昆明理工大学伏云发教授等｜脑机接口人因工程：研究边界、核心问题与方法体系

脑机接口（BCI）在真实场景中的大规模落地应用，面临可靠性、可用性等人因工程瓶颈。现代人因工程虽已涵盖认知工效学、工作负荷、自适应自动化、人在回路系统等研究领域，但相关理论与方法长期以外显行为和外周生理指标为核心，并未将中枢神经活动作为主要控制输入。对于以中枢神经活动为直接输入、强调长期脑机共适应这一新兴交互范式，目前尚缺乏针对性的概念体系与方法框架。本文为综述类概念文章，探讨构建脑机接口人因工程这一新兴交叉研究方向的必要性及其学科基础。首先，基于脑机接口交互的本质特征，划定该领域研究边界，归纳四大核心研究对象：用户神经认知特征、脑机协同适应机制、多模态反馈调控，以及场景适配规律。其次，提炼三大核心科学问题：个体差异与动态适配、人因优化与容错机制、场景泛化原理；同时将伦理、隐私与用户权益作为贯穿全局的顶层维度。在此基础上搭建由多模态测量与建模、闭环验证、多维评价构成的方法体系，并探讨人工智能技术在该框架下的支撑作用。脑机接口人因工程以神经、认知、系统多层级协同适应为核心，是以人为中心设计理念的深化。该方向可为易用型脑机接口研发提供理论参考，同时拓展人因工程的研究范畴。

关键词：脑机接口人因工程；神经认知适配；脑机共适应；闭环交互验证；多维人因评价；场景化人因设计

引言

1.1 研究背景

随着神经工程与人工智能技术的快速迭代，脑机接口（Brain–Computer Interface, BCI）正加速从实验室研究迈向医疗康复、智能控制、沉浸式交互等多元应用场景[1–3]。BCI通过采集与解码脑电（Electroencephalography, EEG）、功能性近红外光谱（Functional Near-Infrared Spectroscopy, fNIRS）、功能磁共振成像（functional Magnetic Resonance Imaging, fMRI）等中枢神经活动信号，绕过外周神经与肌肉通路，直接将人类意图转化为外部设备的控制指令，为人机交互提供了全新的技术范式[4–6]。

然而，BCI技术的规模化落地仍面临多重瓶颈。现有研究与产业实践多聚焦于解码算法优化与硬件性能提升，但用户个体神经差异显著、脑信号时序波动性强、交互认知负荷偏高、系统长期适配性不足等问题尚未得到系统性解决，导致BCI系统的可靠性、易用性与用户接受度难以满足长期真实场景的部署需求[7,8]。随着解码算法与硬件性能的持续提升，人-脑-系统的适配问题正逐渐成为制约BCI长期应用与规模化落地的重要因素之一。

经过数十年发展，现代人因工程（Human Factors Engineering, HFE）已形成涵盖身体工效、认知工效与组织工效的较完整体系，工作负荷、情境意识、人机信任、自适应自动化、人在回路监督控制以及神经生理测量等，都已成为其成熟议题[9,10]。但应看到，在上述大量研究中，“人”主要被建模为外显行为与外周生理活动的承担者，注意、工作负荷、情绪等内隐状态更多被当作需要监测或缓解的状态，而非既驱动又受交互塑造的信号；人的意图经由神经—肌肉通路转化为肢体动作或语音，系统据此感知并响应人的操作。BCI则提供了一条性质不同的交互通路，它直接采集中枢神经活动并解码为控制指令，绕过了外周神经与肌肉环节[11–14]。在这条通路中，信号如何生成、误差从何而来、反馈如何调节用户状态，都难以完全沿用经典的人—机交互模型加以解释。交互效能也不再仅由外显行为与外周生理参数决定，而更多受到中枢神经信号波动、内隐认知状态变化与神经可塑性过程的影响[8,11–14]。这些内隐、动态的变量在传统人因研究中通常不作为交互输入来对待，因而需要专门的概念与方法加以刻画。

两者在设计取向上也存在明显差异。经典人因方法较多面向操作者与系统角色分配相对稳定的任务流程，尽管自适应自动化与动态功能分配早已应对任务内的时间变化；而BCI是一个典型的人在环路动态闭环，用户脑状态实时变化、神经功能随训练持续重塑，设计重心需要由一次性的静态匹配转向持续的在线调节与共适应[15–19]。需要强调的是，这一差异并不意味着对传统人因工程的否定，而是表明当交互通路、研究对象与时间尺度发生变化时，直接套用既有框架会出现适配性不足，有必要在其基础上发展针对性的理论与方法。

因此，亟需将神经科学、BCI技术与人机交互设计方法融入现有人因工程框架，建立专门面向脑机交互场景的BCI人因工程这一新的交叉研究方向。该方向以用户中枢神经系统特征与认知状态为核心，既继承以人为中心设计的核心理念，又进一步拓展人因工程的研究边界与方法范畴。其核心目标是从人因角度突破BCI技术的落地瓶颈，推动BCI系统从单纯的技术可行走向真正的用户可用。

本文针对BCI人因工程的研究边界，总结领域核心科学问题，构建面向BCI人因工程的方法体系与评价框架，如图1所示。本文探讨其作为人因工程新兴交叉研究方向的定位与依据，以期为BCI系统的以人为中心设计提供理论基础与方法路径，同时拓展人因工程的研究范畴。

图1 BCI人因工程研究的整体框架

1.2文献梳理方法

本文属于概念性综述，采用目的性、理论驱动的文献检索，而非穷尽式的系统检索。本文的目标不是针对某一具体实证问题，对全部相关文献开展可复现的统计汇总，而是以研究边界、核心科学问题与方法体系为主线，整合梳理脑机接口工程、人因工程学、神经工效学、人机交互等多领域分散的研究成果，提炼形成概念体系。通过界定核心概念、厘清学科边界，并归纳研究对象、科学问题与方法类别，构建一套结构化分析框架。据此，本文不作穷尽性覆盖的声明。

文献数据源方面，本研究选取Web of Science、PubMed、IEEE Xplore、Scopus 以及中国知网（CNKI）作为主要检索数据库。检索词分为四组概念集合：

