近日媒体报道，三七互娱正式完成对强脑科技 (BrainCo) 2000万美元的投资，截至目前，强脑科技累计融资规模约3-4亿美元，是全球唯一与Neuralink并列融资超3亿美元的脑机接口企业，是非侵入式脑机接口领域的独角兽企业，尤其是神经假肢技术的商业化落地——智能仿生手成为全球首款量产的脑控义肢，为肢残人士提供了革命性解决方案。
在国际科技巨头中，扎克伯格的META公司采取了类似的技术路径。今年7月，META公司旗下Reality Labs及其Ctrl-labs部门的研究人员在《Nature》期刊发表了一项成果，宣布该团队开发出一种基于表面肌电图（sEMG）的通用非侵入性神经运动接口，首次实现了无需个体校准、跨人群高性能泛化的人机交互。
用于手腕处表面肌电高通量记录和实时解码的软硬件平台 @Nature
神经假肢和基于肌电的人机交互，都是通过采集人体神经和肌肉电信号，将 "意念" 转化为精确动作控制，是以外周神经信号为主的人机接口应用。与目前最热的以“中枢神经系统”（脑与脊髓，尤其以“大脑”为核心）为主的“脑机接口”不同，这类神经接口主要采集外周神经相关信号，虽然不如中枢神经信号的集中与丰富，但已经能够采集到解决目标问题的关键信号。在面向应用的神经技术领域，像强脑科技智能仿生手这样的外周神经接口或许是一种极具潜力的非侵入性人机交互方案。（注：外周神经接口技术种类繁多，本文重点关注基于sEMG的非侵入式外周神经接口技术。）
各种外周神经接口设备概览 @IEEE
基于sEMG的外周神经接口：分解技术
如何能够实现动作等行为活动与神经信号的实时匹配与同步，是EMG神经接口的核心问题。早年关于sEMG的研究局限于提取振幅、频谱矩等全局特征，且通过这些特征间接关联神经生理机制时存在显著缺陷，但近些年的发展，sEMG已经从基础信号监测发展为能深入解析运动单位活动、支持神经接口的核心工具。
sEMG处理的核心进展集中在分解技术的成熟与拓展。2004年时，从sEMG中识别单个运动单位动作电位（MUAP）仍存在争议，且缺乏能完整输出运动单位放电时序的方法；2014年分解技术虽初步落地，但依赖少量通道的算法易受体积导体滤波导致的MUAP形态混淆影响，且验证体系不完善。如今，高密度电极网格的应用彻底改变了这一局面：不仅能识别大量运动单位（如在健康人胫骨前肌的等长收缩实验中，通过256通道电极识别出187个独特运动单位），还能实现跨会话（间隔数天至数周）追踪，为研究干预措施（如力量训练）对运动单位的长期影响提供可能。
用于解释表面肌电图信号的有限元模型 @Journal of Applied Physiology
此外，目前分解技术还突破了动态收缩场景的限制：针对低速周期性收缩，已开发出能补偿肌肉-电极系统几何变化导致的非平稳性方法，尽管快速动态任务的分解仍未完全解决；实时分解也通过线性盲源分离实现，只需从训练数据中估计混合矩阵，后续分解延迟可控制在数十毫秒内，为实时神经接口提供关键技术支撑。
值得关注的是，AI增强型分解近年逐渐兴起：通过深度学习模型（如卷积神经网络）处理低信噪比信号、修正盲源分离中的假阳性/假阴性，甚至利用数字孪生生成的模拟数据扩充训练集，提升算法对噪声和非平稳性的鲁棒性；无监督学习方法也在探索中，通过将EMG信号映射到低维流形并施加生理约束实现分解，无需依赖传统算法的训练数据。
不过，分解技术仍存在固有局限：深层运动单位、小肌肉中的运动单位识别难度大，肌肉解剖差异（如前臂多肌肉区域信号混淆）、性别导致的体积导体滤波差异，均会影响分解准确性，部分问题需依赖电极技术或算法架构革新解决。
sEMG神经接口应用场景：控制与反馈
目前，基于sEMG的神经接口已经成为肌电控制的神经假肢、脊-机接口和生物神经反馈等应用领域的重要技术支撑，但同时也面临着诸多挑战。在肌电控制领域，传统假肢多依赖EMG振幅等全局特征实现简单电机控制，而分解后的神经驱动信号能更精准反映运动意图——由于神经驱动信号剥离了MUAP形态受肌肉纤维、体积导体特性的影响，对肌肉力量的估计精度显著高于EMG振幅，已有概念验证表明其可提升假肢控制的自由度和准确性，但临床转化仍面临挑战：高密度电极的计算资源需求高，不同用户间的分解鲁棒性不足，尚未形成标准化的临床应用方案。
