《Exploration》：Brain–Computer Interfaces: The Dawn of a New Era in Disease Treatment
脑机接口（Brain–Computer Interface, BCI）技术已成为神经精神疾病治疗领域关键的跨学科进展。随着全球神经系统与精神障碍患病率上升并对社会造成沉重负担，BCI提供了全新路径。自19世纪生物电现象被发现以来，学界已基于信号范式、侵入性及反馈机制建立了多种分类框架。BCI的应用覆盖多个疾病领域：在运动障碍中，其通过假体控制、功能性电刺激（Functional Electrical Stimulation, FES）及基于脑刺激的治疗手段帮助恢复运动功能；针对存在交流障碍的患者，BCI可实现替代性沟通方式与语音相关神经信号解码；在精神障碍领域，BCI在孤独症谱系障碍（Autism Spectrum Disorder, ASD）、重度抑郁症（Major Depressive Disorder, MDD）等疾病的诊断与治疗中潜力日益凸显。尽管取得显著进展，BCI仍面临电极长期生物相容性不足、神经信号分辨率有限等挑战。为突破这些局限，研究人员正开发碳纳米材料、复合材料等新型电极材料。血管内BCI、光遗传学BCI等新兴技术也为领域带来新可能。将多模态技术与人工智能（Artificial Intelligence, AI）集成于BCI系统，有望进一步提升性能并实现更个性化的治疗。总体而言，BCI技术对改善神经精神疾病患者生活质量、推动医学与神经科学领域创新具有重要前景。
1 引言
全球神经与精神障碍发病率持续攀升，人口老龄化、预期寿命延长及心理压力等因素共同推动了这一趋势，给家庭、医疗系统及社会经济造成了沉重负担。2021年全球健康数据交换统计显示，约28.7亿人受年龄相关性痴呆、神经退行性疾病、卒中及创伤性脑损伤等神经系统疾病影响，10.9亿人罹患抑郁症等精神障碍。仅2021年全球抑郁症患病率达3.2亿例，相当于每千人中有43例；帕金森病（Parkinson's Disease, PD）全球发病率为每10万人149例，导致约747万健康生命年损失；阿尔茨海默病（Alzheimer's Disease, AD）及相关病因导致的痴呆病例接近5500万。同年全球发生约1200万例卒中事件，53.4%的幸存者出现卒中后认知障碍。这些疾病或其潜在神经病理机制常相互作用加剧残疾，已成为亟待创新疗法应对的全球公共卫生危机。然而成人脑修复能力有限，尽管再生疗法研究数十年，神经损伤仍基本不可逆转。
BCI技术是神经精神疾病治疗的重要研究方向，其通过转换神经活动为外部设备控制指令，为患者提供脑输出通道；同时可通过运动、触觉或视觉反馈输入支持康复训练，实现个性化闭环神经调控。典型BCI系统由信号采集模块、信号处理模块及可控外部设备三大核心组件构成。当前BCI在医疗领域的应用集中于神经精神疾病的评估、功能辅助、康复训练与神经调控：诊断层面可检测癫痫发作等神经功能损伤事件；功能辅助层面帮助卒中、肢体缺损或脊髓损伤（Spinal Cord Injury, SCI）患者控制轮椅、假肢等外部设备；康复层面提供关键反馈与训练范式；神经调控层面可触发深部脑刺激（Deep Brain Stimulation, DBS）等输入以抑制癫痫发作或调节PD运动功能。BCI还可用于注意缺陷多动障碍（Attention-Deficit Hyperactivity Disorder, ADHD）、双相情感障碍等精神障碍的评估与治疗。尽管潜力巨大，BCI仍面临信号探测器与刺激器植入风险、系统便携性不足、神经信号解码精准度待提升以支持个性化设备控制等挑战。本综述总结了近年用于神经精神疾病的BCI系统设计进展，涵盖信号检测与解码、外部设备与神经调控的反馈控制、系统工程与制备技术突破及潜在未来应用。
2 脑机接口发展历史