1) 脑机接口：“brain-computer interface” 或 “brain computer interface” 或 “BCI”；

2) 人因 / 工效学：“human factors” 或 “ergonomics” 或 “neuroergonomics”；

3) 人机交互 / 可用性 / 用户体验：“human-computer interaction” 或 “usability” 或 “user experience”；

4) 共适应：“co-adaptation” 或 “coadaptation”。

第四个概念组的设置需要说明。脑机共适应是BCI交互区别于传统人机交互的核心特征，以此为锚点有助于高效定位聚焦于BCI动态交互过程、而非单纯硬件设计或算法性能比较的文献。该条件用于聚焦综述范围，并非用于界定领域边界，也并不意味与BCI相关的人因研究都使用这一术语。

文献纳入规则：文献需同时包含上述四组概念集合中至少各一个检索词；每组内部命中任意检索词即满足本组条件。检索范围限定于标题、摘要与关键词。时间范围主体为2010—2025 年发表文献，同时酌情纳入该领域具有奠基意义的早期经典文献。纳入标准如下：期刊论文、综述以及高水平会议论文，研究主题涉及脑机接口用户特征、人机交互、可用性与用户体验、共适应、反馈设计、评价方法，或是特定应用场景下的人因相关问题。仅聚焦纯硬件设计、解码算法性能对比，未开展用户或人因分析的文献，仅在阐述技术背景时予以引用。

上述交集检索仅作为文献初选的入口，而非最终语料边界。在筛选与主题聚类阶段，本文进一步通过三条途径补充文献：一是对已纳入综述与奠基性文献进行双向引文追溯；二是依据领域高被引论文与关键综述的参考文献进行手工筛查与补充；三是对照BCI可用性、认知负荷、信任、隐私、校准等人因主题，核查是否存在未使用“共适应”表述的重要文献，如有则一并纳入。由此补充的文献与检索所得文献采用相同的纳入标准，并在主题聚类中同等处理。

由于交集检索以理论特异性为优先，未使用“共适应”术语的BCI人因研究可能未被该路径单独覆盖，本文以引文追溯、高被引文献补充与手工筛查加以弥补。因此，本文语料应视为支撑概念整合的目的性样本，而非穷尽性文献集合。

本文先对文献进行主题聚类，再基于脑机接口闭环交互的层级逻辑开展理论推演，以此归纳核心研究对象、科学问题与方法类别，具体推导过程如下。

第一阶段，开放编码与初始主题提炼。对初选文献进行逐篇内容编码，编码内容包括所考察的用户相关变量、所涉及的闭环环节、所报告的人因问题、所采用的测量与评价方法以及应用场景；在此基础上提炼出“神经个体差异”“认知负荷测量”“多模态反馈”“容错设计”“可用性评价”“场景化应用”“伦理隐私”等20余个初始研究主题。

第二阶段，层级聚合与范畴归纳。基于BCI闭环交互的系统逻辑，对初始主题进行层级归类，聚合形成四大核心研究对象：“用户神经认知特性”对应用户输入环节，“脑机协同适配机制”对应协同交互环节，“多模态反馈调控机制”对应反馈调控环节，“场景化人因适配规律”对应场景落地环节。

第三阶段，问题与方法映射。针对每一类研究对象，提炼对应的核心科学问题，并匹配相应的研究方法与评价维度，最终整合为研究边界、核心问题、方法体系的整体框架。其中，伦理与用户权益附着于全部四个研究对象、而非某一闭环环节，因而作为贯穿性维度处理。

上述三阶段构成从原始文献到整体框架的生成路径。需要说明的是，该推导为解释性、理论驱动的概念化过程，而非算法化或统计性的归纳；所提出的框架是可供进一步检验与修正的组织方式，其价值有待后续实证研究加以验证。

BCI 人因工程的研究边界

为明确BCI人因工程的研究范畴及其学科定位，本文从BCI交互的人因特征、核心研究对象以及与相关领域的关系三个方面，对其研究边界进行阐述。

2.1 BCI交互的人因独特性

BCI系统的架构与运行逻辑决定了其人因问题的专属属性。一个完整的BCI系统由7项不可或缺的核心组件构成，用户及其大脑始终处于交互环路的核心位置，脑信号的产生、采集、解码、反馈均与人的认知、生理状态深度绑定，具体组件构成如表1所示[20,21]。

表1 BCI系统的7个典型组成要素

从人因工程视角审视上述架构，BCI交互所呈现的已不再是传统外设操作中那种可观测、可分解的行为序列，而是一组直接植根于中枢神经活动的人因特征，如表2所示。这些特征使BCI的人机关系发生了根本性改变，也恰恰是传统人因工程理论与方法难以覆盖的原因。

昆明理工大学伏云发教授等｜脑机接口人因工程：研究边界、核心问题与方法体系图5

表2 BCI交互的人因特征

还应看到，上述人因特征在不同类型BCI中的权重并不相同。按信号采集方式，侵入式BCI的人因矛盾更多集中于手术安全性、长期植入稳定性、神经组织相容性与植入者的长期心理适应，非侵入式BCI则更突出佩戴舒适性、长时间佩戴负担、信号抗干扰能力与反复校准成本。按交互范式，主动式BCI更依赖用户的认知策略与训练投入，反应式BCI（如P300、SSVEP）更关注注意资源分配与刺激诱发疲劳，被动式BCI则更关注无干扰监测的生态效度、状态识别的稳健性以及用户对内隐感知的接受度。本文特征框架面向各类BCI的共性问题，具体应用时应结合BCI类型确定人因关注的优先级。

人机交互研究早已关注内隐与生理输入，包括视线追踪与生理计算。即便如此，BCI交互特征共同体现出神经、认知与系统因素之间的紧密耦合联动。因此，脑机交互的人因问题无法仅靠静态行为匹配加以解决，而是拓展为动态的神经适配过程[17,19]。这意味着，BCI人因工程不能仅依赖传统的人机交互优化，而应更明确地将神经状态动态、脑机共适应规律以及长期使用场景下的个性化设计纳入核心考量，从而拓展既有HFE以应对BCI特有的交互机制。

2.2 BCI人因工程的核心研究对象

基于BCI闭环交互系统的基本结构及其人因特征，本文将BCI人因工程的核心研究对象概括为用户神经认知特性、脑机协同适配机制、多模态反馈调控机制以及场景化人因适配规律四个层面。上述四个层面共同构成了BCI人因工程的核心研究边界与理论范畴。

