该论文发表于综述期刊 npj Biomedical Innovations（Nature Portfolio旗下），题目为《Generalizable neural decoding for clinically scalable brain-computer interfaces》。

复旦大学生物医学工程学院博士研究生谷元杰等为本文共同第一作者（原文标注前四位作者贡献均等）。复旦大学生物医学工程学院及阿尔伯塔大学陈颉教授为本文通讯作者。

论文链接：

https://www.nature.com/articles/s44385-026-00119-0#citeas

一 论文概要

脑机接口（BCI）有望恢复重度神经损伤患者的交流与运动能力，然而，在开发阶段取得的解码精度，往往难以在新的采集Session、不同用户、不同任务或不同硬件之间保持。决定BCI能否真正走向临床规模化的，不是峰值性能，而是“泛化能力”。

本文从模型实验室研发到临床实际部署的全流程出发，围绕评估时留出的数据域、目标数据获取方式、自适应策略以及临床持续有效条件，系统回顾了可泛化神经解码的最新进展。文章强调：建立标准化的基准测试、开展前瞻性临床验证，以及实现硬件-算法协同设计，是实现BCI临床持久获益的先决条件。

二 研究背景

BCI能够将神经活动转化为控制指令，但神经系统面临着一个核心的部署难题：神经非平稳性。由于电极漂移、组织反应、用户行为改变以及不同个体间的生理差异，训练集和测试集的数据分布往往存在显著差异（域偏移）。

在过去，为了维持性能，BCI系统往往需要繁琐且耗时的重新校准，这给用户和临床服务带来了沉重负担。现有综述多聚焦于特定算法（如域适应）或特定应用（如植入式BCI），但缺乏从“临床规模化”这一最终目标出发的系统梳理。过往很多工作只报告最优条件下的解码精度，却很少回答：当硬件、受试者、任务发生改变之后，系统性能如何变化；获取多少目标域标签数据、需要多大的校准工作量，才能够维持功能。

因此，本文创新性地将视角从“开发”转向“部署”，文章指出：一项技术在实验室中解码准确率再高，如果无法在日常场景中减少用户的校准负担，就无法转化为真实的临床价值。临床可用BCI不能只看峰值精度，更要回答核心部署问题：能否在指定条件下持续输出有效功能，同时把使用者、照护人员、医疗系统的负担控制在可接受范围。

三 迈向可泛化解码的三维演进

这篇综述从神经记录接口、解码架构演进和临床应用拓展三个维度，系统剖析了可泛化解码的实现路径。

1. 神经记录接口：泛化能力的物理基石

神经数据的维度与质量从根本上受限于记录硬件。硬件的物理特性直接决定了信号的保真度、空间尺度与长期稳定性，进而影响下游解码器的泛化上限。

从刚性电极到高密度柔性阵列：传统刚性电极易引发组织炎症与信号退化。为此，柔性聚合物探针、网状电子、高密度μECoG等生物整合技术应运而生，显著提升了记录的顺应性与解剖覆盖范围。

高维度数据的“双刃剑”：现代接口能同时记录成百上千个通道，提供丰富的群体级神经动力学信息。但文章强调：更高维度的数据并不直接等同于更强的泛化能力。只有当记录条件或神经群体发生变化时，依然能捕捉到与行为相关的关键结构，高维度才有价值。

硬件物理限制的倒逼：对于植入式系统，更大规模的记录意味着极高的功耗、发热和内存挑战。算法在追求精度的同时，必须与硬件的物理极限相兼容。

目前来说，没有任何一种记录模态能够同时优化分辨率、覆盖范围、侵入性和长期稳定性。记录规模的增加本身并不能确保泛化解码，未来的进展将取决于稳定的接口、可迁移的神经表征，以及在临床和硬件约束下依然可行的自适应策略的“联合设计”。

图1 代表性神经记录接口发展图

2. 解码架构演进：从显式统计到终身适应

随着神经群体活动复杂度的提升，解码架构经历了从线性映射到深度层次化表征的转变。文章将这一演进过程划分为了四个阶段：

图2 解码架构发展时间线

显式统计时代（1980s-）：以LDA、卡尔曼滤波、SVM等为代表。它们依赖人工特征和线性映射，在早期光标控制和拼写系统中表现稳定。但其局限不在于“老”，而在于当特征或行为关系改变时，固定的映射容易失效。

深度表征时代（2010s-）：CNN擅长捕捉空间局部结构（如ECoG网格），RNN/LSTM/GRU擅长建模时序动态（如连续运动、语音合成），而Transformer则能通过自注意力机制捕捉长距离的时空依赖。深度学习大幅提升了域内性能。