BCI系统的发展可追溯至19世纪生物电现象的发现。1875年英国物理学家Richard Caton首次记录动物脑电活动，为脑电图（Electroencephalogram, EEG）等电生理测量的临床应用奠定基础。1913年Prawdicz-Neminski首次捕捉到动物脑的7种生物电活动模式，将其命名为“脑电流图”成分，但当时误将其解读为人类干扰产生的伪影。1924年Hans Berger成功记录首个人体EEG，识别出内源性振荡波形α波与β波，为BCI技术发展奠定关键理论基础。
20世纪中叶BCI发展取得重大突破。1964年Walter等人首次测量慢皮质电位（Slow Cortical Potentials, SCPs），后续被用于闭锁综合征（Locked-In Syndrome, LIS）患者的沟通辅助。1969年Eberhard Fetz完成首个BCI猕猴实验，同期M.B. Sterman在猫脑中识别出感觉运动节律（Sensorimotor Rhythm, μ节律）。1973年加州大学洛杉矶分校Jacques J. Vidal开发了基于视觉事件相关电位（Event-Related Potentials, ERPs）的系统，正式确立BCI为独立研究领域。“脑机接口”术语由此诞生。1978年William Dobelle在盲患者视觉皮层植入68电极阵列，通过电刺激成功诱导光幻视，成为BCI技术的首个重大人体应用。
此后BCI信号检测与处理技术持续突破。1988年Farwell与Donchin提出著名的“P300拼写器”范式，使严重运动障碍患者可通过识别屏幕选中字母实现沟通。20世纪90年代初Pfurtscheller团队拓展BCI应用，将事件相关去同步化（Event-Related Desynchronization, ERD）与事件相关同步化作为控制信号。1992年Erich E. Sutter开发了基于视觉诱发电位（Visual Evoked Potentials, VEPs）的BCI系统，1996年McMillan等人引入基于稳态视觉诱发电位（Steady-State Visual Evoked Potentials, SSVEPs）的系统。1998年埃默里大学Philip Kennedy与Roy Bakay在LIS患者体内植入“运动神经假体”，实现用BCI控制电脑光标。1999年首届BCI国际会议召开，标志着BCI技术系统化分类与标准化的关键一步。2000年Jonathan Wolpaw提出了BCI的全面定义，为后续研究奠定理论基础。
21世纪初BCI系统研发加速。2004年Matt Nagle成为首位使用侵入式BCI系统控制机械臂的患者，标志着BCI技术临床应用重大突破。此后BCI的实验与临床应用快速拓展，近十年大量面向人体的BCI应用被开发与测试，受到学术界与媒体的广泛关注。
3 脑机接口的分类
BCI系统的通用目标为实现人脑与外部设备的直接交互，可通过将神经信号转换为特定输出指令（如运动假体控制）、将外部刺激转换为脑信号以实现人工感知，或实现传感器运动反馈系统中的双向通信。BCI可按信号来源、电极植入方式、反馈机制等分类，各类别在信号采集、处理及具体应用场景中各有优劣。
按信号来源可分为SSVEP基、P300基与运动想象（Motor Imagery, MI）基BCI。SSVEP是视觉刺激同步产生的脑电波；P300电位是大脑接收意外刺激时产生的瞬态ERP；MI指想象准备或执行运动时产生的电信号，可进一步分为诱发信号与自发信号。此外错误相关负波（Error-Related Negativity, ERN）、运动相关皮质电位（Movement-Related Cortical Potential, MRCP）、SCP、ERD等范式也在特定应用中发挥重要作用。
