与主要依赖血氧水平变化的 fMRI 不同，fUSI 通过 PD 信号检测微血管内红细胞运动引起的散射能量变化，因此对局部 CBV 动态具有较高的敏感性。

多模态同步记录研究进一步表明 fUSI 信号与神经活动之间存在联系。Aydin 等[49]通过建立神经钙信号与单体素 fUSI 信号之间的传递函数，表明 fUSI 血流信号可被视为神经活动经过血流动力学滤波后的输出。Nunez-Elizalde 等[50]结合 fUSI 与神经电生理记录，比较了脑血容量信号与神经元放电、局部场电位和跨脑区空间相关性的对应关系，表明低频 fUSI 信号能够较好地反映局部神经活动。这些结果表明，CBV/PD 信号虽然不是直接神经电活动，但与神经活动之间存在可建模的定量联系，为 fUSI 进入神经解码提供了生理依据。

然而，神经血管耦合并非简单的“整体神经活动增强-血流增加”的线性关系。Landemard 等[51]的研究显示，唤醒相关行为可诱发全脑血容量波动，不同神经元群体具有不同的血流动力学响应函数，其合成贡献才能更好地解释跨脑区和跨脑状态的血容量变化。这提示 fUSI 信号不仅受局部神经活动影响，也受神经元类型、血流动力学响应函数、脑状态和局部血管网络特征共同调制。

综上所述，神经血管耦合为 fUSI 反映脑功能活动提供了生理基础，但 CBV/PD 信号并不等同于瞬时神经电活动，而是局部神经活动、血管反应特性、脑状态和相关生理因素共同作用后的血流动力学指标。在 fUSI-BCI 中，CBV/PD 时空模式的价值不在于直接替代电生理信号，而在于提供具有空间定位意义的脑功能状态表征。

2.3 超声定位显微成像的微血管尺度解释

fUSI 的空间分辨率通常处于百微米量级，而微血管的尺度一般介于数微米到百微米之间。因此，fUSI 在单个空间采样单元内获得的 CBV/PD 信号，通常反映多条微血管内红细胞散射能量的总体变化，而难以对应到某一根具体微血管。这种空间采样单元内的综合信号可以用于脑功能检测和 BCI 解码，但不能直接区分信号变化是来自小动脉或毛细血管，还是静脉分支，也难以完全分离局部血流速度、血管密度和血管舒缩状态的不同贡献。ULM 的引入可为 fUSI 的体素级 CBV/PD 信号提供微血管尺度的结构和血流动力学参照，有助于从血管形态、流向和速度等层面理解 fUSI 信号来源及其在神经解码中的生理含义[52]。

ULM 通过低浓度微泡造影剂和单个微泡回波定位突破了传统超声衍射极限，因此可重建微血管网络，并获得血流方向、速度和轨迹信息[53]。在脑成像研究中，ULM 已被用于微血管流量量化、动静脉分类[54]和毛细血管功能评估[55]。同时，ULM 可为 fUSI 信号解释提供机制参照。相关研究已将超分辨超声用于帕金森病[56]、阿尔茨海默病[57]、肿瘤[58]和缺血性脑卒中[59]等模型中的微血管结构与血流动力学异常分析。这些研究提示，在疾病、衰老或神经血管解耦等条件下，ULM 有望作为 fUSI-BCI 的机制参照和验证工具，帮助分析 CBV/PD 模式是否受到微循环障碍、局部血管异常或神经血管耦合改变的影响。近年来，三维 ULM[60-62]、经颅 ULM[63-64]和深度学习辅助定位[65-69]等领域也在不断发展，这些进展使 ULM 从微血管结构成像逐渐扩展到复杂条件下的血流动力学表征。基于 fUSI 信号解释与 BCI 应用场景，ULM 在微泡信号提取、脑疾病微血管成像和深度学习重建中的代表性进展如图3所示。

常规 ULM 通常依赖较长时间的微泡轨迹累积，更适合微血管结构和平均血流参数重建。功能超声定位显微成像 (functional ULM，fULM) 与 fUSI-BCI 的联系更直接[70-72]。fULM 关注任务或刺激诱发脑活动过程中微血管层面的功能血流响应，可在微血管尺度上动态测量全脑范围血流活动，并进一步估计微泡流量、血流速度、血管形态参数及不同血管区室对脑活动响应的贡献。由此，fULM 不仅提高了血管成像分辨率，更将 fUSI 记录的功能性血流响应推进到微血管尺度，为判断 CBV/PD 解码特征的血管来源和功能意义提供了更直接的机制依据。

总体而言，fUSI 提供连续且相对实时的脑血流动力学读取，ULM/fULM 则提供微血管结构和功能机制解释，二者互补，有助于推动 fUSI-BCI 从血流模式可解码进一步走向解码信号可解释、可校准和可验证。

