作者：王禹心，刘佳雨，苏世超，高照，王秉贤，党圆圆，许奥浠，赵虎林，
脑机接口（brain-computer interface，BCI）技术旨在通过解码神经信号，实现人脑与外部设备交互，其在功能神经外科领域展现出广阔应用前景。目前，BCI在辅助患者运动功能重建与优化神经调控策略等方面已取得重要进展，例如，通过将脑深部电刺激（deep brain stimulation，DBS）与闭环BCI 系统结合，
本文旨在探讨个性化脑机接口（personalized brain-computer interface，PBCI）在功能神经外科中的应用潜力，着重分析其在应对上述技术瓶颈方面的优势。通过整合神经生理数据与人工智能，PBCI 有望显著提升系统适应性与精准性，为临床应用提供定制化解决方案。本文旨在系统评述PBCI领域的技术创新、临床应用实例及未来发展趋势，为推进功能神经外科精准治疗构建理论框架。
本文基于对PBCI 技术创新与应用潜力的系统性研究，进一步整合最新临床实践数据，深入剖析个体化与非个体化BCI系统的效能差异、临床应用面临的实际障碍（包括成本效益、患者依从性及操作培训需求）及试点数据反馈。同时全面探讨该技术的局限性、伦理挑战以及未来具体研究方向，为PBCI 临床转化提供多维度的理论支撑与实践指导。
1. PBCI 的基本概念
1.1 个性化医学的引入
功能神经外科作为一门通过精准神经调控治疗神经系统疾病的学科，为BCI 技术应用提供重要场景。个性化医学是以患者独特生物学特征为基础定制治疗策略的医学模式。随着基因组学、代谢组学及影像组学等技术迅速发展，个性化医学已在肿瘤、
在此背景下，BCI 技术的发展获得全新视角。通过整合患者的脑电特征、脑影像及行为数据，PBCI 能够优化神经信号解码模型，提升系统适应性和治疗效率。PBCI 的核心在于依据个体独特的神经生理特征（如特定脑区活动模式、神经环路连接特性），定制信号解码算法和神经调控策略。
1.2 PBCI 的构成要素
PBCI 的核心目标是实现精准神经调控。为实现个体化设计，需对患者特异性数据进行全面采集与解析，整合多模态数据，为系统设计奠定基础。首先，脑影像数据是关键组成部分，结构性
此外，基因组数据通过检测特定基因位点（如：与神经递质信号相关的突变），为神经调控提供精准指导。与此同时，患者的行为数据和神经反应特征的收集，补充脑信号的解码信息。这些数据整合通过多模态分析，实现患者特定生理特征的全面呈现。基于这些特异性数据，PBCI 在设计上需进行多方面优化。算法开发方面，通过深度学习技术结合患者的脑电特征，设计专属的信号解码模型。
例如：开发基于个体
2. 创新性技术整合
2.1 BCI 与DBS 结合
BCI 与DBS 结合代表神经调控技术的一大飞跃，尤其是在神经精神疾病治疗中的应用潜力。BCI 通过实时采集、处理和分析大脑活动数据，实现神经信号解码和控制；而DBS 则通过精准电刺激对脑内特定区域进行调控。两者结合使传统DBS技术从“开放环系统”迈向“闭环系统”，显著提升治疗的精准性和适应性。基于闭环控制原理，这一技术整合通过实时监测患者脑电活动或神经递质浓度等神经生物学指标，结合BCI 解码算法识别异常信号，触发DBS 电刺激响应。
系统利用EEG、局部场电位（local field potential，LFP）或皮质脑电图（electrocorticography，ECoG）记录患者脑电活动特征，识别异常信号模式，并根据BCI 解码结果动态调整刺激参数（频率、幅度、波形等），实现适时与精准的神经调控。其中，LFP 通过植入电极记录深部脑区的局部神经元电活动，而ECoG 通过电极阵列放置在皮质表面监测电活动，两者均适用于不同场景的侵入式信号采集。
此外，通过分析刺激后的实时信号，系统评估疗效并不断调整刺激策略，形成一个自适应闭环调控模式。BCI-DBS系统通过个体化信号解码与动态参数调整，为针对特定神经环路异常的精准干预提供强大技术平台。
2.2 多模态影像学与人工智能的融合
