Nature Communications | 脑机接口新突破：意念操控机械手，直达指尖的精准！

想象一下，无需外科手术，仅凭意念就能精确控制机械手的每一个指头，这将为无数运动障碍患者带来福音，也为我们与数字世界的交互开启全新的可能。长期以来，非侵入式脑机接口（BCI）因其便捷性而备受青睐，但其精度和直观性始终是亟待解决的难题。

现在，一项发表于《自然通讯》（Nature Communications）的最新研究，为我们揭示了如何通过基于脑电图（EEG）的深度学习脑机接口，实现对机械手在“单个手指”层面的实时、精准控制，这项技术有望革新康复医疗和人机交互的未来。

过往的非侵入式BCI系统，虽能实现对机械臂等外部设备的控制，但往往局限于“肢体”层面的粗略指令，例如抓取或伸展，难以实现像人手那般精细、灵活的动作。这不仅限制了其在日常生活中的实际应用，也与我们大脑自然产生的运动意图存在脱节。解决这一难题的关键，在于能否在非侵入式条件下，准确解码大脑中与“单个手指”运动相关的微弱且高度重叠的神经信号。

卡内基梅隆大学（Carnegie Mellon University）Yidan Ding、Chalisa Udompanyawit、Yisha Zhang 和 Bin He 等研究人员正是抓住了这一核心挑战。他们提出了一种创新的实时非侵入式机器人控制系统，能够利用个体手指运动执行（ME）或运动想象（MI）的脑电信号，直接驱动机械手指的相应动作。这一系统通过深度神经网络（EEGNet）对脑信号进行解码，并通过“微调”（fine-tuning）机制显著提升BCI的性能，实现了前所未有的指尖级精细控制。

这项技术的核心是基于深度学习的脑电信号解码器。研究团队招募了21名有BCI经验的健康受试者，让他们参与了手指运动执行和运动想象任务。实验过程中，受试者佩戴128通道的脑电帽，实时采集大脑信号。信号经过处理后，输入到优化过的EEGNet模型中进行解码。

为了提升系统的学习效率和精度，研究采用了多阶段训练策略：

* 基础模型（Base Model）：在每次在线会话的前半段使用预先训练好的基础模型进行解码。

* 微调模型（Fine-tuned Model）：利用会话前半段收集的实时数据，对基础模型进行进一步的“微调”，使其更好地适应个体和当日的数据特征，并在会话的后半段使用。这种策略显著提高了模型的解码能力，解决了类不平衡问题，提升了低召回率类别的检测能力。

* 在线平滑（Online Smoothing）：为了应对头皮脑电信号固有的低信噪比和有限空间分辨率带来的挑战，研究还开发了一种在线平滑方法，有效抑制了噪音引起的波动，进一步增强了机器人控制的稳定性。

实验中，受试者会得到两种实时反馈：屏幕上目标手指颜色变化（绿色表示正确，红色表示错误），以及机械手同步执行的物理动作。这种直观的反馈不仅帮助受试者适应系统，也提升了他们的参与度和学习效率。

这项研究取得了令人振奋的成果：

* 高解码精度：经过一次在线训练和模型微调后，对于21名受试者，2指运动想象（MI）的机械手在线控制平均准确率达到80.56%，3指控制的平均准确率达到60.61%。

* 快速学习与适应：与传统的脑机接口需要大量训练不同，该系统仅需最少的训练量即可达到令人满意的性能。在对16名受试者进行的为期五次的MI在线训练中，系统展现出持续的性能提升，且一次训练会话就足以使模型表现良好。

* 显著的性能提升：与基础模型相比，微调后的模型在所有在线会话和任务中都表现出显著的性能优势。此外，随着训练数据的增加（从会话1到会话2），模型的解码能力也得到了增强，这证明了机器学习效应在提高性能中的关键作用。

* 神经生理学验证：脑电数据分析显示，在手指运动想象任务中，对侧运动皮层（尤其是左侧感觉运动区域的“手部旋钮区”）的α波段事件相关去同步化（ERD）模式和EEGNet模型的显著性图高度一致，进一步证实了这些区域在手指运动意图解码中的关键作用。

https://doi.org/10.1038/s41467-025-61064-x