功能可见性：功能超声成像对脑功能活动的检测与表征

在讨论 fUSI 的神经解码应用前，需首先明确 CBV/PD 信号对脑功能活动相关变化的稳定表征能力。本节关注 fUSI 在已知刺激、行为任务或临床脑状态下，能否观察到与特定功能活动相对应的脑区或脑网络血流响应，即其对脑功能活动的检测与表征能力。

3.1 事件相关响应检测

事件相关功能响应是验证 fUSI 能力的基础。感觉刺激和任务事件具有明确的时间结构、刺激参数和神经通路，因此适合用于检验 CBV/PD 信号能否与特定脑功能活动建立稳定对应关系。事件相关 fUSI 主要关注刺激或任务发生前后，局部脑血流动力学信号是否出现可重复和可定位的变化，从而为 fUSI 信号的功能特异性和空间定位能力提供重要依据。

早期体感刺激研究首先验证了 fUSI 对局部脑区和深部感觉通路的功能检测能力。Macé 等[24]利用大鼠触须刺激诱发体感通路活动，结果表明，fUSI 能够检测初级体感皮层和丘脑等区域的刺激相关 CBV 变化，并通过 PD 信号与刺激范式之间的相关性绘制功能激活图谱。在此基础上，fUSI 进一步扩展到其他感觉系统和更精细的功能映射任务。视觉系统研究显示，fUSI 可同时描绘视觉皮层、上丘和外侧膝状体核等视觉通路节点的血流动力学响应，并揭示刺激频率和对比度对血流响应的调制作用[25]；清醒非人灵长类研究进一步利用 fUSI 构建视觉皮层区域的视网膜拓扑图[26]；听觉系统研究也显示，fUSI 可在清醒动物中获得覆盖皮层和深部听觉结构的音调拓扑图[27]。这些研究共同表明，fUSI 不仅能判断某一区域是否被激活，还能在不同感觉系统中捕捉刺激参数依赖的血流动力学响应。

事件相关功能响应研究的主要意义在于证明 fUSI 记录的 CBV/PD 信号具有明确的任务相关性和功能定位能力。其解决的基础问题是：已知刺激或任务发生时，fUSI 是否能观察到相应脑区的血流响应。这类研究为后续讨论脑区网络表征和神经解码提供了前提。

3.2 脑区和网络拓扑表征

近年来，fUSI 的应用重点逐渐从局部脑区激活检测扩展到对脑区组织和网络拓扑的表征。其核心价值并不在于显示某一刺激或行为诱发了哪些局部血流增强，而在于能够将这些响应置于全脑尺度下，分析不同脑区之间的协同关系、层级结构和功能模块。因此，fUSI 为理解脑功能提供了脑区-通路-网络层面的连续表征，而不仅是单点式功能定位[45]。

在感觉和运动系统中，fUSI 已经显示出表征脑功能活动沿通路分布的能力。视觉刺激和视动反射研究表明，fUSI 可同时记录视觉皮层、上丘、丘脑和小脑等多个脑区的响应，并进一步区分与感觉输入、运动输出和中继整合相关的功能模块[28]。多切面同步 fUSI 进一步显示，该技术可在接近全脑覆盖的条件下检测视觉通路相关响应，并识别跨皮层和皮层下区域的长程功能连接[29]。这些研究表明，fUSI 获取到的并非孤立区域激活，而是感觉信息在多级脑区之间传递和整合的空间组织。

在静息态和任务态研究中，fUSI 已能够识别大尺度功能网络及其状态依赖性变化。默认模式网络、视觉网络、外侧皮层网络、海马网络和丘脑网络等均可通过功能连接或独立成分分析得到表征[29-30]。更重要的是，任务刺激不仅会诱发感觉相关区域激活，还会引起默认网络关键节点血流响应降低和功能连接减弱，表明 fUSI 能够同时捕捉网络的增强、降低及连接模式变化[31]，提示 fUSI 可以由传统的刺激响应成像进一步扩展到网络动力学表征。

此外，围绕海马和丘脑等皮层下结构的研究进一步表明，fUSI 的网络表征并不局限于皮层局部响应，还可以将深部节点纳入全脑功能连接和网络拓扑分析框架。相关研究显示，fUSI 不仅能检测这些深部节点是否参与任务或静息网络，还能进一步分析其与皮层和小脑等区域之间的连接变化[30]。在疾病或发育异常模型中，动态功能连接分析还可揭示皮层、海马、丘脑和小脑之间连接状态的改变，表明 fUSI 具备表征网络拓扑异常的潜力[32]。总体可见，fUSI 的优势不只是高分辨率脑血流成像，还在于它能在较大脑尺度上揭示功能模块、网络连接及其动态重组，为后续脑状态解码和 fUSI-BCI 研究提供网络级表征基础。

