关于《IEEE Reviews in Biomedical Engineering》2025年卷18综述文章《非侵入式脑机接口：现状与趋势》的学术报告

一、 作者、机构与发表信息

本报告所依据的文献是一篇发表于国际知名期刊 《IEEE Reviews in Biomedical Engineering》 2025年卷18的综述文章，题为《Non-invasive Brain-Computer Interfaces: State of the Art and Trends》（非侵入式脑机接口：现状与趋势）。文章作者团队阵容强大，包括来自多个顶尖研究机构的学者：Bradley J. Edelman（马克斯·普朗克精神病学研究所/马克斯·普朗克生物智能研究所）、张帅磊与关存太（新加坡南洋理工大学）、Gerwin Schalk（复旦大学）、Peter Brunner（圣路易斯华盛顿大学）、Gernot Müller-Putz（格拉茨技术大学，IEEE高级会员）、以及何斌（卡内基梅隆大学，IEEE Fellow）。文章于2024年8月26日在线发表，并于2025年1月30日发布当前版本。

二、 文章主题与性质

本文是一篇系统性、方法学导向的综述文章，旨在全面审视非侵入式脑机接口（BCI）技术的研究现状、核心挑战、最新进展与未来趋势。文章不仅总结了用于记录和解码神经活动的各种方法，还深入探讨了BCI在控制外部设备、临床康复应用以及核心解码算法开发等方面的前沿成果，并对推动该领域发展的开源工具箱与软件平台进行了梳理。

三、 文章主要观点及论据阐述

1. 非侵入式BCI的信号类型多样化，各有其应用场景与神经生理基础。 文章详细梳理了用于非侵入式BCI的主要脑电信号类型，并解释了其产生机制和适用领域。这些信号构成了BCI系统与大脑交互的“语言”。 * 视觉诱发电位（Visual Evoked Potentials, VEPs）：依赖于用户对外部闪烁或变化视觉刺激的注意。其中，稳态视觉诱发电位（Steady-State VEPs, SSVEPs）因其高信息传输率而被广泛用于高速拼写器和多目标选择系统，可通过调制刺激的频率和相位来区分上百个目标。 * 外显空间注意（Overt Spatial Attention, OSA）：利用顶叶皮层对空间注意（如凝视方向）产生的脑电模式（主要是α节律活动）。这种内源性信号无需外部刺激，常与运动想象任务结合，以在不牺牲性能的情况下增加控制维度。 * P300事件相关电位：在“oddball”范式（小概率靶刺激出现）下，于顶叶皮层产生的一种内源性电位。它被广泛应用于基于行列闪烁的拼写器，用户通过注意目标字符来诱发P300响应。 * 运动相关皮层电位（Movement-Related Cortical Potentials, MRCPs）：与运动准备和执行相关的低频（δ波段）时域电位变化。它可用于检测运动意图和解码运动参数（如速度、力量），因其想象负担低，在自然控制神经假肢方面显示出潜力。 * 事件相关去同步/同步（Event-Related Desynchronization/Synchronization, ERD/ERS）：在执行或想象运动时，感觉运动皮层特定频段（μ/α，β）功率的降低（ERD）或升高（ERS）。这是运动想象（Motor Imagery, MI）BCI最常用的信号。文章通过补充图S1详细展示了健康受试者和脊髓损伤患者在主动运动、被动运动、复杂运动及运动想象等多种条件下产生的典型ERD/ERS模式，强调了其作为BCI控制信号的稳健性。

