【美国匹兹堡】长期以来，脑机接口（BCI）技术被视为辅助残障人士恢复运动功能的革命性工具。然而，尽管侵入式脑植入设备在过去三十年间展现出卓越的控制精度，其高昂的成本、复杂且伴随固有风险的神经外科手术，以及组织瘢痕、出血或感染等潜在并发症，使其仅惠及全球不到百名患者，难以广泛普及。与此同时，非侵入式BCI技术虽具备成本低、风险小的优势，但其控制精度和稳定性始终面临挑战，且通常需要数周甚至数月的冗长训练和校准过程。
近日，卡内基梅隆大学生物医学工程、电气与计算机工程及神经科学研究所的Bin He教授领导的团队，在非侵入式BCI领域取得了里程碑式的突破。他们开发出一种感觉引导的协同学习框架，首次将人脑的试错学习与机器的数学算法有机结合，实现了前所未有的高精度控制，并显著降低了用户训练门槛，为非侵入式BCI的广泛临床应用铺平了道路。
突破人机学习同步僵局
传统BCI面临的核心障碍在于人脑与计算机的学习方式存在根本差异。人脑通过试错学习、感官反馈和突触重塑来适应和调整，而人工智能（AI）算法则依赖严格的数学公式进行迭代更新。这种学习模式的不匹配常常导致人机系统不同步，甚至相互干扰，成为BCI性能提升的瓶颈。
Bin He教授团队的创新之处在于，他们明确地统一了这两种学习系统。该框架引入了结构化触觉引导，通过感官通路来塑造用户的意图策略，同时结合自适应算法，选择性地加权那些包含丰富信息的神经信号。这种双向协同机制确保了人脑的神经可塑性与解码器优化过程同步进行，使人机双方共同适应并趋向于单一、共享的控制策略，从而打破了传统的学习同步僵局。
未经训练用户实现卓越控制精度
这项研究的成果令人瞩目。在由31名完全未经BCI训练的健康受试者组成的队列中，该协同学习框架展现出通常需要数周练习才能达到的高水平性能：
- 离散控制准确率：对于一维（1D）光标引导任务，准确率达到 86%；对于复杂的二维（2D）网格追踪任务，准确率达到 77.5%。
- 连续控制准确率：在一维实时追踪中保持 77.5% 的流畅速率；在二维实时追踪中保持 66.9% 的流畅速率。
Bin He教授强调，这些在有限训练下实现的性能水平在BCI领域是极为罕见的。他指出：“通过整合神经科学和机器学习，我们正越来越接近侵入式脑机接口的准确性。我们的方法通过将强化驱动的神经可塑性与基于梯度的解码器优化相结合，超越了依赖被动校准或单向反馈的传统BCI训练协议的局限性。”
超越侵入式垄断，克服校准瓶颈
长期以来，侵入式脑植入设备在实现高精度任务执行方面占据主导地位。然而，这项全新的非侵入式框架使得头皮电极传感器首次在精度上接近外科手术级别的准确性，同时避免了相关的医疗风险和高昂费用。
此外，传统非侵入式BCI在每次使用前都需要数小时繁琐、被动的用户校准。感觉引导的协同学习方法彻底消除了这一操作障碍，建立了一个自适应、以用户为中心的系统，可实现快速部署，极大提升了用户体验和设备的实用性。
巨大的现实世界转化潜力
通过降低训练要求并同时增强用户神经参与度，该框架为非侵入式BCI在日常临床应用中提供了高度可扩展的途径。其潜在应用包括神经康复诊所、闭锁综合征患者的辅助交流以及假肢机器人肢体的配置等。
Bin He教授表示：“通过减少训练需求并增强神经参与，感觉引导的协同学习框架使非侵入式BCI更接近可扩展的日常使用。这标志着从校准密集型系统向适应性、以用户为中心的神经接口的范式转变，具有真正的现实世界可行性。” 他展望道：“我们在这个领域投入的工作越多，就越有可能有一天实现与植入式脑设备一样精确的非侵入式BCI。这是我的希望，我的梦想。”