《Brain Sciences》：Human Factors in Brain–Computer Interfaces: Boundaries, Key Issues, and Methodological Approaches
编辑推荐：
脑–机接口（brain–computer interface，BCI）的大规模真实世界部署面临人因瓶颈，包括可靠性与可用性。虽然现代人因工程（human factors engineering，HFE）已涵盖认知工效学（cognitive ergonomics
脑–机接口（brain–computer interface，BCI）的大规模真实世界部署面临人因瓶颈，包括可靠性与可用性。虽然现代人因工程（human factors engineering，HFE）已涵盖认知工效学（cognitive ergonomics）、工作负荷（workload）、自适应自动化（adaptive automation）以及人在回路系统（human-in-the-loop systems）等领域，但其理论与方法在历史上主要强调外显行为和外周生理测量，而非将中枢神经活动作为主要控制输入。对于以中枢神经活动为直接输入并强调长期脑–机协同适应（brain–computer co-adaptation）的新兴交互范式，仍缺乏有针对性的概念与方法框架。作为概念综述，该研究讨论发展BCI人因工程（Human Factors Engineering for BCIs）作为新兴交叉研究方向的必要性与学科基础。首先，基于BCI交互的定义性特征——如输入的隐含性和脑–机协同适应——界定研究边界，并将核心研究对象概括为用户神经认知特征、脑–机协同适应机制、多模态反馈调控以及情境适应模式。其次，识别三个核心科学问题：个体差异与动态适应、人因优化与容错以及情境泛化原则，并以伦理、隐私与用户权益作为贯穿性维度。此外，构建由多模态测量与建模、闭环验证和多维评估组成的方法体系，并考察人工智能（artificial intelligence，AI）方法在该框架中的支撑作用。以神经、认知与系统层面的协同适应为中心，BCI人因工程代表了以人为中心设计哲学的深化。其为用户友好的BCI设计提供理论参考，并拓展人因工程的研究边界。
1. Introduction
1.1. Research Background：BCI 从实验室走向医疗康复、智能控制与沉浸交互。BCI 通过脑电图（electroencephalography，EEG）、功能近红外光谱（functional near-infrared spectroscopy，fNIRS）、功能磁共振成像（functional magnetic resonance imaging，fMRI）等采集解码中枢神经活动，绕过外周神经肌肉，将意图转为控制命令。但大规模部署仍受瓶颈：研究多聚焦解码算法和硬件，个体神经差异、脑信号时间波动、认知负荷过高、长期自适应不足未系统解决，因此人–脑–系统匹配成为关键。现代 HFE 覆盖认知工效学、工作负荷、自适应自动化、人在回路等，但主要以外显行为和外周生理为建模基础。BCI 以中枢神经活动为直接输入，强调长期脑–机协同适应，经典模型无法完全解释。设计上 BCI 是动态闭环人在回路系统，需持续在线调节与协同适应。因此需整合神经科学、BCI 技术和人机交互（human–computer interaction，HCI），建立 BCI 人因工程，推动从技术可行到用户可用。
1.2. Literature Review Methodology：该研究是概念综述，采用目的性、理论驱动检索，而非穷尽系统检索。检索 Web of Science、PubMed、IEEE Xplore、Scopus、CNKI。检索词分 BCI、人因/工效学、HCI/可用性/用户体验、co-adaptation 四组，纳入需每组至少一词，时间主要 2010–2025。纳入涉及 BCI 用户特征、HCI、可用性、协同适应、反馈设计、评估方法等。纯硬件或解码性能比较仅用于技术背景。交集检索仅初筛，后通过引文追溯、高被引和关键综述补充、检查未用 co-adaptation 的重要研究。综合分三阶段：开放编码提取初始主题；层级聚合为四个核心研究对象；映射问题与方法，伦理与用户权益作为跨切维度。框架为解释性、理论驱动，开放待检验。
2. Research Scope of BCI Human Factors Engineering
2.1. Human Factors Uniqueness of BCI Interaction：BCI 系统通常含七要素，用户及其脑在交互回路中心，脑信号产生、采集、解码和反馈与认知生理状态耦合。BCI 交互不是传统外周操作的可观察可分解行为序列，而是根植于中枢神经活动。不同 BCI 类型人因权重不同：侵入式关注手术安全、植入稳定性、组织相容性和心理适应；非侵入式关注佩戴舒适、抗干扰和校准成本。主动 BCI 依赖认知策略和训练，反应式如 P300、稳态视觉诱发电位（steady-state visual evoked potential，SSVEP）关注注意分配和刺激疲劳，被动式关注无扰监测、状态识别和隐含传感接受度。因此 BCI 人因需纳入神经状态动态、脑–机协同适应和长期个性化设计。