3.3 人类脑功能成像与临床应用

动物研究已初步验证 fUSI 对脑功能活动的检测与表征能力，但其能否进一步应用于临床脑功能检测、神经监测和未来闭环系统，仍需在人脑研究和实际临床环境中开展验证。与动物实验相比，人类 fUSI 面临更复杂的声学传播条件、安全性要求、运动控制和临床流程限制，其中最关键的限制因素是颅骨对超声传播的影响。因此，现阶段人类 fUSI 研究多依赖新生儿前囟、术中开颅或去骨瓣条件及人工声学透明颅窗等特殊声窗，逐步验证其在实际医疗环境下观察脑功能活动的可行性。

新生儿床旁脑功能监测是 fUSI 在人体应用中最具代表性的早期场景之一。由于新生儿前囟尚未闭合，超声能较容易进入颅内，因此为床旁脑功能成像提供了天然声窗。Demene 等[33]将 fUSI 与连续视频脑电同步应用于新生儿脑功能监测，显示 fUSI 能在床旁条件下记录与睡眠状态和癫痫活动相关的微小 CBV 波动。Baranger 等[34]进一步利用床旁 fUSI 监测新生儿深部脑静息态功能连接，发现早产儿丘脑-皮层网络特征改变，并在先天性癫痫相关病例中观察到异常连接模式。fUSI 与弥散光学断层成像结合的床旁新生儿研究也显示，多模态血流动力学成像有望为早期神经发育监测和临床脑功能评估提供互补信息[35]。这些研究表明，在新生儿床旁脑功能监测中，fUSI 不仅可检测事件相关血流响应，还可表征深部脑区功能连接及异常变化。

成人完整颅骨会造成明显声衰减、散射和相位畸变，而开颅术中或去骨瓣条件为 fUSI 检测成人脑功能活动提供了重要声窗。Imbault 等[36]的研究表明，fUSI 可在清醒或麻醉患者中检测任务诱发的皮层活动，并显示脑沟深部功能响应。Chen 等[37]在接受去骨瓣术后的成人患者中结合听觉刺激与床旁 fUSI，识别出听觉相关脑区的区域性血流响应，为意识障碍患者提供了一种低负荷的残余脑功能评估路径。同时，有研究将 fUSI 功能图与 fMRI 和电皮层刺激定位结果进行对照，进一步验证了 fUSI 在术中的功能定位可靠性[38]。除了功能定位外，术中超快 PD 灌注监测可用于识别缺血、侧支循环募集和高灌注等血流动力学事件[39]，提示 fUSI 相关技术在脑灌注监测和重症神经监护中具有潜在应用价值。近年来，声学透明颅窗进一步拓展了成人 fUSI 的临床应用路径。通过植入声学透明颅窗，研究者能在成人患者中重复记录任务相关脑活动，为长期神经监测、术后功能评估和未来闭环神经接口提供工程基础[40]。与术中短时观察相比，声学透明颅窗更接近长期或重复性脑功能读取的需求，但其适用范围、手术条件和长期安全性仍需进一步评估。

总体来看，人类临床 fUSI 的研究表明，该技术能在特定声窗和实际医疗环境下检测脑功能相关血流变化，并已从动物功能成像逐步扩展到人脑功能检测和临床神经监测场景。

如图4所示，fUSI 功能映射研究表明，CBV/PD 信号能在已知刺激、行为任务和人类临床场景中反映脑功能相关血流变化，体现出对局部脑区激活、深部功能通路、脑网络组织和临床脑状态的检测与表征能力。需要指出的是，功能映射主要建立在已知实验条件或临床事件基础上，仍以离线观察和被动映射为主，尚不能直接证明 fUSI 信号可用于主动 BCI 控制。

神经可解码性：功能超声成像作为脑机接口读取的证据

在功能映射研究提供基础依据后，评价 fUSI 能否作为 BCI 读取模态的关键问题在于其脑血流时空模式能否支持单试次解码或在线解码。本节将重点讨论 fUSI 在运动意图解码和自然行为变量解码中的应用进展，分析其作为 BCI 读取信号的可行性。

4.1 运动计划与行为意图解码

运动计划与行为意图解码是评估 fUSI 是否具备主动式 BCI 读取价值的核心环节。与感觉刺激诱发的被动响应不同，运动意图解码要求系统在行为执行前或执行过程中，从脑信号中提取个体主动产生的目标、方向或效应器信息，并将其转化为可用于外部控制的输出。

