突破复杂运动控制：自适应脑机接口实时神经反馈优化

脑机接口（BCI）技术在医疗和辅助设备领域展现出巨大潜力，但其在日常生活中的应用仍然面临多重挑战。这些挑战主要集中在BCI解码器的训练上，传统的解码器训练依赖于监督学习，需要明确的标签数据，这往往要求用户在受控环境中进行特定的动作。然而，这种训练方式存在几个显著问题，如训练集与测试集之间的脑信号差异、训练环境与日常生活环境的差异，以及解码器性能随时间波动带来的更新需求。为了解决这些问题，研究人员开发了多种策略来减少解码器的训练时间或更新频率，如迁移学习和无监督学习。然而，这些方法在应对复杂运动任务和长期使用中的解码器性能下降方面仍存在局限。

自适应脑机接口

法国研究团队Rouanne等人提出了一种名为“自适应脑机接口”（aaBCI）的创新方法。该方法通过实时检测用户的神经活动，评估BCI执行器执行的动作是否符合用户意图。基于BCI控制任务表现的神经相关性，系统自动生成标签数据，从而可以自适应地训练或更新BCI解码器。这一过程使得BCI执行器在被自由控制的同时，能够自适应地进行训练或更新，减少了对受控训练环境的依赖。这一突破性的aaBCI方法标志着BCI技术向实际应用迈出了重要一步。研究团队期待通过进一步的临床试验，将这一技术应用于更复杂的BCI系统，并最终服务于广泛的患者群体。aaBCI框架如图1所示。

Fig1. aaBCI框架的示意图。除了大多数BCI共有的控制解码器模块和更新器模块外，aaBCI还具有一个自适