按电极植入位置可分为侵入式、半侵入式与非侵入式BCI。非侵入式BCI电极置于皮肤外，如常规EEG记录或脑磁图（Magnetoencephalography, MEG）；半侵入式BCI是介于两者之间的技术，电极植入颅骨内但位于大脑皮层表面（硬膜外或硬膜下），无需穿透脑实质，兼具非侵入式低手术风险与侵入式高信号质量的优势；侵入式配置中，多单元EEG电极阵列植入皮层表面或皮层下以捕获电极尖端附近的神经元信号。非侵入式BCI安全性最高、无需手术植入，但信噪比（Signal-to-Noise Ratio, SNR）与空间分辨率较差，信号易受外界干扰与运动伪影影响；侵入式BCI系统SNR最高，但需植入手术且可能引发植入部位炎症反应；半侵入式BCI则在两者之间取得平衡。
非侵入式电极按是否需要导电膏可分为干电极、湿电极与半干电极。干电极无需导电膏，但皮肤表面输入阻抗较高导致信号质量相对较差；湿电极使用导电膏可降低皮肤阻抗、提升信号质量并减少运动伪影，但粘附需去除底层毛发与角质层，可能造成皮肤损伤，且导电膏易因蒸发干燥导致导电性下降，不适合长期信号记录；半干电极结合了干电极的易用性与湿电极的高信号质量，通常由柔性聚合物材料或纳米金属多孔材料制成，含电解质可在使用中自动释放并穿透角质层，降低阻抗并提升信号质量。
按反馈机制BCI可分为开环与闭环两类。开环BCI实时分析脑状态以控制外部设备，但缺乏双向信号流，限制自适应调整能力，如P300拼写器范式可检测视觉刺激诱发的ERP实现沟通，但未整合用户反馈优化性能，适用于字母选择等静态任务，难以适应动态调整。闭环BCI则整合实时反馈以调节刺激参数或解码策略，通常利用神经反馈（Neurofeedback, NF）分析脑活动，启动神经可塑性或通过脑刺激技术调节脑活动。例如自适应深部脑刺激（Adaptive Deep Brain Stimulation, aDBS）系统可根据PD患者丘脑底核局部场电位（Subthalamic Nucleus Local Field Potentials, STN-LFPs）动态调节刺激强度，减少运动波动并提升治疗精度。基于EEG的BCI系统结合自适应闭环控制算法，可根据个体差异与训练进度自动调整反馈模式与控制策略，实现更有效的康复训练。闭环系统解码精度更高、可实现个性化干预，但需更复杂的硬件并存在反馈诱导神经适应的风险。
4 不同脑机接口配置在疾病治疗中的应用
4.1 运动障碍
运动障碍是多种神经系统疾病的核心表现。PD患者随病情进展会出现震颤、僵硬、步态障碍等进行性加重的运动症状，药物在早期可缓解症状，但随着疾病进展疗效逐渐减退。BCI系统可监测运动皮层活动，借助机器学习等各类算法解码信号，并将解码指令发送至机器人手臂、刺激器等外部设备进行控制。自2004年Matt Nagle成为首位使用侵入式BCI系统控制机械臂的患者以来，BCI改善运动障碍的潜力不断显现，近几十年大量新技术被开发应用于患者脑部或肢体以治疗各类运动障碍。
4.1.1 假体与机械臂
SCI可导致截瘫或四肢瘫，BCI系统可通过植入电极记录运动皮层神经活动，将活动解码为假肢等辅助设备可解读的控制信号。除单向开环系统外，针对SCI致截瘫男性患者的双向BCI系统不仅能解码运动皮层神经活动控制机械臂，还可通过向感觉皮层输送皮层内微刺激提供触觉反馈以增强控制。针对皮质下卒中患者，植入的BCI系统可解码想象手部运动的EEG信号，控制外骨骼完成开合动作。研究人员还记录了四肢瘫患者尝试移动单个手指时的左侧顶叶后皮层与运动皮层神经活动并解码，用于控制单个假肢手指，为恢复更精细手功能提供了新可能。
为提升假肢的功能性与控制精度，混合系统整合肌电图（Electromyogram, EMG）与功能性近红外光谱（Functional Near-Infrared Spectroscopy, fNIRS）通过MI控制假膝，有效缓解了单一模态的固有局限，显著提升假体设备的精度与功能性，为患者提供更自然灵活的运动体验。
便携式模块化BCI软件平台也为居家应用创造了新可能，例如通过智能手机应用程序控制机械手套抓取等输出设备，不仅简化了BCI系统操作，还为瘫痪患者提供了更易获取的康复工具，显著提升功能独立性。