Norman 等[41]的研究为 fUSI 用于 BCI 读取提供了重要证据。该研究在非人灵长类动物执行记忆引导眼跳和手臂触达任务时，通过颅窗在硬脑膜外记录后顶叶皮层的 fUSI 信号。后顶叶皮层参与空间感知、多感觉整合和运动计划，其中外侧顶内沟区与眼跳计划相关，顶叶触达区和内侧顶内沟区等区域与触达计划相关，因此适合作为运动意图读取的目标区域。研究结果表明，受神经血管耦合调制的 CBV 时空模式包含可用于单次运动计划解码的信息。该工作的意义不仅在于首次将 fUSI 用于运动计划相关信息的单试次读取，更在于说明经过神经血管耦合转换后的空间血流模式仍然保留了目标方向、效应器选择和任务阶段等行为信息。这表明 fUSI 记录的并非单一的全局血流波动，而是包含可被解码的局部功能结构。在此基础上，Griggs 等[42]进一步实现了在线闭环超声 BCI。该研究实时采集后顶叶皮层的 fUSI 信号，并将延迟期血流图像输入解码器，使恒河猴能通过 fUSI-BCI 控制最多 8 个运动方向。与 Norman 等[41]工作的离线单试次解码相比，Griggs 等[42]研究的关键意义在于证明血流动力学信号虽然存在响应延迟，但仍可被纳入在线反馈，并实时转化为行为意图相关的控制输出。这两项工作分别从血流空间模式可解码和血流解码结果可闭环控制两个层面证明了 fUSI 作为主动式 BCI 读取模态的可行性。

然而，现有运动意图 fUSI-BCI 研究仍主要建立在结构化任务和受控实验条件下。固定延迟期、有限目标方向、稳定成像窗口和明确行为标签均有助于提高解码性能。这类研究的核心贡献在于证明脑血流时空模式可转化为运动意图输出；但其长期稳定性、自由行为适应性和连续控制能力仍需进一步验证。

4.2 自然行为变量解码

运动意图研究表明，fUSI 可以在结构化任务中读取离散目标或方向信息，但自然行为通常并不表现为有限离散选项，而是包含连续运动、空间导航、自运动感知、速度变化和环境交互等多维变量。因此，自然行为解码进一步检验了 fUSI 血流信号能否从受控运动计划扩展到更复杂和更连续的行为状态读取。

Liu等[73]利用fUSI记录非人灵长类动物在真实物理平移或旋转刺激下的脑血流动力学活动，并在单试次水平上解码自运动方向与类型。这项研究表明，fUSI不仅能读取预先设定的眼跳或触达目标，还能捕捉与空间定向和自运动感知相关的血流动力学模式。Pereira等[74]在自由探索大鼠海马-旁海马导航系统中观察到，脑血流动力学时空模式与运动速度和墙壁距离等空间行为变量密切相关，并进一步发现这些血流动力学模式中包含与空间导航速度相关的可解码信息。此外，Berthon等[75]进一步从全脑血管活动中解码动物行为状态，利用神经网络模型从fUSI数据中区分运动/静止和睡眠/觉醒等状态，表明全局脑血流动力学模式中包含可用于行为状态识别的信息。这些研究从自运动感知、空间导航环路和全脑行为状态表征等层面表明，fUSI记录的CBV/PD信号不仅反映任务诱发激活，也包含与持续运动、空间导航速度、边界距离和睡眠-觉醒转换相关的自然行为信息，为脑血流时空模式用于连续行为状态估计提供了依据。

自然行为变量解码提示fUSI可能不仅适用于有限目标选择，也可以扩展到行为状态估计、空间导航监测和更复杂的人机交互场景，如图5所示。然而，这一方向也面临更大的解释挑战。自然行为中的血流变化往往由感觉输入、运动输出、唤醒水平、自主行为和环境因素共同塑造，行为标签也可能具有连续性和多因素耦合特征。因此，自然行为解码不仅需要证明血流模式中存在可读信息，还需要进一步区分目标行为变量与非目标状态因素对CBV/PD信号的贡献。

综上所述，现有研究从两方面证明了fUSI作为BCI读取模态的可行性，如表1所示。一方面，运动计划与行为意图解码研究表明，非人灵长类后顶叶皮层的fUSI时空模式可在单试次条件下读取运动计划，并进一步进入在线闭环控制流程，构成了fUSI作为主动式BCI读取信号的核心证据；另一方面，自然行为变量研究表明，fUSI血流信号中还包含自运动、空间导航速度、边界距离和睡眠-觉醒转换等连续行为状态信息，拓展了其读取范围。需要指出的是，fUSI读取的是神经血管耦合后的CBV/PD信号，具有较高空间分辨率、较广脑区覆盖和血流动力学稳定性等优点。若要将这些解码证据进一步转化为稳定、可泛化和可实时运行的BCI系统，则还需要解决血流响应延迟、运动伪影、颅骨声学限制、跨时段稳定性和实时处理需求等问题。

算法实现路径：从高维血流序列到有效脑机接口输出

fUSI虽然能在运动意图和自然行为变量读取中提供可解码信息，但从存在可解码信息到形成稳定的BCI输出，仍需要一套针对高维脑血流图像序列的算法框架。与电生理信号相比，fUSI读取具有血流响应较慢、图像维度高、成像视野较大、多脑区覆盖及训练样本有限等特点，同时还受运动伪影、全局血流波动和跨时段漂移等影响。在线闭环BCI场景下，血流信号延迟、解码时窗选择和反馈延迟也是必须考虑的关键因素。本文将系统梳理fUSI-BCI的解码方法体系，讨论CBV/PD序列如何经过预处理、时间建模、空间特征表达、解码模型训练和闭环评价，为形成稳定、可解释和可实时更新的BCI输出提供算法基础。