2.2. Core Research Objects：核心研究对象为四维：用户神经认知特征、脑–机协同适应机制、多模态反馈调控机制、情境化人因适应原则。神经认知特征包括个体神经活动与认知能力差异、疲劳注意情绪等状态波动、长期神经可塑性导致的功能重组。脑–机协同适应关注意图生成、神经编码、算法解码和系统响应的动态耦合，以及低信噪比、解码延迟、误识别和反馈对认知策略、信任和行为的反向调节。多模态反馈调控影响学习效率、认知负荷和体验，设计需考虑反馈时机、通道分配、信息冗余、错误处理和神经反馈协同；可结合错误相关电位（error-related potential，ErrP）支持行为前纠错，视听觉触觉与神经反馈协同促进闭环适应。情境化适应原则关注不同任务环境、用户画像和环境约束下舒适、实时、安全可靠等要求，构建情境特定设计框架和泛化原则。
2.3. Boundary Delineation with Related Disciplines：BCI 人因工程与传统 HFE、认知工效学、神经工效学、HCI、BCI 工程、以用户为中心 BCI 研究和神经自适应技术相关。与传统 HFE 相比，其继承以人为本，但扩展到神经认知状态、脑–机协同适应和长期动态适应。与 BCI 工程技术相比，更强调人–系统交互效能和用户体验，而非仅解码控制性能。与 HCI 和可用性工程在方法上重叠，吸收任务分析、交互设计、可用性测试和用户体验评估，同时把神经状态、隐含认知负荷、脑–机适应和长期协同适应纳入评估，从行为与主观报告扩展到神经层面。
3. Core Scientific Questions
3.1. Neurocognitive Individual Differences and Dynamic Adaptation Mechanisms：核心问题是：个体神经活动模式、认知能力和脑状态波动如何影响 BCI 效能，系统如何跨个体、时间和状态持续适应。个体差异具范式与脑区特异性。运动想象（motor imagery，MI）-BCI 中 mu 节律（约 8–13 Hz）的事件相关去同步（event-related desynchronization，ERD）和 beta 节律（约 13–30 Hz）的事件相关同步（event-related synchronization，ERS）强度、空间分布和可控性影响解码精度；部分用户难以产生稳定可分离感觉运动节律，即 BCI illiteracy 或能力不足。P300-BCI 中 P3b 幅度和潜伏期受注意分配和工作记忆更新影响，额顶注意网络变异是表现差异来源。SSVEP-BCI 差异主要来自枕叶视觉皮层频率跟随响应、视觉疲劳易感性和注意调节策略。认知状态也动态变化，认知负荷、注意和疲劳影响信号与表现；长期使用中学习、神经可塑性和疲劳累积改变脑活动。需在测量、建模和实验设计层面控制跨天波动：标准化基线、固定采集条件、在线自适应分类器、迁移学习、域适应、用户分层、融合外周生理，以及多 session 跨天纵向跟踪，并报告跨 session 泛化。
3.2. Human Factors Optimization and Fault-Tolerance Mechanisms in BCI Interaction：脑–机交互存在解码错误、响应延迟和控制偏差。用户需理解系统行为、形成合理期待并维持长期协调。适应 BCI 是持续学习；错误无法完全消除时，用户难辨问题源于自身还是系统，可能阻碍稳定策略和动机。因此需认知原则反馈、增强透明度和可理解性，以建立信任。仅提高解码精度不足，需容错机制降低误操作风险，减少纠错认知负担和心理压力，可利用情境信息、任务背景和动态交互策略。BCI 还面临 BCI 能力、用户筛选、期望管理、减少校准、零校准、即插即用、迁移学习等问题。ErrP 可捕捉用户对错误的隐含意识，支持人机混合纠错。老年、残障和严重沟通障碍者的可及性与通用设计也很重要，自主性、能动感和具身感涉及控制感和自动化边界。
3.3. General Laws of Scenario-Based Human Factors Adaptation：随 BCI 进入医疗康复、工业控制、教育培训和沉浸交互，场景人因需求差异突出。医疗康复如卒中上肢康复关注长期训练依从、疲劳耐受、运动功能重塑神经适应和康复结果评估；辅助沟通和环境控制如肌萎缩侧索硬化（amyotrophic lateral sclerosis，ALS）用户关注高可靠选择、强容错、长期舒适、自主与尊严；交通和工业控制关注被动监测注意疲劳分心、报警阈值、虚警漏警平衡、紧急接管和安全；教育游戏沉浸环境关注沉浸、参与、学习动机、认知负荷和视觉疲劳平衡。跨场景比较显示舒适、安全、认知负荷控制、交互透明度和信任较通用，但指标阈值、反馈模式和评估权重因场景而异。需综合通用原则并保留场景差异，建立统一核心指标和评估框架。
3.4. Human Factors Ethics, Neural Data Privacy, and User Rights and Interests：BCI 扩展至临床、辅助和高风险场景，伦理和权利问题成为系统设计与用户研究组成部分。脑信号高度个体特异，可能涉及情绪、注意、认知状态甚至身份信息。采集、存储、传输和共享需考虑知情同意、目的限制、数据最小化、加密和访问控制；个人识别或状态推断应用应透明披露。随着自适应和自主执行增强，需明确人类监督、否决、接管权限和系统失败责任边界。用户应被告知 BCI 能力边界、潜在 BCI illiteracy 和长期使用不确定性，形成合理期待。还需避免不同年龄、残障和社会经济状况用户因技术壁垒产生新不平等。这些议题与信任、接受和长期使用意愿交互，因此人因研究需考察用户权利、控制感、知情水平和公平获益。