多项案例展示了BCI控制假体与机械臂的最新进展，尤其在提升控制精度、适应性与个性化方面。研究显示遗传算法（Genetic Algorithm, GA）结合支持向量机（Support Vector Machine, SVM）分类器与EEG信号，可实现假体设备的路径规划与目标定位，通过模拟受试者想象手臂运动的脑活动生成控制信号。另一项研究利用fNIRS技术捕获脑信号，通过NIRSPort 8×8设备处理信号，最终通过Arduino板控制假体运动。这些案例凸显了BCI在控制假体与机械肢体方面的潜力，也体现了系统便携性、解码能力与反馈控制的改进如何共同提升精度与用户体验。
4.1.2 功能性电刺激
神经组织的功能性电刺激旨在通过诱导肌肉收缩产生运动，弥补损伤造成的功能缺失。多数BCI-FES系统中，FES通过表面（非侵入式）或植入（侵入式）电极作用于外周神经，在脑信号控制下诱导肌肉收缩并产生运动，避免脊髓损伤。除运动功能外，FES多刺激疗法还可促进血液循环、预防肌肉萎缩，显著改善神经疾病患者的日常活动能力。BCI与FES结合可改善SCI、PD或卒中导致的运动缺陷。这些系统还可通过训练任务中的反馈提升用户体验，例如自适应BCI-FES系统通过EEG检测运动意图并提供视觉反馈，根据表现动态调整任务难度，最终提升输出控制。亚急性卒中患者接受该干预后，上肢运动功能（尤其是手与腕部）在Fugl–Meyer上肢评估中表现出更大改善，且改善效果在干预后6个月仍得以维持，提示运动功能实现持久恢复。
尽管成果显著，EEG基BCI与FES结合仍面临重大挑战。EEG信号分析（尤其是μ波与β波编码）虽可实现MI解码，但仍缺乏精准识别目标肌肉的精度，阻碍了对脉冲幅度、宽度等FES参数的精准调节以实现预期输出。因此表面肌电图（Surface Electromyography, sEMG）信号的采集尤为重要，其解决了肌肉激活意图模糊的问题，实现更精准的FES控制。通过整合EEG与sEMG信号可进一步实现闭环BCI控制：EEG信号用于检测运动准备或执行，sEMG信号用于监测肌肉活动并提供反馈以调节FES参数，BCI系统可据此调制脉冲幅度、宽度与频率等参数。结合sEMG的BCI-FES还可在运动或康复期间评估肌肉活动，对不活跃的肌肉输送FES以预防萎缩。
混合BCI系统中的串扰（如EEG信号中的肌电伪影）可通过先进预处理与信号融合技术有效缓解。独立成分分析（Independent Component Analysis, ICA）与小波变换被广泛用于分离肌肉伪影成分，共平均参考等空间滤波方法可减少环境噪声污染。信号融合层面，典型相关分析（Canonical Correlation Analysis, CCA）在识别模态间共享特征方面表现优异，尤其在去除EEG信号中的肌电干扰时优于ICA，对非平稳非线性伪影具有强鲁棒性。深度神经网络（包括多流卷积神经网络）正越来越多地被用于在整合前分别处理模态特异性特征，实现复杂模式的端到端学习。此外小波变换-ICA、经验模态分解-ICA等混合方法已被验证可有效去除嘈杂临床环境中的伪影，尤其与高斯混合模型等实时处理框架结合时。这些方法共同提升了混合BCI系统在复杂运行条件下的鲁棒性与准确性。
4.1.3 脑刺激
BCI与脑刺激结合可用于改善PD的运动控制。刺激装置可分为表面非侵入式脑刺激（Non-Invasive Brain Stimulation, NIBS）与植入式DBS。NIBS模式因安全性与应用便捷性，更广泛用于卒中患者的功能康复，包括经颅磁刺激（Transcranial Magnetic Stimulation, TMS）与经颅电刺激（Transcranial Electrical Stimulation, TES）。TES模式包含经颅直流电刺激（Transcranial Direct Current Stimulation, tDCS）与经颅交流电刺激（Transcranial Alternating Current Stimulation, tACS），均被证实可有效激活病灶或非病灶半球运动神经元以驱动运动活动。