5.1 解码输入构建

fUSI-BCI通常不直接以原始射频回波或通道数据作为输入，而是使用经过波束合成、杂波滤波和PD计算后的CBV/PD图像序列。对于二维fUSI，输入表现为随时间变化的脑切面血流图像；对于三维或四维fUSI，输入则扩展为动态体积脑血流数据。样本可以是单帧图像，也可以是覆盖数秒的时空片段；可以来自特定感兴趣区域，也可以包含整个成像视野内的多脑区信息。

输入构建方式应由任务目标决定。结构化运动任务通常按照试次、延迟期或运动准备期构建样本，用于分类运动方向、效应器或目标位置；自然行为任务通常使用滑动窗口，将窗口内的CBV/PD动态与速度、自运动类型、运动/静止或睡眠/觉醒等标签对应。Norman等[41]和Griggs等[42]的运动意图研究体现了基于任务阶段和延迟期构建解码样本的思路，而参考文献[73-75]则进一步表明，在自运动感知、空间导航和行为状态识别中，解码输入构建需要结合血流动力学延迟、行为标签定义和目标变量时间尺度。

解码输入构建的关键是将连续血流图像序列转化为目标明确、时间窗口合理和标签可靠的样本集合。样本构建若不合理，则即使模型较复杂，也可能学习到混杂因素，而非与目标变量真正相关的脑血流模式。

5.2 时间窗口与空间特征

时间窗口选择直接影响fUSI解码模型对任务相关血流响应的捕捉能力。由于fUSI反映的是神经血管耦合后的血流动力学响应，血流变化通常滞后于神经活动，并在时间上具有平滑性。因此，解码窗口不能仅以刺激或动作发生时刻作为依据，而应根据任务阶段、血流响应延迟和目标变量时间尺度确定。运动意图解码通常关注延迟期或运动准备期，自然行为状态读取则需要在连续时间轴上使用滑动窗口捕捉状态变化。

空间特征的表达方式决定了解码模型利用fUSI空间信息的能力。直接使用像素或体素特征有助于保留脑区分布和局部血流模式，但容易引发高维小样本问题；基于解剖或功能感兴趣区提取的平均血流信号更稳健和易解释，但可能损失局部异质性；主成分分析、SVD、低秩表示或其他降维方法可以压缩冗余信息，但也可能削弱弱响应脑区或局部空间模式。

fUSI特征提取不能只追求降维，还应尽量保留脑区边界、局部血流模式和跨区域协同结构。尤其是在经颅或长期fUSI-BCI中，探头位置变化、空间配准误差和个体脑结构差异会进一步影响特征稳定性，使空间特征表达成为连接成像数据与解码模型的关键步骤。

5.3 解码模型选择

在模型选择方面，fUSI-BCI需根据解码目标、数据规模和实时性要求进行分层设计。与EEG和皮层脑电解码主要依赖毫秒级神经电活动不同，fUSI解码面对的是具有延迟特性的CBV/PD血流动力学信号。因此，模型不仅需要从高维空间图像中提取判别性脑区模式，还需要处理血流响应延迟、时间窗口选择、小样本训练和跨时段稳定性等问题。

对于运动方向和效应器类型等结构化分类任务，现有fUSI-BCI研究主要采用低维表征结合传统分类模型的策略。具体而言，通常先将高维CBV/PD图像经过感兴趣区域选择、体素筛选、主成分分析、SVD或相关降维方法压缩为低维特征，再输入线性判别分析、逻辑回归或支持向量机等分类器，以实现单试次运动意图或任务状态判别。Norman等[41]和Griggs等[42]的研究均体现了这种思路：先将高维血流图像压缩为较低维的判别性特征，再利用相对简单稳定的模型完成运动方向或目标相关信息读取。这类模型的优势在于训练样本需求较低、计算开销小和解释性较强，且更容易满足在线闭环系统对实时性的要求。

对于连续行为变量、脑状态变化或神经-血流关系建模，仅依赖单帧图像分类往往不足以充分表征血流信号的时间动态及其与行为变量之间的滞后关系，需要进一步考虑fUSI信号的时间动态和血流延迟。此时可采用滑动窗口、滞后特征或事件对齐时间窗，将一段时间内的CBV/PD动态作为模型输入。广义线性模型可用于建立刺激范式、行为变量或任务事件与fUSI血流响应之间的统计关系，从而识别任务相关激活模式或估计不同时间滞后下的响应强度；岭回归等正则化回归则适合在高维小样本条件下进行稳定估计和特征选择，以减少过拟合并提高跨时段泛化能力。