可迁移时代（2020s-）：由于神经数据的非平稳性，模型往往在跨Session、跨被试时性能骤降。为此，基础大模型、自监督学习、跨模态对齐、上下文学习等开始兴起，试图从海量异构数据中预训练出可复用的神经表征。

终身适应时代（Present）：前沿研究开始聚焦于测试时适应、基于回放的持续学习以及神经漂移适应，以平衡模型的“稳定性与可塑性”。主要包括元学习、测试时自适应、神经数字孪生等。

文章特别强调，深度学习带来的性能提升主要集中在“域内”。一旦面临跨Session（时间变异）、跨被试（解剖与生理差异）、跨任务或跨设备等不同维度的偏移，模型依然脆弱。预训练基础模型的作用，目前更多是提供“共享骨干”以减少部署时的适应成本，而非直接实现“零样本通用”。

3. 临床应用拓展：从离散控制到自然交互的跨越

BCI的应用已从早期的离散光标控制，扩展到自然交流（语音解码）、感觉恢复以及自适应神经调控（如闭环DBS）。文章特别指出，不同应用的“技术成熟度”差异巨大。实验室里展示的高速率交流或完美运动控制，不等于该系统在真实环境中可用。泛化能力的真正考验，在于患者回家后，维持这种功能需要付出多大的代价。初次校准、频繁的重新校准以及目标会话更新，都会给患者和照护者带来沉重负担。一个人身上取得的成功，不能简单等同于跨人群、跨设备的普遍适用。

图3 BCI应用领域图

四 研究局限与挑战

尽管神经记录和解码学习取得了巨大进步，但BCI的临床落地仍受制于一个核心挑战：如何在长期的真实世界条件下，保持稳定且可泛化的解码。这些瓶颈并非孤立存在，而是相互交织的。

1. 神经表示的内在不稳定性

这是长期BCI面临的最根本障碍。植入后，组织反应（如胶质细胞增生、炎症）和电极微位移会导致信号幅度、阻抗和单元特征发生改变；此外，学习、疲劳、甚至疾病进展，也会改变神经活动与意图行为之间的映射关系。

2. 数据碎片化与迁移受限

当前的神经数据集在模态、通道布局、预处理和标注质量上千差万别。虽然像NWB这样的标准格式提供了统一的存储，但这并不保证任务语义的兼容。有意义的数据池化，不仅需要大量数据，更需要记录详尽的采集历史和元数据，否则“预训练基础模型”的价值将大打折扣。

3. 非平稳条件下的持续适应困境

引入模型更新机制后，“稳定性-可塑性”矛盾成为核心。模型既要吸收新知识，又要防止灾难性遗忘。更棘手的是“用户-解码器共适应”现象——用户自身也会通过练习改变控制策略，算法更新与用户行为的变化相互纠缠，导致离线回顾分析往往无法真实反映在线使用时的表现。

4. 植入系统的严苛物理限制

即便拥有完美的算法，全植入式BCI也必须面对毫瓦级的功耗预算、极低的散热要求和有限的内存。过度发热会损伤神经组织，这使得能效比不仅是一个工程偏好，更是核心的安全要求。高容量模型（如大型Transformer）与微型硬件之间存在天然鸿沟，这就倒逼我们必须进行硬件-算法协同设计（如模型剪枝、量化、低秩适应或脉冲神经网络等）。

临床泛化是一个系统工程，必须从单一的算法优化，上升到对生理机制、数据规范、人机交互和硬件约束的全局统筹。

图4 部署面临的挑战与可行解决思路

5 未来发展方向

基于上述挑战，作者提出了三个核心的优先发展事项：

建立标准化的基准测试（Benchmarking）：必须明确披露预训练数据与测试数据的重叠情况，并在明确的标签预算下比较固定解码器与自适应解码器的性能，同时报告性能下降、恢复情况和校准时间。

推进前瞻性纵向验证（Prospective Validation）：在目标人群和真实场景中评估在线使用效果。要将植入时间与稳定的操作时间区分开来，评估自适应系统的更新程序、漂移监控及回退方案。

硬件-算法协同设计（Hardware-algorithm co-design）：针对目标系统的功耗、内存、延迟和散热限制，联合评估模型的推理与更新过程。

未来临床可规模化的BCI，其成功将不再单纯依赖于最大化实验室峰值解码精度，而是取决于能否构建出一套稳健、自适应、高能效的“神经生态系统”，使其能够在数年内（而非仅仅数小时内）可靠运行。把少数受试者上验证的功能获益，拓展到更广泛患者群体，帮助患者脱离专科实验室，获得更高生活独立性。