除神经调控模式的革新，多模态影像学与人工智能的深度融合则是精准定位靶点和优化治疗参数的另一个关键支柱。多模态影像学与人工智能的融合是推动PBCI 发展的核心技术之一，通过整合fMRI、DTI 等影像技术和人工智能算法，实现对患者脑部特征的全面解析，并优化治疗方案。
fMRI 提供精确的脑功能活动图谱，揭示特定任务或病理状态下脑区的激活情况，而DTI 则用于评估白质纤维束的完整性和脑网络连接特征，帮助定位功能性异常区域和网络断裂点。在BCI设计中，这些影像数据为精准选取病灶提供基础，例如在运动功能重建中，结合fMRI 数据定位运动皮质活动区域，并通过DTI 追踪相关神经通路，确保刺激靶点与患者个体脑结构相符。人工智能技术在多模态数据分析中扮演关键角色。
通过深度学习算法（如卷积神经网络），能够将大规模影像数据（例如fMRI）转化为可用于BCI 优化的关键空间和时间特征参数。这些特征可用于预测治疗反应及干预效果（如手术或DBS 疗效），类似方法亦在神经退行性疾病鉴别诊断中验证多模态人工智能的精准性。虚拟脑模型（virtual brain twins）通过脑影像数据的个体化建模来实现此类预测效果；BrainFusion 框架则支持多模态BCI 整合，处理接口复杂性。
值得注意的是，单神经元级别信号捕获在临床转化中展现出显著潜力。此外，结合强化学习算法，BCI 系统能够根据患者的实时反馈，动态调整刺激参数（如电极位置、刺激频率和波形），从而实现更高效的个性化治疗。研究显示：通过融合影像数据和人工智能预测模型，可提前预测DBS 或BCI 治疗的有效性，为制定个性化方案提供科学依据。采用Cholesky空间方法等新型算法可进一步压缩数据处理的时间延迟，提升多模态融合效率。
2.3 闭环BCI 系统
闭环BCI 系统是PBCI 的重要发展方向。该系统通过实现实时神经信号采集、处理、反馈和调控，显著提升系统的实时性和精准性。区别于传统的“开环”系统，闭环BCI 以动态反馈为核心，能够根据患者的神经状态变化自动调节刺激参数。例如，在癫痫发作的预测与干预中，闭环系统可通过EEG 或LFP 记录异常放电信号，深入理解致痫网络的传播特性，对于提升预测精度至关重要，并利用机器学习算法检测癫痫发作的前兆模式，其有效性依赖于对致痫网络传播机制的精准解析，在发作尚未完全形成时触发电刺激抑制机制，可有效阻止癫痫发作进展。
非侵入式闭环声学BCI（aBCI）可实现癫痫发作的个体化解码与干预；经颅聚焦超声技术也可用于增强视觉BCI 的实时调制能力。经颅聚焦超声技术为闭环BCI 提供一种新型调控工具。KOSNOFF 等研究证实，通过对视觉运动皮质（V5 区）进行精准的聚焦超声刺激，可显著增强运动意图相关脑电活动的信噪比（θ/α 频段功率提升超过40%，P<0.01），使运动想象BCI 的分类准确率提高至92.3%。该技术通过调节神经振荡同步性，为非侵入式BCI 的精准干预提供新途径，特别适用于运动功能重建与癫痫干预等场景。
现阶段，非侵入式BCI 技术在信号稳定性和实时处理方面的性能持续优化，为闭环系统提供重要支持。未来需进一步开发嵌入式电路本地处理能力，以充分满足其严苛的实时性需求。闭环系统的设计主要涉及信号采集、处理分析与调控反馈三大核心环节。在信号采集阶段，系统借助多通道EEG 或LFP 实时记录高分辨率的神经信号，持续监测患者的神经活动状态。
在处理分析阶段，深度学习算法被用于高效提取神经信号的关键特征（如癫痫前兆波形或特定运动信号模式），并结合预测模型评估当前状态与潜在风险。在调控反馈阶段，系统基于实时分析结果动态调整电刺激参数。这种设计保证PBCI 能够高度动态适应个体神经活动的瞬息变化。闭环BCI 系统以其高效实时反馈机制和个性化调控能力，为神经调控技术开拓新的可能性；尤其在复杂疾病的动态治疗中，其展现出优异适应性与灵活性，为未来精准个性化治疗模式奠定基础。
3. 临床应用与挑战
3.1 临床应用实例与效果对比
近年，闭环系统在神经疾病治疗中的价值日益凸显，其应用实例展现出显著优势。例如：闭环DBS 系统通过实时监测患者