传统模型的局限在于对复杂空间结构和长时程动态的表达能力有限。若将fUSI简单展平为向量，则模型可能难以利用局部血管网络、脑区边界和跨脑区协同活动等信息；若过度依赖感兴趣区域平均或线性降维，则又可能压缩局部特异性弱响应。随着全脑fUSI、长期行为记录和神经网络方法的发展，深度学习开始被引入fUSI数据分析。Berthon等[75]将神经网络用于fUSI行为状态解码，证明模型能从大范围CBV空间模式中提取行为相关信息，并在运动/静止及睡眠/觉醒状态分类中获得较高准确率。Deep-fUSI[76]研究则从另一个角度显示，深度模型可在稀疏采集条件下重建功能超声图像，从而降低数据采集和处理负担。此外，将fUSI与可解释机器学习结合，对药物诱导的全脑血流动力学变化进行分析，也提示机器学习方法可用于提取具有状态判别意义的空间血流特征[77]。

从模型结构来看，卷积神经网络适合提取CBV/PD图像中的局部空间模式和脑区拓扑特征，循环神经网络与时序卷积网络可用于建模血流响应和行为状态之间的时间依赖关系，Transformer在数据规模足够的前提下，具有处理长时程、多脑区和多尺度时空关系的潜力。对于未来全脑、三维或四维fUSI数据，三维卷积神经网络、时空卷积网络和Transformer等模型有望从更大范围的脑血流图像中提取空间分布和动态特征。然而，深度学习模型并不必然优于传统机器学习。由于fUSI-BCI数据通常具有高维、小样本、跨时段漂移和标注成本高等特点，复杂模型容易过拟合，也可能降低结果的生理可解释性，因此，模型选择应服从具体任务目标。对于结构化运动意图和在线闭环控制，稳定、低延迟和可解释的传统模型仍具有优势；对于多脑区、长时程和复杂行为状态读取，深度时空模型具有潜在价值，但需要更大规模数据、跨时段验证和可解释性分析支撑。

5.4 闭环可用性评价

fUSI解码模型在BCI领域内的应用价值不应仅由离线准确率来衡量。准确率、混淆矩阵、受试者工作特征曲线下面积、相关系数和均方误差等指标可以评价模型在既有数据集上的分类或回归性能，但并不必然等同于真实交互场景中的可用性。对于BCI而言，更关键的是模型能否在单试次、较短时间窗口和在线反馈条件下稳定输出。

单试次性能是fUSI从功能成像走向BCI读取的关键指标。Norman等[41]证明fUSI能在单试次水平读取运动计划。Griggs等[42]进一步证明了这种读取模态进入在线闭环控制流程的可行性。功能映射研究一般通过对多次重复试验的信号进行平均来提高信噪比，但BCI系统需要在单次试验或短时间窗口内输出判别结果。因此，fUSI-BCI的评价重点应从平均激活是否显著，进一步转向单试次输出是否可靠。实时性和延迟也是fUSI-BCI评价中的核心问题。系统总延迟不仅来自神经血管耦合本身，还包括成像采集、数据重建、特征提取和模型推理等环节。信息传输率、输出更新率和错误率等传统BCI指标可为fUSI-BCI提供参考，但需要结合fUSI的血流动力学时间尺度重新理解。此外，跨时段稳定性和可靠性比单次离线验证更接近长期应用需求。fUSI数据会受探头位置、声窗条件、生理状态、运动伪影和血流基线变化等因素影响，同一模型能否跨天、跨会话或跨个体稳定工作，很大程度上影响其长期BCI应用可行性。未来，fUSI-BCI的评价标准应从单纯离线准确率扩展到单试次可靠性、系统延迟、跨时段稳定性和闭环可用性。

本节旨在说明CBV/PD图像序列如何被构造成可评价和可更新的解码输出。算法框架不仅构成fUSI-BCI的实现环节，也将在很大程度上决定其能否在真实场景中应对运动伪影、跨时段漂移、个体差异和闭环反馈等系统性挑战。

未来方向：从功能超声成像读取到闭环超声脑机接口

未来，fUSI-BCI发展的关键不只是提高某一项解码指标，而是能在真实场景下建立长期、稳定、可解释并具备反馈调控能力的超声神经接口体系。本节从三维/四维脑网络读取、在线自适应算法、多模态融合和读写一体闭环系统4个方面讨论fUSI-BCI的未来方向。

6.1 三维/四维脑网络读取

目前，多数fUSI和fUSI-BCI研究仍主要依赖二维切面成像。二维fUSI具有较高时间分辨率、较低系统复杂度和较好的实验可控性，适合针对特定脑区开展功能映射和运动意图读取。然而，复杂行为和脑状态往往并非由单一脑区独立决定，而是涉及皮层、丘脑、海马、脑干及多个功能网络之间的协同作用。因此，未来，fUSI-BCI若要从局部脑区读取走向复杂的行为状态估计和临床脑状态监测，则需要进一步发展三维/四维fUSI。

