柔性电子与神经信号解码融合下的非侵入式脑机接口 ©The Authors/Springer Nature
今日，发表于《Nano-Micro Letters》的一项综述研究系统地梳理了非侵入式脑机接口（BCIs）领域近十年的核心突破。来自南京邮电大学、南京大学、南京中医药大学和东部战区总医院等机构的研究团队指出，神经信号解码算法的深度学习革新与柔性生物电子学的材料突破正实现深度融合，为这一跨学科技术从实验室走向临床康复、日常交互等真实场景扫清关键障碍。
非侵入式脑机接口：神经信号解码与柔性生物电子集成的融合前沿 ©The Authors/Springer Nature
告别手术依赖：非侵入式脑机接口成技术主流
脑机接口作为连接大脑神经活动与外部设备的“桥梁”，分为侵入式与非侵入式两类。侵入式技术虽信号质量高，但需手术植入，存在感染风险与生物相容性隐患，仅适用于少数重症患者。而非侵入式脑机接口无需手术，凭借高安全性和普适性，已在肌萎缩侧索硬化症（ALS）沟通辅助、脑卒中康复、车载安全监测、VR/AR交互等领域展现巨大价值。
不过，传统非侵入式脑机接口长期受困于信号信噪比低、个体差异大、环境干扰敏感等问题。脑电图（EEG）作为主流信号采集方式，易受生理伪迹和电磁干扰影响，而柔性电子材料与人工智能的协同创新，正成为破解这些难题的关键。
三大技术突破重塑脑机接口性能边界
突破一：多模态融合+AI解码，信号解读精度翻倍
研究发现，整合视觉、听觉、触觉等多通道刺激的“多模态范式”，能显著提升解码稳定性。例如，将稳态视觉诱发电位（SSVEP）与听觉稳态响应（MASSR）结合的双模态系统，视觉通道识别准确率达90.4%，远超单一模态的36.7%。而深度学习模型的应用更是让解码能力实现质的飞跃——CNN（卷积神经网络）、Transformer等模型不仅能自动提取脑电信号的时空特征，还能通过数据增强、迁移学习补偿个体差异，部分模型在通道缺失或噪声干扰下仍保持70%以上的准确率。
神经信号解码的多模态刺激范式示意图。©The Authors/Springer Nature
a 左图：闪光-蜂鸣范式的示例试验。右图：参与者间的平均值，展示绝对差异
b 左图：对“一”到“九”这些词的诱发脑电图信号的振幅分布。右图：MASSR-EEG中反馈脑电图信号的语言和频谱
c 不同刺激条件下的系统性能以及成对分类准确率
d P300和SSVEP范式的刺激界面
e 结合SSVEP和P300的混合脑电图信号处理模块框架
f 三种脑机接口范式的实验设计
g 结合感知、持续注意力、选择性注意力和情景记忆任务的多维范式，利用迁移学习来预测记忆表现
h 皮层视觉区域中与情绪相关成分的视觉表征
用于多尺度信号解码的混合深度学习框架。©The Authors/Springer Nature
a/b CNN-LSTM架构
c CNN-BiLSTM网络的架构以及不同方法的识别准确率
d 实时深度神经语言学习的解码过程
e 多模态深度融合框架与基于贝叶斯优化的超参数调优
突破二：柔性材料革新，电极“贴肤”又稳定
传统刚性电极因接触不适、信号漂移等问题限制了长期使用，而柔性生物电子材料的创新彻底改变了这一现状。研究团队重点关注了三类核心材料：柔性导电薄膜（如导电率达5880S/m的aG-O薄膜）、一维纳米线（碲纳米线、硅纳米线等，拉伸应变超40%仍保持导电稳定）、零维纳米颗粒（如聚多巴胺纳米粒子，可降低电极-皮肤阻抗）。这些材料制成的电极不仅贴肤舒适，还能有效抑制运动伪迹，甚至能绕过头发实现稳定信号采集，多发的皮肤场景下准确率仍达82%，接近传统凝胶电极水平。
