《npj Biomedical Innovations》：Generalizable neural decoding for clinically scalable brain-computer interfaces
编辑推荐：
脑机接口（BCI）有望恢复交流与运动功能，然而开发阶段所获得的准确率很少能够在新的会话、用户、任务或硬件条件下保持。决定临床可扩展性的并非峰值性能，而是泛化能力（generalization）。研究人员在此考察从开发到部署的可泛化神经解码，并按评估时留出的域、
脑机接口（BCI）有望恢复交流与运动功能，然而开发阶段所获得的准确率很少能够在新的会话、用户、任务或硬件条件下保持。决定临床可扩展性的并非峰值性能，而是泛化能力（generalization）。研究人员在此考察从开发到部署的可泛化神经解码，并按评估时留出的域、目标数据可及性（target-data access）、适应策略（adaptation strategy）以及性能得以持续存在的临床条件进行组织，进而将基准测试标准（benchmarking standards）、前瞻性验证（prospective validation）和硬件-算法协同设计（hardware-algorithm co-design）识别为获得持久获益的前提条件。
Distributed neural recording and representation complexity（分布式神经记录与表征复杂性）：记录硬件不仅决定信号保真度，也决定空间尺度、时间带宽、解剖覆盖、长期稳定性和生物特异性，从而约束下游解码模型的维度、稳健性与泛化性。语音、灵巧运动和认知控制等复杂行为源于分布式群体动态，因此接口正从稀疏局部记录转向更广、更稳定的分布式采样。
The spatiotemporal-invasiveness trade-off（时空-侵入性权衡）：EEG、MEG、fNIRS、fUS、功能光学显微镜、血管内BCI、ECoG、立体脑电图、穿透式微电极阵列和硅探针等在信号来源、时空分辨率、覆盖范围和侵入性上不同；MUA是胞外电极附近聚合放电特征而非独立记录模态。成像分辨率、进入要求和已证明解码能力不能仅由模态名称推断，没有现有模态能同时实现高空间分辨率、广解剖覆盖、低侵入性和长期稳定性能。
Evolution toward distributed and bio-integrated neural interfaces（向分布式与生物整合界面演化）：早期Utah阵列和Michigan探针验证了多站点记录和运动解码，但仅采样自然行为所依赖分布式活动的一小部分。高密度硅探针如Neuropixels提高采样能力；刚性植入物与软组织机械失配可致炎症、胶质封装和信号退化，促使聚合物探针、网状电子、薄膜阵列、高密度μECoG和无线接口等柔性/生物整合技术发展。
High-dimensional neural data and representation complexity（高维神经数据与表征复杂性）：现代接口可同时记录数百至数千通道，提供协方差结构、潜在动态和分布式行为表征；其泛化价值取决于行为相关结构在群体或记录条件变化时是否仍可及。维度增加应区别于对电极漂移、通道丢失和生物变异的稳健性；更大记录也增加预处理、推断和模型更新需求，植入系统须满足功耗、内存、遥测、延迟和产热限制。
Evolution of neural decoding architectures（神经解码架构演化）：解码架构随神经群体活动复杂性和稳健提取需求而演化，从显式统计模型转向可学习层级表征，并进一步强调迁移、终身适应和临床可扩展性。
From explicit feature engineering to learned representations（从显式特征工程到学习表征）：群体向量、Wiener滤波、Kalman滤波、LDA、SVM等支持早期在线光标、拼写和机器人控制；固定映射在特征或特征-行为关系变化时可能失效，而简单解码器在关系稳定或校准可用时仍有用。
Spatial and temporal representation learning in deep neural networks（深度神经网络中的时空表征学习）：CNN有效捕获ECoG网格和高密度皮层记录的局部空间组织；RNN、LSTM和GRU建模连续行为的时间依赖；Transformer通过自注意力捕获跨空间群体和长时窗的长程依赖，已用于语音解码和行为预测。模型容量提升更多改善域内性能，跨会话、跨被试、跨任务、跨设备和跨站点泛化需分别评估，且结果须说明部署流程是否固定或使用目标域记录/标签适应。