在BCI人因工程的研究体系里，用户神经认知特性是最底层的研究基础，也是实现个性化BCI的核心前提。与传统人因工程主要关注行为能力、外周生理特征的差异不同，BCI人因工程把研究边界进一步延伸到了中枢神经层面，核心关注的内容可以归为三类：用户神经活动模式与认知能力的个体差异，以及这类差异会如何影响系统性能；疲劳、注意力、情绪这类状态波动，会直接带来脑信号的动态变化与非平稳性；除此之外，长期使用过程中神经可塑性引发的功能重组与适应机制，也是不可忽视的一环。这些因素叠加在一起，共同决定了BCI系统需要满足跨个体、跨状态、跨时间的动态适配要求，也为个性化BCI的设计提供了神经认知层面的依据[22–24]。

脑机协同适配机制是这一领域另一项核心研究内容，核心是厘清用户意图生成、神经编码、算法解码与系统响应之间的动态关联过程。BCI的交互通路本身就带着低信噪比、解码延迟、误识别等先天的不确定性，也正因为如此，需要去研究神经状态、认知负荷与系统性能三者之间的相互作用，同时也要关注系统反馈会如何反向调节用户的认知策略、信任建立过程和操作行为，最终梳理出脑机协同适配的基本规律[19,25–27]。

多模态反馈机制是BCI闭环交互的重要组成部分，也是区别于传统人机交互的人因研究重点。由于脑控操作具有较强的内隐性，反馈设计直接影响用户的学习效率、认知负荷和使用体验[28,29]。该方向主要关注不同反馈形式及其组合对用户感知、认知加工和任务表现的影响，并进一步探讨神经反馈在脑活动调节、技能学习和闭环适应过程中的作用机制，为高效、低负荷的脑机交互设计提供理论依据。在设计层面，多模态反馈的组织应围绕反馈时序、通道分配、信息冗余、错误处理以及神经反馈协同形成统一机制。反馈时序需要与用户的认知加工和动作修正节奏相匹配，过长延迟可能削弱操作连续性和主体感，过短或过于频繁的反馈又可能增加信息干扰和认知负荷，因此反馈延迟与呈现频率应随任务特征和用户状态动态调整[30,31]。反馈通道的配置需要兼顾任务需求与认知资源分配，运动控制任务可通过触觉或本体感觉反馈减少视觉资源占用，注意和节律调节任务可利用听觉或视觉通道实现信息传递，从而降低任务操作与反馈之间的资源竞争[32]。多通道信息还应形成适当的冗余与互补，对关键状态和错误信息采用冗余编码能够提高弱信号条件下的辨识能力，同时需要维持不同通道之间的语义一致性，避免反馈冲突引入额外干扰。错误反馈应支持错误识别与行为修正，并控制负向信息的强度和持续时间，避免引发过度的挫败感或注意固着；结合错误相关电位（error-related potentials, ErrP）对用户错误内隐觉察的识别，还可在外显行为出现之前启动相应的修正机制[33,34]。神经反馈与视觉、听觉和触觉等外部反馈的协同能够进一步建立脑状态、行为表现与反馈信息之间的闭环关联，促进有效认知策略的形成、人机共适应和神经可塑性，同时需要控制神经反馈带来的额外认知负荷。已有研究表明，虚拟现实、听觉诱导和多模态反馈能够影响共适应学习速度与技能保持[35–37]。

最后落到实际应用层面，还需要关注不同场景下的适配规律，也就是不同任务环境与应用条件里，BCI系统对应的人因需求和设计原则。不同场景的任务复杂度、目标用户特征、环境约束各有不同，对系统舒适性、实时性、安全性和可靠性的要求自然也存在区别[38,39]。因此有必要搭建面向具体任务情境的人因设计框架，去研究技术特征、用户需求与环境条件之间的动态匹配逻辑，总结出具备普适性的场景化适配原则，才能真正推动BCI系统从实验室研究走向落地应用。

上述四个研究层面共同构成了BCI人因工程的核心研究对象及其理论边界。从研究内容上看，其既继承了传统人因工程“以人为中心”的基本理念，又将研究维度由行为和外周生理层面拓展至神经认知与BCI闭环交互层面，形成了兼具神经科学特征和BCI属性的人因研究框架。这种研究对象的拓展不仅体现了BCI技术对传统人机交互模式的深化，也为构建面向BCI的人因研究体系提供了重要理论基础。

2.3 与相关学科的边界划分

BCI人因工程与传统人因工程、认知工效学、神经工效学、人机交互、BCI工程技术、以用户为中心的BCI研究以及神经自适应技术密切相关，它们在研究对象与方法上存在明显交叉，并非彼此割裂，表3梳理了相关学科与BCI人因工程的关系。

表3 相关领域的研究对象以及与BCI人因工程的关系

与传统人因工程相比，BCI人因工程继承了“以人为中心”的基本理念，但研究范围进一步扩展至神经认知状态、脑机共适应以及长期动态适配过程，不再局限于行为表现和外周生理反应层面的交互优化[46]。

与BCI工程技术相比，BCI人因工程更加关注人与系统整体交互效能及用户体验，而非单纯提升信号解码和控制性能[49]。其研究重点包括认知负荷、用户满意度、长期使用意愿以及个性化适配等问题，两者在技术实现与应用落地层面形成互补关系。

与人机交互、可用性工程和以用户为中心的BCI设计的关系则主要体现为方法与应用层面的交叉。人机交互和可用性工程形成了较为成熟的任务分析、交互设计、可用性测试和用户体验评价方法，以用户为中心的BCI设计进一步强调终端用户需求及用户参与设计过程[46,50,51]。这些方法为BCI人因工程提供了重要的设计和评价基础，而BCI人因工程则将神经状态、内隐认知负荷、脑机适配和长期共适应等因素纳入评价框架，使传统以行为和主观报告为主的可用性评价能够进一步延伸至神经层面。