三维/四维fUSI的意义并不只是增加成像维度，而是将读取对象从局部平面内的血流变化扩展为跨脑区、跨深度和跨网络的脑血流动力学模式。早期研究已将三维重建fUSI用于啮齿动物视觉系统和清醒雪貂听觉层级的功能拓扑表征[25,27]；4DfUSI进一步将三维空间覆盖与时间动态结合起来，可用于CBV动态记录、功能连接分析和癫痫样事件传播追踪[79]。这些研究提示，未来fUSI-BCI的输入不应局限于单一二维切面，还可逐步扩展为更大范围的脑网络状态读取。

对于BCI应用而言，三维/四维读取主要具有两方面价值：一是减少切面选择对解码结果的限制，以更完整地覆盖与运动计划、感觉反馈、空间导航或脑状态变化相关的区域；二是在同一成像框架下观察多脑区血流动态，从而更好地区分目标行为变量与非目标状态因素。对于自然行为解码和临床脑状态监测，这种脑网络尺度的空间信息比单一局部切面更有利于提高特征稳定性和机制解释性。

然而，体积成像会显著增加数据量，并对探头通道数、波束合成速度、数据传输和在线计算能力提出更高要求。近年来，行列寻址阵列、多切片fUSI、扫查式三维fUSI和计算超声成像等方法为降低系统复杂度和提高体积成像效率提供了不同路径[29,80-82]。未来三维/四维fUSI-BCI的关键并不在于单一扩大成像视野，而在于在空间覆盖、时间分辨率、血流灵敏度、硬件复杂度和在线计算负担之间取得平衡。总体来看，三维/四维fUSI将推动fUSI-BCI从局部切面信号读取走向脑网络状态读取，并为其与经颅相位校正、ULM、微泡增强成像和新型阵列硬件等技术结合提供条件[83-86]。

6.2 实时自适应解码

未来，fUSI-BCI的关键不只是提高离线解码准确率，而是建立能够在真实应用条件下长期稳定运行的在线读取系统。因此，算法发展的重点应从单次实验中的可解码转向长期交互中的可用性、可控性和可信性。

首先，fUSI-BCI的实时性需要与其血流动力学信号属性相匹配。由于CBV/PD信号天然存在神经血管耦合引入的时间延迟，因此不宜将毫秒级快速控制作为主要优化目标。未来算法应围绕运动计划、目标选择、行为状态估计和脑状态监测等任务，合理设计解码窗口、输出更新率和反馈节奏，使系统在响应速度与输出稳定性之间取得平衡。

其次，fUSI-BCI的长期应用要求解码系统具备自适应能力。真实应用中，探头位置、声窗条件、血流基线、个体状态和记录时长都会导致信号分布发生变化。若模型主要依赖单次离线训练，则其性能很难在跨天、跨任务或跨个体条件下保持稳定。因此，未来fUSI-BCI需要发展低成本校准、在线更新和个体化适应策略，以减少重新标定负担，并提高长期读取的可靠性。

最后，fUSI-BCI的算法还需要具备可解释性。由于fUSI信号具有明确的空间定位和血流动力学含义，因此模型不应只给出预测结果，还应尽可能说明其依赖的脑区、时间窗和血流特征。这有助于判断模型是否真正利用了任务相关神经活动诱发的血流动力学特征，而不是运动伪影、全局血流波动或实验时序等非目标因素。

6.3 多模态融合策略

fUSI能以较高空间分辨率记录脑血流动力学变化，但其CBV/PD信号本质上仍是神经活动、血管调节、脑状态和全身生理因素综合影响下的间接表征。未来，fUSI-BCI若要提高解码可靠性和生理可解释性，则不宜仅依赖单一血流信号，还需要与电生理、光学神经活动成像、光声成像、结构成像、行为学和全身生理监测等手段形成互补。

电生理记录和光学神经活动成像可为fUSI提供神经活动参照。电生理能够提供毫秒级神经电活动信息，双光子钙成像等光学方法则可在细胞或局部网络尺度上记录神经活动相关信号。已有fUSI与双光子钙成像、神经电生理和石墨烯直流耦合电生理的同步研究表明，多模态记录有助于建立神经活动与fUSI血流响应之间的对应关系，从而解释fUSI信号的神经来源及神经-血流转换关系[49-50,87]。

光声成像能够补充血氧饱和度、氧合/脱氧血红蛋白和总血红蛋白等代谢相关信息[88-89]；ULM可提供微血管结构、血流方向和速度等更精细尺度的血管信息[71,90-91]；fMRI等血流动力学成像则可作为脑功能网络和血流响应解释的参照[92-93]。这些信息有助于判断fUSI解码模型所利用的血流模式是主要反映任务相关神经活动，还是更多受到内源性血管节律、脑状态变化或局部微血管结构的影响。

