脑机接口（BCI, Brain-Computer Interface）技术通过连接人脑与外部设备，为中风、脊髓损伤等运动障碍患者提供了恢复肢体功能的新希望。目前的主流方案分为有创和非侵入式两类：前者需要手术植入电极，信号精度高但风险大；后者则通过脑电图（EEG）获取信号，安全、便携且成本低。然而，EEG信号在穿过颅骨与头皮的过程中会显著衰减并相互干扰，难以区分单个手指的运动意图，这让“精细控制”长期成为非侵入式BCI的瓶颈。近日，美国卡内基梅隆大学（Carnegie Mellon University）研究团队开发出一种基于EEG的实时非侵入式脑机接口系统，该研究成果发表于《Nature Communications》，展示了非侵入式BCI在精细运动控制上的关键突破。
01
研究背景
以往的非侵入式BCI研究主要集中在粗略的手臂或手部运动控制，例如伸展、抓握等，控制映射与用户意图之间存在差异，无法实现自然的手指独立动作。相比之下，手部精细运动对人类功能恢复尤为重要，特别是中风等神经损伤患者。然而，由于大脑皮层中手指运动区高度重叠，且EEG信号在传导至头皮表面时显著衰减，区分单个手指运动极具难度。此前虽然通过皮层电图（ECoG）或植入电极实现了指级控制，但利用非侵入式神经信号在单个手指层面实时控制机械手的能力尚未得到证实。
02
研究概述
研究团队提出了一种基于深度学习的非侵入式EEG脑机接口系统，用于实现单个手指级别的机器人控制。研究共在21名健康受试者中开展在线与离线两类任务：所有纳入主研究的受试者均通过离线筛选，随后依次完成一次离线ME（运动执行）与一次离线MI（运动想象）以收集训练数据，在此基础上进入两次在线ME与两次在线MI会话；主研究完成后，部分受试者进一步开展三次加做的MI在线训练会话以及包含平滑机制的在线控制实验，用以评估训练效应与输出稳定性 (图1A-D)。整体样本的纳入、会话编排与加做环节在图示方案中给出，确保训练—验证路径的可追溯性与可复现性。
图1. 实验范式。A. 实验设置 。 使用单指的运动想象或执行来驱动机器人手指运动。B. 将人类手指运动或想象的手指运动（右手）映射到机器人手指控制（右手）。C. 每位参与者的实验环节概述。实验分为四个不同的阶段，参与的参与者数量根据其空闲时间而有所不同。D. 在线环节设计概述。在前半部分环节中，使用预先训练的 EEGNet 模型在受试者进行手指运动想象或执行时提供手指级别的实时机械手控制。后半部分环节使用了根据前 8 次运行的数据进行微调的 EEGNet 模型。（图片来自原文）
为提升在线可用性，研究在不改变判定口径的前提下引入在线平滑机制：系统在连续时序上对分类器输出进行时域抑噪，降低“标签频繁跳变”，并以“Label Shift（单试次内预测标签变更次数）”与“All-Hit Ratio（整试次全程命中比例）”作为稳定性指标，与多数投票准确率并列报告。在准确性方面，平滑输出和原始输出之间没有观察到显着差异，这表明平滑方法在这些范式中保持了任务性能。此外，在所有四种范式中，研究团队观察到标签移位次数显着减少，反映出输出控制命令的稳定性增强。比较应用平滑方法前后的 All-Hit 试验百分比，研究团队发现它有效地过滤掉了任务期间的小扰动，从而实现了更好的整体控制 (图2)。这些发现说明平滑方法在提高基于脑电图的机器人控制系统的稳健性和可靠性方面具有极大的潜力。
图2. 在线平滑的效果。微调后的EEGNet模型原始输出与平滑输出对比：双指运动意图（ME）在线任务（A）、三指运动意图（ME）在线任务（B）、双指运动意图（MI）在线任务（C）及三指运动意图（MI）在线任务（D）（n=16名受试者）。中线表示中位数值。箱体范围从下四分位数延伸至上四分位数。菱形标记表示超出四分位距1.5倍的异常值（高于第三四分位数或低于第一四分位数）。两种条件间的比较采用线性混合效应模型（***表示p<0.001，**表示p<0.01，*表示p<0.05）。（图片来自原文）
在上述统一流程下，二指（2-class）与三指（3-class）MI准确率分别达80.56%和60.61% (图3A, B)；会话内微调相较基模在精度与召回等指标上显著受益，且仅一次在线训练即可达到稳定性能平台期。该结果与样例所强调的“预训练+短校准即可收敛”的实操取向一致，但这里的“短校准”对应的是会话内微调与少窗多数投票。与此同时，电生理侧证显示对侧手区α/β节律的去同步化是区分不同手指意图的关键信号来源 (图3C, D)，为解码器的特征选择与拓扑显著性提供了神经生理学解释。
图3. 非侵入式 EEG 脑机接口系统的性能与神经特征。(A–B)：基于 EEGNet 的二指 (A) 和三指 (B) 在线 ME/MI 任务解码结果，展示基模型（Base）与微调模型（Fine-tuned）在运动想象任务中的准确率随会话变化的趋势。(C–D)：对应 ME 与 MI 任务中 α (8–13 Hz) (C) 与 β (13–30 Hz) (D) 频段事件相关去同步化（ERD）拓扑图，显示对侧感觉–运动皮层的主导激活模式。（图片来自原文）
03
研究意义
该工作首次验证非侵入式EEG信号可实现单指级实时控制，在保持非侵入优势（安全、便携、成本）前提下，突破了长期由信号重叠与低信噪比带来的可分性瓶颈。采用小样本会话内微调与在线平滑，在低延迟（~1 s）框架达成自然映射的指级控制，为中风上肢康复、智能假肢与人机协作提供了可迁移的工程路径。结合其“一次训练达到平台期”的规律，该范式在面向临床—家庭—日常的推广上具备现实可行性。
参考文献：
Ding, Y., Udompanyawit, C., Zhang, Y., & He, B. (2025). EEG-based brain-computer interface enables real-time robotic hand control at individual finger level. Nature Communications, 16, 5401. https://doi.org/10.1038/s41467-025-61064-x (Accessed: 23 Oct 2025).
来源：BME康复工程分会