总体而言，BCI人因工程立足于脑机交互中的人因问题，综合吸收传统人因工程、BCI工程技术的相关成果，形成了面向脑机系统长期适配与用户体验优化的研究视角。

BCI 人因工程的核心科学问题

BCI直接以脑活动作为交互媒介，用户状态、系统反馈和应用环境之间存在持续的动态作用。这使得脑机交互的人因问题，不再局限于传统人机系统中的行为优化，而进一步延伸到神经认知差异、脑机协同和长期场景适配等方面。基于此，本文将BCI人因工程的核心科学问题概括为神经认知个体差异与动态适配机制、脑机交互中的人因优化与容错机制，以及场景化人因适配的普适性规律三个方面。

3.1 神经认知个体差异与动态适配机制

围绕用户神经认知特性的个体差异与动态变化，一个核心科学问题随之产生：个体神经活动模式、认知能力以及脑状态波动如何影响BCI交互效能，系统又如何实现跨个体、跨时间和跨状态的持续适配？

从研究内容来看，这一科学问题主要涉及个体神经差异、状态动态变化以及长期脑机共适应三个相互关联的层面。

不同个体之间在神经活动模式、认知能力和信息加工策略等方面存在显著差异，统一的交互范式和解码策略往往难以满足不同用户的需求[52–54]。如何基于个体神经特征建立用户模型，实现训练方案、交互模式和系统参数的个性化适配，是提升BCI可用性和用户体验的重要前提。

个体差异对BCI可靠性与可用性的影响具有明显的范式与脑区特异性。对运动想象（MI）BCI，用户在初级感觉运动皮层、辅助运动区诱发的μ节律（约8–13 Hz）事件相关去同步（ERD）与β节律（约13–30 Hz）事件相关同步（ERS），其强度、空间分布与可调控性直接决定想象动作的可分性与解码准确率[55,56]；相当比例用户难以产生稳定、可分的感觉运动节律，即所谓“BCI盲/BCI素养不足”现象。对P300等事件相关电位BCI，顶叶分布的P3b成分幅值与潜伏期受注意分配与工作记忆更新影响，前额—顶叶注意网络的功能差异是个体性能波动的重要来源[57]。对稳态视觉诱发电位（SSVEP）BCI，个体差异主要来自枕区视觉皮层对闪烁刺激的频率跟随响应特性、视觉疲劳易感性以及注意资源调控策略[58,59]。这意味着个性化适配不能停留于行为层面，而应针对具体范式所依赖的核心脑系统测量相应的神经标记，据此进行用户分群与范式选择。

除稳定的个体差异之外，用户认知状态还具有明显的时间动态性。认知负荷、注意水平和疲劳程度等因素会持续影响脑信号特征及交互性能，高认知负荷状态下，有限的注意资源和工作记忆能力可能导致脑信号稳定性下降，并增加误操作风险[60]。因此，如何实时感知用户状态变化并建立动态响应机制，是实现稳定脑机交互的重要问题。近年来，多模态状态感知与用户建模方法的发展，也为认知状态监测和自适应调节提供了新的技术基础。

如果将时间尺度进一步延长，脑机交互过程本身还表现出持续演化的特征。学习效应、神经可塑性以及疲劳累积等因素可能改变用户的脑活动模式，并进一步影响系统性能和交互体验[61]。因此，如何构建具有持续学习能力和长期适应能力的脑机系统，实现跨时间和跨状态的稳定协同，是BCI人因工程面临的重要挑战。同时，不同年龄、健康状况和功能背景用户（如老年用户、卒中及神经运动障碍患者）的适配需求，也需要纳入统一的人因设计框架之中[62,63]。

既然人因研究需要同时整合神经、认知与行为三个层面的信息，同一受试者在不同日期采集的数据可能因睡眠、情绪、疲劳与电极状态而明显波动[55,64,65]，维持结果一致性就成为方法上必须处理的问题，实践中通常从三个层面加以控制。测量层面，每次实验前采集标准化的静息态与任务基线，以个体当日基线对任务特征做归一化，并固定电极位置、阻抗阈值、环境光照与任务时长，降低采集条件漂移[66]。建模层面，采用自适应分类器与在线更新，使模型随数据分布变化持续调整；借助迁移学习、领域自适应与用户分群（度量学习）等方法，利用历史会话和其他用户数据缓解单日校准的局限；同时融合眼动、心率、皮电等外周生理与行为特征，对脑信号的状态波动进行交叉校正[67]。实验设计层面，通过多会话、跨天的纵向追踪建立个体特征的纵向基线，区分相对稳定的特质性差异与暂时的状态性波动，并报告跨会话信度与性能保持情况[68]。需要承认，非平稳性是脑信号的固有属性，无法被完全消除，现实目标是通过上述手段把波动控制在可接受范围，并在评价中明确报告模型的跨会话泛化能力。

BCI系统的有效运行不仅依赖于信号解码能力，更取决于对用户神经认知特征及其变化规律的系统理解与动态适配。围绕个体差异、状态变化和长期共适应建立的人因建模框架，也进一步引出了反馈设计、容错机制与用户信任形成等更高层次的人因问题。

3.2 BCI交互的人因优化与容错机制

除了个体神经认知差异之外，脑机交互过程本身所具有的不确定性，同样构成了BCI人因工程需要关注的重要问题。脑信号解码不可避免地会出现误识别、响应延迟甚至控制偏差，用户如何理解系统行为、建立合理预期，并在长期使用过程中保持稳定协同，始终是BCI设计面临的一项挑战[69]。围绕这一问题，用户如何逐渐适应脑控交互、如何建立对BCI系统的信任，以及BCI系统又该如何实现有效容错，构成了彼此关联的关键问题。

对于很多用户而言，适应BCI本身就是一个持续学习的过程[70]。由于解码误差难以完全避免，用户并不总能清楚地判断，是自身意图表达出了问题，还是系统理解出现了偏差。久而久之，这种不确定性可能影响控制策略的形成，甚至降低使用积极性。因此，如何设计符合认知规律的反馈机制，让用户能够理解BCI系统状态、逐步建立稳定的操作模式，是BCI系统设计中的一个重要问题。

人机信任关系的建立与维持，直接影响BCI系统的长期使用效果[71]。当系统频繁出现误识别或响应延迟时，用户对系统能力的判断和预期也会随之改变，并进一步影响操作行为和持续使用意愿。因此，提高交互过程的透明性和可理解性，使用户能够形成合理预期、建立稳定信任，是实现长期脑机协同的重要前提。