尤其θ-γ频段调制（采用tACS）被证实可显著提升运动技能习得能力。DBS靶向基底节（尤其是STN与苍白球内侧部）现已成为PD的常规干预手段，多个团队已将BCI-DBS用于治疗PD与卒中导致的运动障碍。另有研究团队采用小脑DBS增强慢性卒中患者的运动功能恢复，发现即使多年后仍可出现同侧皮层的神经可塑性重组。一项多中心随机对照试验（Randomized Controlled Trial, RCT）正在进行中，以评估DBS改善卒中后运动功能障碍的疗效。研究还显示基于β爆发的aDBS可改善PD患者的步态障碍与冻结步态，疗效与传统持续DBS相当，通过实时监测与调节刺激参数提升了治疗的精准度与有效性。DBS治疗运动障碍效果确切，刺激STN与内侧苍白球可改善PD患者的震颤、僵硬与运动迟缓症状；STN刺激还可减轻亨廷顿病患者的舞蹈样症状，内侧苍白球也被认为是该疾病的潜在治疗靶点；针对AD，靶向杏仁核与前扣带回皮层可增强认知功能；此外皮层DBS正成为肌萎缩侧索硬化（Amyotrophic Lateral Sclerosis, ALS）患者的潜在治疗靶点。
BCI应用中DBS的优化也在持续推进。传统DBS装置在刺激过程中会产生干扰神经信号记录的伪影，为此研究人员开发了闭环Alpha DBS系统，通过先进信号处理技术有效去除伪影，提升信号质量并允许根据神经生理指标实时调节刺激参数，实现更高效可靠的刺激效果。
4.1.4 其他技术应用
BCI系统结合感觉运动节律NF训练可减轻1-甲基-4-苯基-1,2,3,6-四氢吡啶诱导的PD症状（左旋多巴是早期PD的常用药物治疗）。简言之，EEG信号被转换为视觉或听觉反馈，脑电模式影响反馈的呈现方式。通过练习、强化与反馈，受试者可学会自主调节神经活动。例如DyNeuMo-2 NF是针对PD患者的β振荡NF训练游戏，用户通过自我调节脑电波控制游戏光标，通过增加运动皮层β频段功率将光标移至指定位置，训练后的改善最终提升运动能力。
BCI还可与动作观察疗法（Action Observation Therapy, AOT）联合应用，这是针对运动障碍患者的神经康复方法，利用观察他人执行动作时自动激活负责执行该动作的神经结构（镜像神经元效应）。多项研究已采用AOT治疗慢性缺血性卒中（定义为事件后6个月仍处恢复期）、PD、脑瘫、失语症与多发性硬化患者。功能性磁共振成像（Functional Magnetic Resonance Imaging, fMRI）显示接受AOT治疗的患者镜像脑区活动显著增强。其他研究团队将AOT、sEMG与FES结合（AOT-BCI-sEMG-FES）用于康复：患者佩戴头盔式EEG传感器与sEMG传感器接受AOT治疗，同时采用惯性测量单元进行运动追踪以评估动作完成正确性，并根据反馈调节FES辅助完成动作。该系统可广泛应用于神经与肌肉骨骼疾病的康复与运动训练等干预。
此外游戏技术正被用于四肢瘫患者治疗。Willsey团队开发了新型高性能皮层内脑机接口（Intracortical Brain–Computer Interface, iBCI）系统，可解码瘫痪患者的脑活动并控制虚拟手指运动。在该应用研究中，一名因SCI致四肢瘫的69岁男性患者在左侧中央前回“手结节”区域植入两个96通道硅微电极阵列以记录脑活动。训练阶段患者通过控制虚拟手指玩穿越虚拟障碍路线、随机绕圈等游戏，结果表明该iBCI系统可实现高度精细的手指控制，为瘫痪患者提供了新的娱乐与社交途径。