2. BCI的应用能力已从简单光标控制扩展到复杂的外部设备操控，特别是在机器人手臂控制和临床康复领域取得了显著进展。 文章指出，现代非侵入式BCI已超越早期的简单光标任务，能够控制无人机、轮椅和机器人手臂等复杂设备，用于辅助和康复。 * 机器人手臂控制：这是当前研究的热点与难点，涉及“到达”和“抓握”两个核心环节。 * “到达”控制：研究团队（如何斌团队）利用运动想象任务，通过解码ERD/ERS信号或结合实时脑电源成像（EEG Source Imaging），实现了机器人手臂在二维和三维空间中的连续、精准导航。例如，Meng等人展示了在线控制机器人手臂抓取乐高积木的任务，准确率超过80%。Edelman等人则通过结合源成像和连续追踪控制范式，提升了用户的学习效率和操作性能。 * “抓握”控制：研究致力于解码不同的手部动作（如掌抓、侧捏、对指等）。基于MRCPs的信号可以区分不同的抓握类型和力度。虽然在线控制多种抓握类型（如圆柱形、球形抓握）已得到初步验证，但如何与“到达”控制无缝切换（模式切换）仍是挑战。目前，一种实用的解决方案是采用“共享控制”策略，即用户通过BCI选择高层级任务（如“抓取水杯”），而由系统自动处理低层级的运动细节（如路径规划、避障）。 * 临床康复应用：BCI在临床上有两大方向：辅助性BCI（绕过受损神经通路，提供永久性通信和控制手段）和康复性BCI（旨在通过神经反馈训练促进神经可塑性，恢复受损功能）。 * 辅助应用：为严重运动障碍患者（如ALS、脊髓损伤患者）提供拼写、环境控制（轮椅、机械臂）等功能。 * 康复应用：主要用于中风、脊髓损伤等患者的运动功能康复。BCI通过解码运动意图，驱动功能性电刺激、机器人外骨骼或虚拟现实反馈，形成闭环训练，促进大脑重组。文章还指出，BCI在认知训练（如注意力缺陷、轻度认知障碍）和情绪调节（如抑郁症）方面的应用也展现出潜力，未来可能整合功能、认知和情感康复，形成整体治疗方案。

3. 解码算法的进步是推动非侵入式BCI性能提升的核心驱动力，深度学习、迁移学习、流形方法等正成为研究前沿。 文章用大量篇幅综述了EEG信号解码方法的最新进展，将其归纳为五大类（如图6和表I所示），旨在解决BCI面临的三大目标：提高分类精度、实现免校准BCI、增强系统鲁棒性。 * 深度学习（Deep Learning）方法：能够从原始EEG数据中自动学习层次化特征，实现端到端解码，减少了对人工特征工程的依赖。常用的模型包括： * 卷积神经网络（CNN）：擅长提取EEG的时空特征，如EEGNet等模型在P300、ERN、MRCP、ERD/ERS等多种范式上表现出色。 * 图卷积网络（GCN）：将EEG电极视为图结构中的节点，通过学习电极间的内在关系来提升分类性能。 * 循环神经网络（RNN）与长短期记忆网络（LSTM）：用于捕捉EEG信号中的时间序列依赖关系。 * 注意力机制与Transformer：使模型能动态关注输入序列中的关键部分，在处理长程依赖关系上具有优势。 * 混合深度学习（HDL）：结合CNN、RNN、Transformer等不同架构的优势，以更全面地整合EEG的时空频谱特征。 * 迁移学习（Transfer Learning）方法：旨在利用源领域（如其他受试者或会话）的知识来提升目标领域（新受试者或新会话）的解码性能，是解决BCI个体差异、实现跨被试和少样本/零样本学习的关键。 * 微调（Fine-tuning）：在预训练模型基础上，用目标用户少量数据进行调整。 * 领域自适应（Domain Adaptation）：通过最小化源域和目标域数据分布差异（如使用最大均值差异损失MMD）或采用领域对抗训练，学习域不变特征，避免“负迁移”。 * 生成对抗网络（GAN）：可用于数据增强，生成合成EEG数据以扩充训练集。 * 少样本学习（Few-shot Learning）：通过数据增强、约束假设空间或修改搜索策略，实现仅用极少量标注数据即可训练有效模型，是迈向免校准BCI的重要途径。 * 流形（Manifold）分类方法：假设高维EEG特征存在于一个低维流形空间中。最常用的是基于对称正定协方差矩阵的黎曼几何方法。该方法计算EEG试次协方差矩阵之间的黎曼距离进行分类，具有参数少、对噪声鲁棒、泛化能力强的优点，如黎曼均值最小距离分类器。 * 自适应学习（Adaptive Learning）方法：使分类器能够根据输入数据分布的变化动态调整参数，适用于应对EEG信号的非平稳性，对于BCI的长期稳定使用至关重要。包括有监督、无监督和半监督自适应策略。 * 脑电源分析（EEG Source Analysis）：不同于上述在传感器空间的分析，该方法通过逆问题求解（如最小范数估计MNE）将头皮EEG信号反演到大脑皮层源空间。这能提供更精确的神经活动空间定位信息，已被成功用于在线运动想象BCI中，实现对机器人手臂的连续控制和解码精细运动。