当然，仅依赖提高解码准确率并不足以解决所有问题。脑信号本身具有不确定性，因此，合理的容错机制仍然是保障系统可用性和安全性的重要环节[72]。有效的容错设计不仅需要降低误操作风险，还应尽可能减少错误修正过程中的认知负担和心理压力。例如，通过结合环境信息、任务上下文以及动态交互策略，BCI系统可以在保持交互效率的同时，提高整体鲁棒性和用户接受程度。

除信任与容错外，BCI还面临一些由脑机交互机制本身引出的特殊人因问题。部分用户可能因难以形成稳定、可解码的脑信号模式，或缺乏对BCI能力边界的理解而放弃使用，因此BCI素养、用户筛查和预期管理成为重要内容[73]。传统BCI通常需要较长时间的个体校准，较高的时间成本和使用负担推动了少校准、零校准、即插即用和迁移学习等方向的发展。ErrP能够反映用户对系统错误的内隐觉察，为人机混合纠错和容错设计提供了神经层面的支持。同时，老年用户、残障用户及严重沟通障碍用户在认知、运动和感觉能力上的差异，使可及性和通用设计成为BCI应用的重要议题。此外，脑控过程中的自主性、主体性与具身感涉及用户对控制权、行为归属以及系统自动化边界的感知，影响用户能否将外部设备视为自身能力的延伸。这些问题分别从个体差异、交互负担、容错机制、可及性和人机关系等方面体现了BCI人因工程的特殊性，并与个体适配、协同适配和场景适配等研究方向相互交叉。

上述问题表明，BCI交互的人因优化并不仅仅依赖信号处理性能的提升，更与用户对系统行为的理解、信任关系的建立以及容错能力的完善密切相关。认知适应、信任建构和容错协同既构成了BCI系统设计中的重要人因问题，也进一步关联到不同应用场景下的人因需求差异及其共性规律。

3.3 场景化人因适配的普适性规律

随着BCI技术逐步进入医疗康复、工业控制、教育培训以及沉浸式交互等应用领域，不同场景下的人因需求差异愈发突出。由此产生的一个重要问题是：这些差异究竟源于何种因素，是否存在能够跨场景适用的人因设计原则与评价框架？

从现有研究来看，人因需求首先受到具体任务情境的影响。不同应用环境在任务目标、用户特征、风险等级和操作条件等方面存在明显差异，相应的人因关注重点也并不相同[74]。在医疗康复场景（如卒中上肢康复），用户多为存在运动功能损伤的患者，人因重点是长期训练依从性、训练强度与疲劳耐受、运动功能重塑中的神经适应以及康复效果的客观评价[75–77]。在辅助沟通与环境控制场景，用户可能为肌萎缩侧索硬化等重度运动障碍患者，可用交互通道极度有限，人因重点是以最低认知与运动负担实现高可靠选择、强容错与长时间使用的舒适性，并维护其自主性与尊严[78,79]。在交通与工业控制场景，用户多为健康操作者，系统常以被动监测注意、疲劳与分心为主，人因重点是报警阈值、误报与漏报的平衡、紧急接管时间与操作安全[80]。在教育、游戏与沉浸式环境中，用户更看重沉浸感、趣味与学习动机，人因重点是在沉浸体验与认知负荷、视觉疲劳之间取得平衡，以及VR反馈与神经反馈的协同设计[81]。跨场景比较可见，舒适性、安全性、认知负荷控制、交互透明性与信任是较通用的需求，而具体指标阈值、反馈形式与评价权重则随场景变化。

不过，场景差异并不意味着缺乏共性。无论具体应用如何变化，舒适性、安全性、认知负荷控制、交互透明性以及用户信任等因素，都会影响BCI的实际使用效果和长期接受程度[74]。这些共同关注的问题，构成了BCI跨场景人因设计的重要基础，也为建立统一评价框架提供了可能。

如何在保留场景差异的同时，总结具有普遍意义的人因设计原则，仍然是值得进一步讨论的问题[74]。未来，或许需要建立更加统一的核心指标和评价框架，使不同应用环境下的人因设计既能回应具体需求，又能够保持基本原则上的一致性，从而提高研究结果的可比较性和可迁移性。

3.4 人因伦理、神经数据隐私与用户权益

随着BCI进入临床、辅助与高风险应用场景，与人因紧密交织的伦理与权益问题也逐渐成为系统设计和用户研究的重要组成部分[82,83]。脑信号具有较强的个体相关性，其采集与分析可能涉及情绪、注意、认知状态乃至身份相关信息，因此，神经数据在采集、存储、传输和共享过程中的知情同意、用途限定、数据最小化、加密保护与访问控制需要得到充分考虑，涉及身份识别或状态推断的应用也应向用户明确说明[84,85]。随着BCI系统自适应和自主执行能力增强，人的监督、否决和接管权限以及系统失误情境下的责任边界也需要在设计阶段予以明确。与此同时，用户应充分了解BCI的实际能力边界、可能存在的“BCI盲”现象以及长期使用中的不确定性，以形成合理预期并避免过度承诺。技术应用还应关注不同年龄、残障状况和经济条件用户在使用机会、操作负担和获益程度上的差异，避免因技术门槛造成新的不平等[86]。这些伦理与权益问题与用户信任、接受度及长期使用意愿相互影响，使BCI人因研究不仅需要关注系统是否“可用”和“有效”，还需要进一步考察用户权利、控制感、知情程度与公平获益等因素。

BCI 人因工程的方法体系

BCI人因工程的方法体系建立在传统人因工程研究的基础上，但由于脑信号直接参与交互过程，其研究方法也进一步融合了神经测量、闭环实验和认知分析等手段。与传统人因研究相比，不仅需要观察用户的行为表现，还需要关注脑状态变化、学习过程以及长期使用中的适应特征。

因此，BCI人因研究往往同时结合神经、认知和行为多个层面的信息，对脑机交互过程进行综合分析。本文将相关方法概括为多模态测量与用户建模、闭环交互条件下的人因验证，以及面向BCI系统的多维评价方法三个方面。