迄今为止，BCI在运动障碍管理中的应用已展现出广泛覆盖面，在PD、癫痫、卒中等疾病中观察到大量实验应用。通过机器人手臂、FES、DBS等先进技术，BCI成功实现了脑区与肢体之间的双向干预，改善了患者的运动功能。虚拟现实（Virtual Reality, VR）、游戏技术、行为观察疗法与NF的融入进一步增强了运动障碍患者的治疗效果。持续提升现有BCI系统灵敏度与信号精度的研究正在推进，以促进性能优化与更广泛的应用。然而尽管相关治疗领域取得逐步进展，多数探索仍局限于实验层面，临床转化与实际落地是当前研究面临的重大挑战。BCI干预的侵入性风险与潜在并发症不容忽视，同时需考虑BCI治疗模式的便携性以提升患者便利性、减轻治疗负担。未来的BCI治疗范式应追求个性化，靶向特定脑区与肌肉以细化治疗精度、提升疗效并减少不必要的伤害。
4.2 交流障碍
除运动障碍外，交流障碍也是ALS、LIS等神经精神疾病的常见症状，在听力损失及影响皮质语音产生的损伤（发音障碍）人群中也很普遍。ALS患者脑与脊髓运动神经元变性，导致运动相关交流障碍；LIS是影响脑桥腹侧与尾侧及中脑的广泛性意识障碍。部分LIS患者保留部分运动能力，可通过垂直眼动与眼睑运动沟通，但完全性LIS患者无法眨眼或定向凝视以交流。与LIS类似的疾病（包括隐匿意识、认知运动分离、最小意识状态与高阶皮质运动分离）也存在严重的交流缺陷。此外先天性耳聋、听神经损伤与耳硬化症会严重限制交流。本节介绍可为解决无论发声还是听觉损伤导致的交流障碍提供多种策略的BCI技术。
4.2.1 发音障碍
ALS患者疾病晚期不可避免地丧失言语交流能力，但多种BCI配置可被用于替代语音交流。一组研究人员在失语症患者皮层语音控制区表面植入高密度多电极阵列，并应用深度学习算法创建计算模型，将测量信号解码为预期词汇与句子，该系统平均解码速度达每分钟15.2词，平均词错误率为25.6%。另一项BCI结合ECoG、线性判别分析与卷积神经网络用于解码代表语音不同层级（音素、词汇、句子）的神经信号，随后结合深度学习算法（回归概率模型与相位估计模型）的声码器进行语音合成。该方法相比传统眼动追踪方法（通过注视方向指示从阵列中选择单个字母或词汇）具有显著更高的交流速度。另一项研究中，研究人员在ALS患者脑内植入4个微电极阵列，记录尝试口腔运动、发音与说话时的神经活动，并采用循环神经网络解码该神经活动并转换为文本，相比早期的语音接口系统与眼动追踪技术，该系统实现了更高的解码率（每分钟62词）与更低的词错误率（9.1%）。
部分用于运动障碍的BCI技术也可被LIS患者用于间接交流。例如BCI结合FES可基于神经活动解码单个手势、美国手语标识与手写字符，生成输出信号控制FES以改善手语与书写；或可解码面部活动与表情相关信息，进而诱导面部运动形成恰当表情。
总体而言，当前用于发音障碍的大多数BCI系统结合经典学习算法、深度学习算法与数据模型，将神经信号转换为词汇。相比传统的字母选择眼动追踪方法，这些系统速度更快、精度更高。随着计算能力提升及EEG信号与语言内容相关神经生理数据的积累，这类应用的范围必将拓展。例如通过结合人工智能技术，BCI系统未来或可实时分析脑信号并通过闭环刺激动态调整解码策略，这种实时反馈机制不仅能提升系统响应速度，还能根据即时需求优化刺激参数以进一步提升治疗效果。借助AI算法，BCI系统还可根据患者个体EEG活动模式、语言能力、交流风格与临床症状创建个性化解码模型。基于云计算的BCI大数据平台也可被构建用于处理、分析与共享EEG数据以支撑协作研究，这不仅能为BCI算法优化提供丰富的数据支撑，还可通过机器学习预测用户意图，进一步提升解码效率与精度。此外数据共享有助于降低研究成本，推动BCI技术的进步与创新。简言之，未来BCI技术在发音障碍治疗中的应用将更加智能、个性化与普适，通过结合AI技术、大数据分析及闭环控制策略，BCI系统有望在解码精度、治疗效率与用户体验方面实现突破，实现更高效精准的交流。
4.2.2 听力障碍
当前听力障碍治疗的主要方式是直流电刺激（Direct Current Stimulation, DCS）。近年DCS已被用于诱导包括感觉运动、听觉、视觉与音韵在内的多种感知。刺激初级听觉皮层各区域（包括颞横回与颞上回）可直接诱发听觉、幻觉（滴答声、嗡嗡声与人声）。Hong团队开发了闭环语音BCI脑