4. 用户训练策略和开源软件生态是BCI从实验室走向实际应用不可或缺的支撑。 * 用户训练策略：文章援引耶克斯-多德森定律，指出用户的注意力和参与度对BCI技能习得至关重要。任务过于简单会导致厌倦，过于困难则引发焦虑，均会损害性能。为此，研究者采用多种策略优化用户体验： * 提升参与度：利用虚拟现实（VR）和增强现实（AR）提供沉浸式、具身化的反馈（如虚拟手臂），已被证明能增强ERD/ERS信号并提高在线BCI性能。 * 降低焦虑：引入正念减压（MBSR）等冥想练习，帮助用户调节心理状态，减轻压力对BCI表现的负面影响。 * BCI软件与工具箱：构建稳定、实时、易用的BCI系统面临技术复杂性高、多中心协作难等挑战。文章系统回顾了现有的软件工具： * 工具箱：如EEGLAB、FieldTrip、MNE-Python等，主要用于EEG数据的离线分析和可视化，为BCI研究提供了强大的后处理平台。 * BCI软件平台：如BCI2000、OpenViBE、Lab Streaming Layer（LSL）等，专门设计用于实现实时、在线的BCI实验。它们处理从信号采集、实时处理、范式呈现到数据同步和存储的全流程，极大地降低了BCI系统开发的壁垒，促进了研究的可重复性和大规模协作。

四、 文章的意义与价值

这篇综述文章具有重要的学术价值和应用指导意义： 1. 系统性总结：文章对非侵入式BCI领域进行了迄今为止非常全面和深入的梳理，涵盖了从基础信号生理学到高级解码算法，再到具体应用和软件工具的完整技术链条，为领域内外的研究人员提供了一份宝贵的“技术地图”。 2. 前沿性指引：文章不仅总结了成熟技术，更重点突出了深度学习、迁移学习、脑电源成像、共享控制、临床整合等前沿方向，清晰地指出了领域当前的研究热点和未来发展趋势。 3. 方法学聚焦：文章副标题明确为“方法学综述”，其核心内容紧扣解码算法这一BCI性能提升的瓶颈问题，对各种新兴机器学习方法在BCI中的应用原理、优劣和相互关系进行了精辟的分析，对算法研究者具有直接的参考价值。 4. 桥梁作用：文章强调了BCI三大支柱（用户、应用、机器）的协同优化，并探讨了从实验室演示到日常应用所面临的实际挑战（如视觉干扰、认知负荷、安全问题），有助于推动BCI技术从概念验证向实用化、人性化方向发展。 5. 促进生态发展：对开源软件和工具箱的综述，有助于新进入者快速上手，并促进不同实验室之间研究范式和数据的标准化，对整个BCI研究社区的健康发展起到积极作用。

这篇由国际顶尖团队撰写的综述，是一部反映非侵入式脑机接口领域最新进展与核心挑战的权威文献，对于推动该技术的科学研究、临床转化和产业应用具有重要的参考价值。