近日，卡內基梅隆大學研究團隊在《Nature Communications》發表了一項突破性成果，首次實現了通過非侵入式腦機接口（BCI）系統，以自然映射方式實時控制機器人手的單指動作。該系統基于腦電圖（EEG）信號，結合深度學習模型，能夠精準解碼用戶運動想象（MI）或運動執行（ME）意圖，驅動機械手完成拇指、食指和小指的獨立動作，為腦卒中康復、假肢控制及人機交互開辟了全新路徑。 腦機接口技術近年來發展迅速，尤其在運動功能替代與康復領域展現出巨大潛力。盡管侵入式BCI可實現高精度控制，但其手術風險與長期維護限制了廣泛應用。相較之下，非侵入式EEG-BCI因其安全、便攜與低成本優勢，成為研究熱點。然而，現有系統多采用非直觀映射（如想象左手控制右手動作），且控制精度僅停留在關節或肌群層面，難以實現精細的手指級控制。此外，EEG信號本身存在空間分辨率低、信噪比差等問題，使得單指動作解碼成為技術瓶頸。本研究正是針對這一空白，探索是否可通過深度學習與自然映射機制，實現對同一手不同手指運動的精準實時控制。 本研究圍繞“非侵入式EEG-BCI系統能否實現單指級實時控制”這一核心問題展開，通過多階段實驗設計，系統評估了模型性能、神經機制與用戶適應性。實驗共招募21名具備BCI經驗的右利手健康成年人，完成離線訓練、在線控制與模型微調任務，重點考察2指（拇指 vs 小指）與3指（拇指、食指、小指）分類的解碼準確率、穩定性與神經表征特征。 圖1：實驗流程及概述（圖片來自原文） 結果顯示，僅需一輪在線訓練與模型微調，21名受試者便可在非侵入式EEG-BCI系統中完成雙指運動想象/執行控制，平均準確率達到80.56%/81.10%，三指任務亦穩定在60%以上，且系統延遲僅1秒，逼近半侵入及侵入式接口水平，首次在非手術條件下實現精細單指控制。 實驗采用“前半段在線微調”機制，利用當日數據即時優化EEGNet-8.2，三指分類準確率較基線提升約15%；輔以“在線平滑”算法整合歷史輸出，標簽跳變減少三成以上，既保持準確率又顯著提升機器人動作流暢度，受試者主觀匹配度大幅提高。 圖3：分類準確率結果（圖片來自原文） 深度學習自動提取腦電層次特征，alpha頻段ERD集中于左側感覺運動皮層“手結區”，成為解碼核心；僅用感覺運動區通道即可媲美全頭皮信號，模型同時整合分布式網絡活動，增強魯棒性，為低成本、便攜化家用康復設備奠定理論與工程基礎。 圖4：多個頻段下ERD腦地形圖結果（圖片來自原文） 研究意義 本研究首次在非侵入式BCI系統中實現了單指級、自然映射、實時控制，突破了傳統EEG-BCI在精度與直觀性上的雙重瓶頸。其結果不僅為腦卒中后上肢精細功能障礙的康復干預提供了新范式，也為非侵入式假肢控制、神經反饋訓練及日常輔助設備開發提供了技術基礎。盡管當前系統尚未實現四指獨立控制，但研究已明確展示深度學習、模型微調與神經機制整合在提升BCI性能中的關鍵作用。未來，結合高分辨率神經成像技術、擴展至普通人群及構建真實場景任務，將進一步推動該技術走向臨床應用與家庭普及。 參考文獻： Ding Y, et al. EEG-based brain-computer interface enables real-time robotic hand control at individual finger level [J]. Nature Communications, 2025, 16(1). doi: 10.1038/s41467-025-61064-x.圖2：在線響應結果（圖片來自原文）