LIU等多中心研究指出：采用基于高密度EEG的个性化运动解码模型，
在脑卒中康复领域，WANG等多中心随机对照试验报道，BCI 结合功能性电刺激（functional electrical stimulation，FES）可显著改善患者上肢运动功能（Fugl-Meyer 评分提升>15%）。该研究作为非个体化BCI 疗效的基准，虽未区分个体化设计方法，却为其优化提供明确方向。在PD患者的运动功能重建中，PBCI 显示出重要应用前景。
研究者通过将患者EEG或ECoG信号与运动意图相关联，开发精准的运动意图解码模型，能够实时识别患者的运动指令并控制外部设备（如机械臂或步态辅助装置），实现部分运动功能的代偿。例如：专为PD患者定制的基于EEG的PBCI 系统，结合深度学习算法实现对运动信号的高精度解码，显著提升患者步态平衡与手部精细操作能力。值得注意的是，通过个性化设计，该系统能够动态适应患者病情波动，提供长期稳定的运动支持。
OEHRN等试点试验进一步揭示个体化设计优势，证实基于实时数据分析的自适应刺激参数调整，较传统标准方法能显著提高运动症状改善率（UPDRS-Ⅲ评分降幅达到18%），为该技术大规模临床转化奠定基础。在癫痫治疗中，PBCI 闭环控制系统为癫痫发作预测与干预开辟新途径。传统的癫痫治疗多依赖药物或外科手术，但部分患者存在药物治疗抵抗或手术禁忌。针对这一问题，开发集成实时信号采集、智能算法分析与刺激反馈的闭环BCI 系统，该系统能够识别癫痫发作的早期信号，并迅速触发电刺激或其他干预，旨在阻断异常脑电活动的网络传播路径，有效遏制发作进展。
对于
HEARNE 等采用fMRI 引导的个体化rTMS 靶向
3.2 临床应用问题分析
成本与技术复杂性构成首要挑战。侵入式BCI 面临手术风险（植入感染率2%~5%）及长期信号衰减问题（年衰减率>10%），增加维护成本。个体化设计需整合多模态数据（如fMRI/基因组学），进一步增加设备与人力投入。非侵入式BCI虽安全性高，但低信噪比特性常需采用高密度EEG系统（如64~128 通道）以提升空间分辨率，显著增加设备成本。新一代柔性电极结合边缘计算芯片可降低系统功耗62%，维持跨被试解码准确率>88%。
患者依从性受多重因素影响。信号不稳定性导致需频繁校准（每周1~2 次），降低患者使用意愿。长期植入设备存在接口降解风险，如：肌萎缩侧索硬化症（amyotrophic lateral sclerosis，ALS）患者7 年使用中LFP 幅值下降20%，影响疗效持续性。更关键的是，超过5 年的长期疗效证据仍显不足，削弱患者信心。医生操作壁垒亟待突破。缺乏统一的操作协议（如刺激参数设定标准），导致技术推广困难，尽管存在国际临床神经生理学联盟（IFCN）等机构发布的运动障碍神经调控指南，但PBCI 个体化需求仍需开发全新规范框架。多模态BCI 系统（如BrainFusion 框架）要求医生掌握神经科学与人工智能交叉技能，培训成本高昂。
3.3 医院试点应用反馈
MITCHELL 等在4 例
这一案例凸显长期服务的运维挑战。PD 个体化调控进入临床验证阶段，OEHRN 等的试点试验（NCT03582891）证实数据驱动刺激的可行性，计划扩展至200 例多中心试验。脑卒中康复领域，WANG 等的BCI-FES 研究（NCT04387474）中期分析显示安全性良好，上肢功能改善数据待发布。个性化闭环DBS 在PD 管理及BCI-FES 在脑卒中康复中均展现出应用潜力，后续需聚焦算法自动化（PD）和长期随访机制（脑卒中）以推动临床落地。
4. 挑战、伦理与未来方向
4.1 技术局限性与挑战
植入式电极面临严峻的生物相容性问题。慢性炎症反应及材料腐蚀导致LFP 幅值年均下降10%~15%，迫使患者二次手术更换设备。运动伪迹显著降低非侵入式EEG 的临床精度。柔性电极与自适应滤波技术可缓解该问题，但实时处理能力仍需结合边缘计算优化。算法泛化能力不足限制跨人群应用。深度学习模型易过度拟合特定患者特征，迁移至新群体时解码精度骤降（如PD模型用于癫痫患者的准确率<60%）。多模态数据整合亦存在瓶颈，融合秒级fMRI 与毫秒级ECoG 数据时，时间尺度差异导致实时分析延迟>500ms，难以满足闭环调控需求。