4.1 面向神经认知特征的多模态测量与用户建模方法

对用户神经活动和认知状态进行测量，是开展BCI人因研究首先需要解决的问题。由于脑信号既反映控制意图，也会受到注意、疲劳和任务压力等因素的影响，仅依赖行为结果或外周生理指标，往往难以完整描述用户在交互过程中的实际状态。因此，多模态测量逐渐成为BCI人因研究中的常用方法[87]。

在具体研究中，神经信号、行为表现和外周生理信息通常被结合起来进行分析，用于观察用户状态变化及其对交互过程的影响。多源信息之间的相互印证，有助于更全面地理解认知过程与行为表现之间的关系，也能够为交互设计和系统优化提供更加丰富的依据[74]。对于长期使用过程中出现的学习效应和适应过程，这类方法同样能够支持连续观测和动态分析。

在用户建模方面，BCI人因研究开始越来越重视神经特征层面的信息。除了行为经验和任务背景之外，脑活动模式、用户采用的认知策略，以及状态随时间变化的特征，也逐渐被纳入用户模型之中[88]。基于这些信息，系统可以对训练方案、交互参数和反馈方式进行适当调整，以更好地适应不同用户及其状态变化。

人工智能正在改变BCI人因研究对用户状态、个体差异和长期适配问题的处理方式[89]。传统方法往往依赖人工特征设计和有限的个体校准，而机器学习与深度学习能够从脑电、眼动、外周生理和行为等异构数据中学习高维表征，为认知负荷、疲劳、注意等内隐状态的识别提供更加动态的分析手段。这种数据驱动能力也使用户个体差异能够从“需要控制的变异”转变为可建模的信息，通过度量学习、聚类和个体化模型识别用户间的神经表征差异，并支持范式和参数的差异化配置。在跨会话应用中，迁移学习、领域自适应和在线学习进一步使模型能够利用既有数据适应新的用户和状态，降低重复校准对使用过程的影响。与此同时，深度网络对ERD/ERS、功能连接及时序变化的建模，为预测用户状态和提前调整系统提供了新的可能。然而，数据驱动方法并不会自动解决人因问题，模型的可解释性、小样本和分布漂移条件下的可靠性，以及用户对算法决策的理解、信任和监督，均可能影响实际人机协作。因此，AI在BCI人因研究中的意义不仅在于提高解码或状态识别性能，更在于推动BCI从静态、统一的交互模式向能够感知用户状态并持续适应个体差异的智能交互系统发展[17]。

这些方法让研究者看到的不再只是最终行为结果，而是神经活动、认知过程和外部表现之间更完整的联系，对于理解长期使用中的适应过程，也提供了新的观察视角。

4.2 闭环交互条件下的人因验证方法

由于BCI系统存在持续反馈和在线调整过程，BCI人因研究往往需要在闭环条件下开展验证，而不能仅依赖离线实验或单次任务测试。相比传统实验范式，闭环验证更容易观察用户学习、策略调整和长期适应等过程，因此逐渐成为BCI人因研究的重要方法之一。

为提高实验结果与真实应用之间的一致性，研究者通常借助虚拟现实、数字孪生环境或场景化实验平台，在可控条件下模拟医疗康复、工业控制等复杂任务。这样既能保证实验条件的可重复性，也便于持续观察用户在长时间交互中的行为调整和认知变化，从而提升研究的生态有效性。

因此，闭环实验通常不会只记录最终任务结果，还会同步考察用户在学习过程中的状态变化，例如认知负荷、策略调整和适应速度等[90]。通过连续观察用户与系统之间的互动过程，可以更全面地分析长期使用条件下的脑机协同特征[91]。

与传统离线评价相比，闭环验证更强调交互过程本身，而不是单次任务结果。研究者关注的不只是系统性能，还包括用户如何学习、如何调整策略，以及二者在长期使用中的相互适应，这也是BCI人因研究区别于传统可用性测试的重要特点之一。

4.3 面向BCI的多维人因评价方法

面向BCI系统的人因评价，已经不再局限于传统可用性指标。除任务完成情况和交互效率之外，用户的认知负荷、使用体验以及长期适应过程，同样会影响系统的实际应用效果。因此，BCI的人因评价往往需要同时考虑行为、体验和神经状态等多个层面的信息[74]。目前，相关研究大致可以归纳为有效性、效率、认知负荷、可用性、满意度、信任度、接受度、舒适性以及神经适配性等维度，如表4所示。

表4 BCI人因评价的主要维度与典型指标

过去的研究更多关注准确率和信息传输效率，而随着BCI逐步进入真实应用环境，用户是否能够长期稳定使用、是否愿意持续接受系统，也越来越受到重视。相应地，用户神经状态及其适应过程，正在成为人因评价体系中的重要组成部分。

相关研究通常结合脑活动特征、认知负荷指标和行为表现，对用户状态变化及其与系统性能之间的关系进行分析。这些神经层面的信息，有助于理解脑机共适应过程中的长期演化特征，也能够为个性化设计和后续优化提供依据。

其中，神经适配性是BCI人因评价区别于传统可用性评价的特有维度，指用户在反复使用BCI过程中，脑活动模式与脑网络连接随学习和共适应发生的、可测量的适应性改变，及其与系统性能协同演化的程度。

当前，BCI人因评价已经不再只是对任务结果和操作效率进行衡量，用户状态、长期体验以及脑机适配过程正在成为越来越重要的评价内容。如何协调行为指标、主观评价与神经信息之间的关系，并建立兼顾不同应用场景需求的评价框架，仍然是这一领域需要持续探索的问题。

4.4 方法体系在BCI全开发流程中的应用路径

前文从测量、验证与评价三个维度构建了BCI人因工程的方法体系。需要指出的是，多模态测量与用户建模、闭环验证以及多维评价并非彼此独立的研究手段，而应当贯穿于BCI系统从需求定义、原型开发、测试验证到长期迭代的全开发流程，形成工程化开发路径。只有将上述方法与具体开发阶段相对接，才能将人因研究从实验室结论转化为可指导真实世界BCI设计的操作规范，进而切实改善人机交互质量。

参照以用户为中心的设计流程，结合BCI系统的技术特征，可将其开发过程划分为需求定义与用户建模、交互原型与算法迭代、产品测试与场景验证、长期部署与迭代优化四个典型阶段。不同阶段的人因目标、核心方法与输出成果存在差异，但彼此通过数据与反馈形成闭环，如表5所示。