同时，结构成像、脑图谱及行为和生理监测可提高fUSI-BCI的长期稳定性和混杂因素控制能力。结构磁共振、标准脑图谱和血管图谱可为fUSI数据提供空间配准和跨个体比较依据[94-96]；行为视频、眼动、肌电、心率和呼吸监测则有助于区分目标脑状态与运动、唤醒和全身生理波动。相关研究显示，fUSI结合局部场电位和心率监测可用于解释药物诱导的脑范围神经血管响应，而基于fUSI的组织运动分析也可用于估计心率和呼吸频率[97-98]。

多模态融合的目标不是单纯增加记录维度或通道数量，而是为fUSI-BCI建立一个从神经活动、血流动力学、微血管结构、空间配准到行为和全身生理状态的多层解释框架。通过这种方式，fUSI-BCI有望在复杂行为和临床场景中获得更可靠、更稳定且更具生理可解释性的脑状态读取。

6.4 读写一体闭环系统

fUSI-BCI的长期发展正走向读写一体的闭环超声神经接口。在读取端，fUSI可通过CBV/PD时空模式记录脑血流动力学状态，用于识别运动意图、估计行为状态或监测异常脑活动。与EEG等电生理读取相比，fUSI的优势在于提供脑区级和网络级空间信息，可为闭环系统中的解码决策、靶点选择和反馈评估提供具有空间定位意义的脑状态信息[84]。在写入端，低强度聚焦超声，尤其是经颅聚焦超声为非侵入式神经调控提供了技术基础。已有研究表明，聚焦超声能在清醒非人灵长类、人类皮层及深部脑网络等不同场景中调节神经活动和行为输出[99-102]。同时，基于EEG读取的闭环超声刺激研究也提示，超声调控可以与脑状态检测结合，用于按需干预异常神经活动[103-104]。这些工作表明，聚焦超声已经具备与脑状态检测相结合，用于闭环神经调控的实验基础；未来工作的关键在于将其靶向调控能力与fUSI的空间化脑状态读取结合起来。

未来，具有fUSI特色的闭环超声BCI可被理解为“读取-解码-决策-调控-反馈”的系统框架：fUSI提供脑状态输入，解码算法完成状态识别或控制信号生成，超声调控端根据解码结果调整刺激靶点、强度、时序和持续时间，随后再由fUSI评估刺激后的脑血流响应。在这一框架下，fUSI不仅可承担读取功能，也可参与反馈评价，使超声刺激从单向干预逐步发展为根据脑状态自适应调节的闭环调控过程。

然而，读写一体闭环系统也对机制解释、工程实现和安全性提出更高要求。首先，需要明确fUSI读取的血流变化与神经活动、行为输出和超声调控效应之间的对应关系和因果链条，避免将血流动力学变化简单等同于神经调控效果；其次，超声调控本身可能改变局部血流和血管状态，因此必须区分神经调控效应与直接血流动力学效应；最后，闭环系统还需要同时解决声场校正、刺激安全性、读取延迟、个体化靶点选择和长期反馈稳定性等问题。未来，闭环超声BCI的核心问题将从fUSI能否读取脑血流信号进一步转向读取到的脑状态能否指导实时调控，并通过反馈改善行为或神经功能。这一转变有望推动fUSI-BCI从单一读取模态进一步扩展为集脑血流读取、神经解码、靶向调控和闭环反馈于一体的超声神经接口平台。fUSI从脑血流读取到闭环超声BCI的未来发展框架如图6所示，左侧展示三维/四维脑网络读取[79]和实时自适应与可解释算法[42]；中间展示fUSI读取、特征提取、状态识别、控制信号生成及超声刺激的闭环链路；右侧展示聚焦超声神经调控[102]和读写一体闭环超声BCI[84]的系统构想。

总结与展望

总体而言，fUSI为BCI读取提供了一种不同于电生理的读取路径。它并不直接记录神经放电，而是通过超快超声和PD成像捕捉神经血管耦合后的CBV/PD时空变化，从而在较低侵入条件下获得具有空间定位意义的脑区级和网络级血流动力学信息。现有研究表明，fUSI已能够在事件相关响应、脑区和网络拓扑表征及人类临床脑功能成像中检测相关血流响应，并进一步在运动意图和自然行为变量读取中提供可解码信息。fUSI的价值不只是实现脑功能活动的可视化表征，更在于其血流时空模式已经显示出转化为BCI读取信号的潜力。未来，fUSI-BCI的发展需要围绕三维/四维成像、实时自适应解码、多模态融合和闭环系统集成等方面进一步推进。随着经颅成像、长期稳定记录、智能解码和聚焦超声调控等技术的发展，fUSI有望从脑血流成像工具进一步扩展为面向运动意图读取、脑状态监测和闭环神经调控的超声脑机接口平台。

来源（点击阅读原文，可在线阅读）：https://jcjs.siat.ac.cn/article/doi/10.12146/j.issn.2095-3135.20260629001

END

作者 | 岳巍全浩等

运营 | 罗卜

审核 | @脑机学苑