sEMG的采集、建模、处理和接口应用 @Journal of Applied Physiology
在脊髓损伤患者中，即使临床诊断为 “运动完全性瘫痪”，通过高密度sEMG仍能检测到瘫痪肌肉的残留肌电活动，进一步分解可识别运动单位的放电规律，并发现这些放电与患者预期动作（如手指屈伸、抓握）存在关联——这一发现为 “脊髓-计算机接口” （脊-机接口）提供可能，可用于控制虚拟手、外骨骼或功能性电刺激设备，初步实验显示能通过解码运动单位活动实现对预期动作的精准关联，但长期稳定性、信号漂移等问题仍需解决。
生物反馈系统则基于分解得到的神经驱动信号，揭示了中枢神经系统控制运动单位的核心机制：中枢并非单独控制单个运动单位，而是通过 “共同突触输入” 向运动单位群传递信号，降低控制维度并减少噪声；同时，还能解读皮层振荡向肌肉的传递过程，为治疗性生物反馈（如神经康复训练）或人体增强提供新方向，不过目前这类应用仍处于初步探索阶段，需更多实验验证其临床价值。
外周-中枢神经接口展望：与脑协同
如上所述，虽然基于EMG的神经接口与我们常说的“脑机接口”是两码事，但两者并非毫无关联。近期一个国际研究团队提出，通过贴附在肌肉上的传感器构建 “外周神经接口”，可非侵入性地解码脊髓运动神经元（MNs）活动，进而捕捉中枢神经系统中不直接调节肌肉力量的高频神经信号，为避免开颅等侵入性操作、推动脑机接口走向临床与日常应用提供了全新路径。
用于读取高频脑信号的外周神经接口 @nature
团队发现，通过肌电图（EMG）记录肌肉电活动，结合信号处理与深度学习技术，能反向解码出运动神经元的 “尖峰活动”—— 这种活动不仅包含控制肌肉收缩的指令，还隐藏着大脑传递来的高频信号（如13-30Hz的β波、40-50Hz 的低γ波，甚至超过70Hz的信号），而这些高频信号因肌肉机械特性限制，并不会直接影响肌肉力量，却能反映大脑的实时活动状态。
研究指出，运动神经元与它支配的肌肉纤维存在严格的 “1:1 信号映射”——运动神经元的每一次 “放电”，都会精准触发肌肉纤维的电反应；同时，不同运动神经元因肌肉纤维分布、神经接头位置的差异，其电信号具有独特的 “时空指纹”。基于这两个特性，团队采用高密度EMG电极（多通道同步记录肌肉不同位置电活动），搭配盲源分离、门控循环单元网络等技术，成功从EMG信号中分离出单个运动神经元的活动，目前已能实时追踪每名受试者12-38个运动神经元的动态。
这项技术的应用前景十分广阔。在神经康复领域，通过肌肉传感器捕捉大脑高频信号，可为脑损伤患者提供 “神经反馈训练”，帮助其重塑大脑功能；在运动增强领域，利用不影响肌肉力量的高频信号，有望让人类同时控制自然肢体与人工假肢，突破传统运动控制的自由度限制——已有实验显示，受试者经短期训练后，可独立调节运动神经元中两个不同频段的信号，为 “多任务控制” 奠定基础；在闭环神经调控中，该技术还能规避直接脑记录的弊端：大脑刺激产生的伪迹不会干扰肌肉信号，且高频信号识别精度高于头皮EEG，为精准触发非侵入性脑刺激提供了新思路。
虽然脑机接口与sEMG神经接口技术目前并未完全成熟，但人们对于疾病治疗和自我完善的广泛需求必然推动着这些“工具”的进步。所以在技术转化为应用的过程中，更重要的还是切实为目标用户解决问题；神经接口无论是中枢还是外周，使用效果、用户体验和价格亲民等才是这些技术规模化应用的关键。随着科研领域的技术突破与企业新产品的推出，我们期待着一个普惠的“人机接口”的时代到来。
https://doi.org/10.1038/s41586-025-09255-w
https://doi.org/10.1109/TBCAS.2024.3430038
https://doi.org/10.1152/japplphysiol.00453.2024
https://doi.org/10.1038/s41551-025-01445-1
https://www.vbdata.cn/intelDetail/824172
https://bioengineer.org/advancements-in-interfaces-for-high-frequency-brain-signal-reading/