柔性导电薄膜性能特征的示意图。©The Authors/Springer Nature
a aG-O薄膜制备过程示意图
b 柔性PENG器件的详细构造
c 左图：可折叠ACEL器件的亮度曲线图。右图：该器件在循环折叠测试中的亮度稳定性曲线图
d 味觉界面的示意图概述
e 左图：柔性单晶SRO薄膜。右图：水滴上薄膜的应力松弛
f 柔性钙钛矿薄膜的弯曲耐久性
可穿戴柔性设备：设计原理。©The Authors/Springer Nature
a 在PDMS薄膜上不同应变下的硬质岛区域以及附着在人体皮肤上的阵列的放大照片
b 上图：附着在人手指上的柔性硅纳米线应变传感器阵列的光学图像。下图：传感器矩阵在不同应变下的归一化电流图及其实时响应
c PLMT的拾取和打印过程示意图
d 左图：带有蛇形导线的3D多模光纤。右图：神经球上光和温度的模拟3D分布
突破三：软硬件协同，构建“信号-算法-设备”闭环
柔性电极提供高保真原始信号，深度学习算法补偿硬件残留噪声，这种“硬件筑基、算法驱动”的协同范式形成正向循环。例如，SKINTRONICS系统通过柔性导电聚合物电极将接触阻抗降至20kΩ以下，结合双层CNN模型，仅用两个脑电通道就实现94.54%的离线分类准确率，成功控制电动轮椅、无线车辆等设备，信息传输率达122.1bits/min。
柔性电子与深度学习的集成用于先进的非侵入式脑机接口。©The Authors/Springer Nature
a 用于人类情绪分类的AHBH皮肤界面生物传感器的示意图解和性能；
b 支持VR的便携式脑机接口示意图；
c 具有完全便携和无线头皮电子设备的系统架构示意图
从临床康复到日常交互：应用场景全面拓宽
在医疗领域，非侵入式脑机接口已展现明确价值：帮助渐冻症（ALS）患者恢复字母选择与自主沟通，使超三分之二的患者实现有效交流；结合功能性电刺激技术，助力慢性脑卒中患者改善运动功能。而在非医疗场景，车载脑机接口系统能通过P300与SSVEP信号融合，实现98.93%的目的地选择准确率；入耳式设备可实时监测困倦状态，识别准确率超93%；VR交互场景中，基于柔性电极的脑机接口能实现虚拟绘画、环境导航等精准控制。
未来挑战与方向：迈向个性化、高稳健性应用
尽管进展显著，该技术仍面临三大核心挑战：个体解剖与生理状态差异导致的“脑机接口文盲”（约15%-30%用户难以产生可解码信号）、复杂环境下的电极-皮肤界面稳定性、长期佩戴的生物相容性与舒适性。对此，研究团队提出未来重点方向：开发跨个体泛化的自适应算法、优化柔性材料的长期耐用性、构建“解码-传感-应用”三位一体框架，并推动神经形态计算等超低功耗硬件与算法的深度协同。
研究人员强调，非侵入式脑机接口的未来，在于打破学科壁垒。从材料创新到算法优化，从临床验证到标准建立，需神经科学、电子工程、人工智能等多领域持续协作。随着技术不断成熟，这一“大脑-机器”直接交互技术有望惠及更多残障患者，并走进智能家居、智能驾驶等日常场景，重塑人类与科技的互动方式。
论文信息
标题：Non-Invasive Brain-Computer Interfaces: Converging Frontiers in Neural Signal Decoding and Flexible Bioelectronics Integration
期刊：Nano-Micro Letters
发表日期：2026/1/12
DOI：https://doi.org/10.1007/s40820-025-02042-2
本文资讯内容、图片来自网络，仅用于科普分享，如有侵权请告知删除。