4.2 伦理与隐私挑战
神经数据安全防护亟需创新机制。脑电信号可解码思维意图，在涉及利用多中心数据训练人工智能模型时，采用联邦学习框架可实现在本地化训练模型而无需共享原始患者数据（数据不出医院），有效杜绝云端数据集中存储和传输的泄漏风险。去标识化处理（删除姓名/地址等敏感信息）与区块链存证技术可强化数据溯源管理。自主权争议要求技术透明化。
BCI 干预可能模糊“患者意愿”与“机器决策”的界限，需可解释人工智能可视化调控逻辑。必须设置患者否决权（如紧急关闭按钮），确保人类对关键决策的最终控制。防范潜在滥用需制度保障。伦理委员会审查应排除非治疗性应用（如运动神经增强）。行业公约必须明确禁止将神经数据用于保险歧视或雇佣评估，维护患者基本权益。
4.3 未来研究方向与跨学科合作
PBCI 临床转化亟需构建标准化开发路径。首先，应建立规范的研发流程框架，包括信号采集（如EEG/LFP 采样率≥1 kHz）、处理（去噪算法）与解码技术（深度学习架构）的标准化。这些流程需支持基于个体脑电特征的动态定制，以提高系统适应性。其次，需通过技术创新降低成本并提升普适性，尽管已有研究报道其疗效显著，但其长期普适性仍需更多实证研究进行验证。
未来研究重点应是无创BCI 技术的普及化和可穿戴设备的发展。无创BCI 系统依赖于EEG 和近红外光谱（near infrared spectroscopy，NIRS）等先进信号处理技术，能够实时捕捉脑电活动并解码意图。该技术推广需解决信号噪声干扰、处理速度与准确性之间的平衡，以及用户体验等方面的挑战。潜在研发方向包括：研发柔性电极与低功耗传感器，以降低硬件成本；开发边缘计算芯片以实现本地信号处理，规避高频无线传输延迟；以及设计具备增强日常适用性的可穿戴设备，这些技术进步有望使BCI 系统更加轻便易用，便于患者进行日常监测与互动。可穿戴BCI 设备的轻量化与智能化是技术演进的核心方向。
EDELMAN等研究表明：新一代柔性电极结合边缘计算芯片（如低功耗CNN 加速器），可有效压缩信号处理时间延迟<100 ms，同时通过联邦学习框架保障多中心数据安全共享。该技术路线已实现：256 通道EEG 系统功耗降低62%，且在跨被试场景下维持运动意图解码准确率>88%。这一进展为居家神经康复与长期癫痫监测提供普适化工具，推动BCI 由实验室走向日常生活场景。
跨学科协作是突破技术瓶颈的核心。材料科学需研发抗炎涂层电极（如水凝胶包裹）延缓信号衰减；人工智能领域应结合迁移学习与小样本训练提升算法泛化能力；临床医学则需推进大规模随机对照试验（RCT）验证疗效（如基于Oehrn 试点）。同步建立神经科学、工程学与伦理学的协同创新生态，依托开源平台（如BrainFusion 框架），共享多模态数据集。
在应用层面，多模态影像与人工智能深度融合是未来关键。虚拟脑模型（virtual brain twins）通过整合个体化fMRI-DTI 数据，模拟神经调控效果（如预测DBS对皮质-纹状体环路的抑制率），为精准干预提供理论支撑。闭环系统的实时调控能力需进一步强化，通过嵌入式处理芯片压缩分析延迟时间<100 ms，并利用联邦学习框架保障数据安全。
综上所述：PBCI 通过个性化医学理念与多模态技术整合，显著提升运动功能重建、癫痫干预及情绪障碍治疗的精度。尽管目前面临普适性不足（包括无创技术推广的挑战）、长期稳定性欠佳及实时性受限等挑战，相信随着标准化路径完善与跨学科创新发展（如材料、算法、闭环设计突破），功能神经外科将加速迈向“精准-动态-普惠”的神经调控新范式。
来源：王禹心,刘佳雨,苏世超,等.个性化脑机接口的崛起：功能神经外科精准神经调控[J].中国微侵袭神经外科杂志,2025,29(08):489-495.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
