编辑推荐：
无创脑机接口（BCI）发展迅速，本文聚焦其范式、方法与应用，探讨挑战与前景。
无创脑机接口在运动或交流辅助及康复中的研究进展
在过去十年里，无创脑机接口（Brain-Computer Interfaces，BCIs）领域取得了飞速发展。这一新兴技术借助磁电记录或血流动力学成像手段，以非侵入性方式获取神经生理信号，像脑电图（Electroencephalography，EEG）和功能近红外光谱（Functional near-infrared Spectroscopy，fNIRS）技术就是其中的典型代表。这些无创采集的信号在时间分辨率和空间分辨率上各有差异，时间分辨率跨度从毫秒到秒，空间分辨率则在厘米至毫米之间变化。
基于这些神经成像技术的发展，多种 BCI 模式应运而生，稳态视觉诱发电位（Steady-State Visual Evoked Potential，SSVEP）、P300 以及运动想象（Motor Imagery，MI）等。这些模式在帮助患者恢复或辅助其受损的运动、交流功能方面发挥着重要作用，为医疗康复领域带来了新的希望。
一、研究方法与数据获取
本次综述在文献筛选过程中遵循系统评价和荟萃分析的首选报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，PRISMA）标准，对 2016 年以来的相关研究进行了全面梳理，最终筛选出 223 篇研究文章作为分析对象。这一严谨的筛选过程确保了综述内容的科学性和可靠性，能够较为全面地反映该领域近年来的研究进展。
二、EEG - 基于 BCI 的研究焦点
在众多无创 BCI 研究中，基于 EEG 的 BCI 成为了研究的重点方向。EEG 技术凭借其成本低廉和便于携带的显著优势，吸引了大量科研人员的关注。在康复治疗、机器人设备控制等多个领域，基于 EEG 的 BCI 都开展了众多转化研究。
在康复治疗方面，研究人员尝试利用 EEG - BCI 技术帮助肢体运动障碍患者恢复运动功能。通过捕捉患者大脑产生的 EEG 信号，经过分析和处理，转化为控制外部康复设备的指令，辅助患者进行康复训练，促进肌肉功能的恢复。
在机器人设备控制领域，EEG - BCI 技术也展现出了巨大的潜力。科研人员通过训练患者在脑海中想象特定的动作，如握拳、伸展等，这些动作产生的 EEG 信号被采集和识别后，用于控制机器人的运动，实现人机之间的自然交互，拓展了机器人在医疗和日常生活辅助中的应用范围。
三、解码方法的蓬勃发展
近十年来，解码方法在 BCI 研究中取得了显著进展，深度学习和源成像技术尤为突出。深度学习凭借其强大的自学习和特征提取能力，在处理复杂的 EEG 信号时表现出色。它能够自动挖掘 EEG 信号中隐藏的特征信息，提高对大脑意图的解码准确性。例如，利用卷积神经网络（Convolutional Neural Network，CNN）对 EEG 信号进行分类和特征提取，可以更精准地识别不同的运动想象任务对应的大脑信号模式。
源成像技术则通过对 EEG 信号进行逆向分析，尝试定位大脑中产生这些信号的源区域。这种技术有助于深入了解大脑活动的神经机制，为进一步优化 BCI 系统提供了理论依据。通过源成像，研究人员可以确定不同任务下大脑特定区域的激活情况，从而有针对性地调整 BCI 系统的参数设置，提高系统性能。
四、面临的挑战
尽管无创 BCI 研究取得了诸多进展，但目前仍面临着一系列挑战。首先，电极设计方面有待改进。现有的电极在使用过程中存在诸多不便，如佩戴繁琐、需要专业人员操作等，这限制了 BCI 技术在实际生活中的广泛应用。开发更加便捷、舒适且易于佩戴的电极是当前研究的一个重要方向。
其次，解码准确性和效率仍需进一步提高。虽然深度学习等技术在一定程度上提升了解码性能，但在复杂环境和个体差异较大的情况下，解码结果的准确性和稳定性仍不尽人意。研究人员需要不断优化算法，结合更多的生理和行为特征信息，以提高解码的准确性和效率。
此外，针对不同目标患者群体设计更适用的 BCI 系统也是一个亟待解决的问题。不同患者的病情、生理特征和需求各不相同，现有的 BCI 系统难以满足所有患者的需求。未来需要开展更多的个性化研究，根据患者的具体情况定制 BCI 系统，使其能够更好地服务于临床患者。
无创脑机接口在运动或交流辅助及康复领域展现出了巨大的潜力，但要实现其广泛的临床应用，还需要科研人员在电极设计、解码方法优化和系统个性化定制等方面不断努力。随着技术的不断进步和研究的深入，相信无创 BCI 技术将为患者带来更多的福祉，在医疗健康领域发挥更大的作用。