4. Methodological Framework
4.1. Multimodal Measurement and User Modeling Methods for Neurocognitive Characteristics：测量神经活动和认知状态是 BCI 人因研究首要问题。脑信号既反映控制意图，也受注意、疲劳和任务压力影响，仅靠行为或外周生理不足，多模态测量成为常用方法。研究结合神经信号、行为表现和外周生理，交叉验证认知过程与行为关系，并支持长期学习适应监测。用户建模日益强调神经特征层信息，将脑活动模式、认知策略和状态变化时间特征纳入模型，以调整个体化训练、交互参数和反馈。人工智能（artificial intelligence，AI）可从 EEG、眼动、外周生理和行为数据学习高维表征，识别认知负荷、疲劳和注意等隐含状态；度量学习、聚类和个体化模型支持用户分层，迁移学习、域适应和在线学习减少重复校准。但模型可解释性、小样本和分布漂移下可靠性以及用户信任仍影响实际协作。
4.2. Human Factors Validation Methods Under Closed-Loop Interaction Conditions：由于 BCI 持续反馈和在线调整，人因研究常需闭环验证，而非仅离线实验或单次任务。闭环更利于观察学习、策略调整和长期适应。研究人员常用虚拟现实（virtual reality，VR）、数字孪生或场景实验平台模拟医疗康复、工业控制等复杂任务，在可控条件下提高生态效度。闭环实验不仅记录最终结果，还考察学习过程中的认知负荷、策略调整和适应速度，分析长期脑–机协调。其强调交互过程本身，而非单次任务结果，区别于传统可用性测试。
4.3. Multi-Dimensional Human Factors Evaluation Methods for BCIs：BCI 人因评估不再限于可用性，需同时考虑行为绩效、用户体验和神经状态，维度包括有效性、效率、认知负荷、可用性、满意度、信任、接受度、舒适性和神经适应性。过去强调准确率和信息传输率，真实应用更关注长期稳定使用和持续接受。神经适应性是独特维度，指重复使用中通过学习与协同适应发生的脑活动模式和脑网络连接可测变化，以及其与系统性能的共演化。如何协调行为指标、主观评估和神经信息，并建立适应不同场景的评估框架，仍是开放问题。
4.4. Application Path of the Methodological System in the Full BCI Development Lifecycle：方法体系应嵌入 BCI 开发全生命周期：需求定义与用户建模、交互原型与算法迭代、产品测试与场景验证、长期部署与迭代优化。多模态测量主要在早期建立用户基线和个体模型；闭环验证集中在原型迭代，验证交互逻辑和反馈机制；多维评估贯穿测试和长期部署，并反馈到需求与原型迭代。需求阶段将用户神经认知差异转为设计输入，例如 MI-BCI 按 ERD/ERS 可分性分层，SSVEP-BCI 按枕叶响应和视觉疲劳推荐刺激参数。原型阶段先离线精度验证，再闭环体验验证，最后场景稳定性验证；产品与长期阶段用分阶段评估矩阵输出人因问题清单，并持续跟踪多模态数据更新模型，识别退化问题，形成长期闭环。
5. Disciplinary Value and Future Directions
5.1. Core Rationale for the Emerging Interdisciplinary Research Direction：BCI 走向真实应用，传统 HFE 仍为基础，但不完全覆盖中枢神经活动作为控制通道且双向长期适应的机制。BCI 人因工程在研究对象的神经认知状态、核心问题如个体差异、脑–机协同适应、信任和场景适应，以及多模态测量、闭环验证和纵向评估方法上形成较清晰问题域。其扩展了人因视角，从行为–系统关系走向神经–认知–系统三元关系。尚需完善理论框架、方法标准、评估指标、共享数据资源和学术生态，是否成为公认方向仍依赖实证和理论积累。
5.2. Future Key Research Directions：未来优先可信协作与跨场景设计。面对固有解码错误和系统不确定性，用户如何解释系统行为、形成期待并维持长期信任影响技术效能。脑信号隐私、用户自主和责任边界应持续关注。跨场景实验范式、评估指标和长期可用性研究差异限制可比性和可迁移性，需建立更统一的人因评估框架。还需平衡看待其边界：人因工程可缓解适应困难、校准训练负担、长期依从差和体验不足，但不能替代采集硬件、神经解码算法和植入材料生物相容性突破，对信号带宽和精度等硬约束改善有限。
6. Conclusions：针对 BCI 大规模部署的人因瓶颈，该综述梳理研究范围、核心科学问题和方 法框架。BCI 输入隐含性、神经状态动态波动和双向脑–机协同适应是现有框架仅部分覆盖的方面，构成建立专门交叉方向的根本理由。研究识别四类核心研究对象，厘清与 HFE 和 BCI 工程技术的边界，综合三类核心科学问题，并构建多模态测量与用户建模、闭环交互验证和多维人因评估的方法框架。其本质是神经活动、认知过程和系统设计的协同适应。AI 和多模态传感为个性化建模和时间适应提供工具，神经数据隐私和用户自主等伦理问题应与技术发展并行考虑。