表5 BCI全开发流程中的人因方法映射

由表5可见，多模态测量方法主要在开发前端发挥作用，用于建立用户基线与个性化模型；闭环验证方法集中于原型迭代阶段，用于检验交互逻辑与反馈机制；多维评价方法则贯穿产品测试与长期部署阶段，并将评价结果反向输入到需求定义与原型迭代环节，形成跨阶段的反馈回路。

在需求定义与用户建模阶段，多模态测量方法的核心作用是将抽象的用户差异转化为可操作的设计输入。开发团队应针对目标用户群体开展系统性的多模态基线测量，包括神经活动特征（如EEG节律、事件相关电位响应模式）、认知能力（如注意稳定性、工作记忆容量）、外周生理特征（如心率变异性、眼动模式）以及行为表现（如学习速度、策略偏好）。在此基础上，通过聚类、度量学习或个体化建模等手段，将用户划分为具有相似神经认知特征的群体，并据此确定交互范式、参数范围与训练路径。例如，针对MI-BCI，可依据感觉运动皮层ERD/ERS的可分性强度将用户划分为高可解码型、中等可解码型与低可解码型（即潜在的"BCI盲"用户），对不同群体采用差异化的范式选择与训练方案；针对SSVEP-BCI，可依据枕区视觉皮层响应特性与视觉疲劳易感性，为不同用户推荐适配的闪烁频率组合与刺激时长。这种基于多模态测量的用户分群，能够从开发源头避免统一范式适配所有用户的设计倾向，是提升BCI系统易用性与长期依从性的基础。与此同时，该阶段还应同步测量目标场景中的环境约束（如光照、噪声、佩戴条件）与任务特征（如风险等级、操作频次），将用户神经认知特征与场景约束相结合，形成完整的人因需求规格，为后续原型设计提供依据。

当BCI系统进入交互原型与算法迭代阶段，闭环验证方法成为核心工具，与传统离线数据采集和单次任务测试不同，闭环验证强调在系统在线运行条件下，持续观测用户学习过程、策略调整与系统反馈之间的动态关系，并据此迭代优化交互设计。具体实施可分为三个阶段。第一，离线精度验证，在校准数据集上检验解码算法的基础性能，确保系统具备基本的控制能力。第二，闭环体验验证，在虚拟现实、数字孪生或场景化实验平台中搭建模拟真实使用环境的闭环任务，重点观测用户的学习曲线、错误模式、认知负荷变化与反馈响应，而非仅关注离线准确率。例如，在反馈机制设计中，通过闭环实验比较不同反馈延迟、通道分配与冗余编码方案对用户学习速度和控制连续性的影响；在容错设计中，结合ErrP检测与用户外显行为，评估混合纠错策略对误操作率与修正负担的影响。第三，场景稳定性验证，将原型部署到接近真实的应用环境中，检验系统在干扰、疲劳与长时间使用条件下的稳定性，并记录用户在真实任务约束下的交互表现。通过上述三级闭环验证，开发团队能够在原型阶段即识别出反馈时序不当、认知负荷过高、容错策略失效等人因问题，并快速迭代修正，避免将设计缺陷带入后续产品测试阶段。这一过程同时也是脑机共适应机制的实证检验过程：系统根据用户状态调整控制参数，用户根据系统反馈调整认知策略，二者在闭环实验中形成双向优化。

在产品测试与长期部署阶段，多维评价方法承担着综合判断系统人机交互质量的职能。前文所述，BCI的人因评价涵盖有效性、效率、认知负荷、可用性、满意度、信任度、接受度、舒适性与神经适配性等多个维度。在工程应用中，关键在于将这些维度组织为分阶段的评价矩阵，并明确评价结果向设计改进的转化路径。在产品测试阶段，应根据BCI类型与场景特征确定评价重点，医疗康复类BCI应重点关注训练有效率、认知负荷、依从性与运动功能重塑程度；辅助沟通类BCI应优先评估选择可靠性、长时间使用舒适性与用户自主性；消费控制类BCI则需平衡操作效率、视觉疲劳与使用意愿。评价完成后应输出结构化的人因问题清单，明确每个问题对应的设计改进方向。例如，当认知负荷指标超标时，应优先简化反馈通道、降低信息冗余或调整任务节奏；当信任度偏低时，应增强系统状态透明性与错误解释；当神经适配性提升缓慢时，应调整训练强度与神经反馈策略。在长期部署阶段，多维评价应转化为持续跟踪机制，通过定期采集多模态数据（神经状态、行为表现、主观反馈），监测用户在数周乃至数月使用过程中的神经模式演化、疲劳累积规律与依从性变化。这些长期数据一方面用于更新个体化用户模型，使系统持续适应用户的神经可塑性变化；另一方面用于识别长期使用中出现的退化问题（如信号稳定性下降、使用兴趣衰减），为产品功能迭代提供依据。由此形成长期闭环。

为进一步说明上述路径的工程含义，以下结合两类典型BCI场景简述方法体系的具体应用。在卒中上肢康复BCI开发中，需求定义阶段对入院患者开展多模态基线测量，包括静息EEG、运动功能评估、认知状态与疲劳耐受能力，据此进行用户分群并制定个性化训练强度与范式选择；原型迭代阶段基于VR康复场景开展闭环训练实验，同步采集EEG、肢体运动数据与主观负荷反馈，优化"视觉+触觉"多模态反馈方案与训练难度自适应规则，重点验证患者的学习曲线、ErrP驱动的纠错策略以及训练中疲劳状态的实时检测与干预；产品测试与长期随访阶段分阶段评价训练有效率、认知负荷、训练依从性与运动功能重塑程度，并在数周至数月的随访中持续监测神经适配性变化，据此调整训练方案与神经反馈策略，最终目标是提升康复效果与长期训练依从性。在消费级SSVEP智能家居控制BCI开发中，需求定义阶段通过多模态测量识别不同用户群体的视觉疲劳阈值、注意资源分配特征与认知负荷水平，据此优化闪烁频率组合、刺激时长与界面布局；原型迭代阶段于模拟家居环境中开展闭环可用性测试，重点观测连续使用30分钟内的疲劳度变化、误操作率与反馈响应体验，持续优化提示模态、错误反馈时序与非关键指令的自动暂停机制；产品测试与长期部署阶段从操作准确率、响应效率、视觉舒适性、使用意愿与信任度等维度综合评价，并通过长期跟踪监测用户的视觉疲劳累积与使用频率变化，平衡技术性能与用户体验，提升产品接受度与持续使用意愿。

上述应用路径表明，多模态测量与用户建模、闭环验证、多维评价三类方法并非各自独立的研究工具，而是可以嵌入BCI全开发流程的人因驱动方法链。需求阶段的多模态测量将用户神经认知差异转化为个性化设计输入，原型阶段的闭环验证在真实交互条件下检验并优化反馈与容错机制，测试与长期部署阶段的多维评价则提供持续反馈，驱动系统迭代优化。这一路径的核心价值在于将"以人为中心"的设计理念从抽象原则转化为可操作的工程规范，使BCI系统不仅在技术指标上可用，更能在真实使用中实现低负荷、高信任、可持续的人机协同。

学科价值与未来方向

5.1 作为新兴交叉研究方向的核心依据

BCI技术正逐渐走出实验室，进入医疗康复、工业控制和沉浸式交互等真实应用环境。随着应用场景不断拓展，传统人因工程中的许多理论和方法虽然仍然具有重要价值，但面对脑机交互所带来的新问题，也开始显现出一定的局限性。在这一过程中，围绕BCI的人因研究逐步积累，并逐渐形成了相对清晰的研究边界、核心问题和方法路径，显现出向新兴交叉研究方向发展的趋势。

前文的分析表明，BCI人因工程在研究对象、核心问题和方法体系上，都表现出区别于传统人因研究的特点。它不仅关注行为层面的交互过程，还将神经活动和认知状态纳入人与系统协同关系的分析框架；其核心问题涉及个体差异、脑机共适应、信任形成以及场景适配等内容；在研究方法上，则强调多模态测量、闭环验证和长期评价的结合。这些特点共同构成了相对独立的问题域和研究范式，也为其作为新兴研究方向的发展提供了基础。

更重要的是，BCI人因工程的发展，也推动了人因工程研究视角本身的延伸。人机交互传统上强调外显交互，同时也涉及内隐与生理输入；而BCI则进一步把神经活动和认知状态纳入系统设计、评价与优化过程。研究对象由行为与系统的关系扩展到神经、认知与系统三者之间的关系，这并不是对传统人因工程的替代，而是在新的交互条件下，对“以人为中心”理念的进一步拓展和深化。

因此，BCI人因工程并不是传统人因方法在BCI领域的简单应用。随着研究对象、核心问题和方法体系不断清晰，它正在逐渐形成具有自身特征的问题域和研究范式。BCI人因工程若要发展成为受到广泛认可的新兴交叉研究方向，还需要在理论体系、方法规范和学术生态等方面持续完善。例如，需要逐步形成可操作且可推广的研究范式与测量标准，建立支持跨研究比较的核心评价指标体系和共享数据资源，并通过不同BCI范式及实际应用场景中的长期、重复性验证积累系统性证据。同时，还需推动相关学术共同体、教育培养体系和专业交流平台的发展。未来BCI人因工程能否真正成为新兴交叉研究方向，还有赖于更多实践验证和理论积累，但作为人因工程的重要新兴方向，其发展趋势已经日益明确。

5.2 未来关键研究方向

尽管BCI人因工程已经形成初步的研究框架，但随着BCI逐步进入长期使用和复杂应用环境，许多问题仍有待进一步探索。从现阶段的发展趋势来看，未来的研究重点可能更多地集中在可信协同和跨场景设计。

可信的人机协同机制同样不容忽视。脑机交互天然存在解码误差和系统不确定性，用户如何理解系统行为、形成合理预期并保持长期信任，将直接影响技术的实际应用效果。脑信号隐私保护、用户自主权以及责任边界等问题，不仅涉及技术实现，也关系到用户接受和长期应用，应当成为未来人因研究持续关注的重要内容。

随着应用场景不断扩展，跨场景的人因设计原则和评价标准也显得越来越重要。不同领域在实验范式、评价指标和长期可用性研究方面仍存在较大差异，研究结果之间的可比性和可迁移性有限。建立更加统一的人因评价框架，或许会成为推动工程应用和标准化建设的重要基础。

从更长远的角度看，BCI的发展已经不仅仅是提高准确率或控制能力的问题。用户能否长期稳定地使用系统，是否愿意信任并持续接受这种新的交互方式，同样决定着技术最终的应用价值，这些问题也为BCI人因工程未来的发展提供了新的研究空间。

同时应客观看待BCI人因工程的作用边界。人因优化能够有效缓解用户适配困难、校准与训练负担重、长期依从性低、体验与接受度不足等落地障碍，使既有技术条件下的系统更可用、更好用，但它不能替代采集硬件、神经解码算法以及植入材料生物相容性等底层技术的突破，对信号带宽与精度等硬约束的改善有限。BCI的规模化落地是人因工程与技术工程协同推进的结果，片面强调任一方面都不现实。

结论

本文围绕BCI规模化落地中的人因瓶颈，梳理了BCI人因工程的研究边界、核心科学问题与方法体系。脑机交互的输入内隐、神经状态动态波动，再加上脑机双向共适应的特性，是传统人因工程框架无法完全覆盖的，这也是建立专门交叉研究方向的根本动因。本文明确了该领域四类核心研究对象，厘清了其与传统人因工程、BCI工程技术的学科边界。在此基础上归纳出三类核心科学问题，并搭建了对应的方法体系，主要涵盖多模态测量与用户建模、闭环交互验证、多维人因评价几个方面。

BCI人因工程的核心在于神经活动、认知过程与系统设计之间的协同适配，而非传统人因方法在新领域的简单套用。相关研究既能为BCI系统的以人为中心设计提供理论支撑，也有助于提升系统的长期可用性和实际应用价值，同时进一步拓展人因工程的研究边界。

与此同时，人工智能与多模态感知为个性化建模和跨时间适配提供了新的工具，而神经数据隐私、用户自主性等伦理议题应与技术发展同步考虑，这也是BCI人因工程未来需要持续深化的方向。

END

编辑 | 昆明理工大学伏云发教授等

审核 | @脑机学苑