Toward transferable neural representations（迈向可迁移神经表征）：多数BCI仍任务特异和参与者特异，神经非平稳性、电极漂移和生物异质性导致跨会话、情境和受试者性能下降。Neuroformer、NDT系列和POYO等探索跨会话/参与者/情境预训练共享结构；其迁移范围取决于预训练语料、信号表征、下游任务和目标特定更新。NWB等标准化格式和跨机构数据整合支持异质数据集成，但数据可合并性取决于任务、信号、标签及采集处理史兼容性；预训练规模应以独立参与者、会话、行为覆盖和记录条件描述。NDT2、POYO+、NDT3等在限定信号域扩展证据；Mamba可作为潜在计算骨干，但原始架构论文不证明神经基础模型或跨记录域迁移。近期价值可能在于共享骨干减少而非消除部署特定适应。
Clinical expansion of BCIs（BCI的临床扩展）：记录、解码和闭环控制进步使BCI从离散运动命令扩展到自然交流、感觉恢复和自适应神经调控；各应用在技术成熟度、临床目标和证据支持上差异显著。
From discrete control to naturalistic motor and speech decoding（从离散控制到自然化运动与语音解码）：早期系统解码低维运动参数实现二维光标和简单机器人操作，需大量参与者特定监督校准；现代皮层内和皮层表面BCI支持多自由度机器人、灵巧抓握和协调轨迹，ReFIT-KF目标获取成功率>99%。运动恢复系统可与功能性电刺激结合，但须与fUS运动意图解码、光学BCI和血管内数字设备控制区分。通信BCI从P300和SSVEP拼写发展到RNN手写约90字符/分钟、CNN-Transformer和语言模型辅助系统；语言模型辅助前后应在匹配条件下分别报告，音素和词错误率不可直接相减。证据须区分广泛任务训练后性能与有限干预下跨会话维持。
Bidirectional neural interfaces and adaptive neuromodulation（双向神经接口与自适应神经调控）：感觉神经假体通过刺激存活感觉通路产生感知，视网膜与皮层视觉假体是不同策略；Argus II、alpha-IMS和视皮层刺激已有研究，躯体感觉皮层刺激可提供反馈；听觉注意解码目标不同。闭环神经调控连续监测活动并动态调整刺激，常规DBS约改善UPDRS运动评分40%，自适应DBS以β-band等生物标志触发可达约68%改善并降低能量。双向系统泛化同时涉及读出和刺激后果，校准包括感知映射、生物标志选择和刺激编程；长期评估应关联功能结局与重编程频率、监测需求和不良事件。
Toward integrated neuro-digital ecosystems（迈向集成神经-数字生态）：BCI正成为集成神经-数字平台，控制图形界面、通信软件、机器人和智能环境；长期解码框架如潜在因子稳定、循环自适应解码和无监督重校准减少校准需求。皮层内BCI已使四肢瘫患者操作商用平板，血管内BCI使严重瘫痪者用思维切换控制数字设备。评估需区分植入时长、记录区间和稳定运行时长，并将前瞻在线使用与护理者协助、技术支持和维护需求关联。
Bottlenecks limiting clinical generalization（限制临床泛化的瓶颈）：长期真实条件下稳定泛化受生物状态、异质用户、行为情境和资源受限硬件共同制约。
Instability of neural representations（神经表征不稳定性）：组织反应、微动、阻抗、单元身份、频谱和特征-行为映射变化可致解码漂移；学习、疲劳、策略、康复和疾病进展也改变活动与行为关系。输入分布p(x)变化与条件关系p(y|x)变化不同，但不对应单一生物原因；须区分测量变化恢复与学习变化关系，并报告干预前后性能。
Data fragmentation and limited transferability（数据碎片化与有限可迁移性）：数据集在模态、覆盖、通道、采样、预处理、行为协议和标注质量上不同；NWB不保证任务语义、标签、预处理或电极定位兼容。有意义汇集需记录采集处理史、充分元数据和二次使用许可，并排除预训练和模型选择中的目标被试或记录，区分独立证据与重复使用。
Continual adaptation under non-stationary conditions（非平稳条件下的持续适应）：需处理稳定性-可塑性；监督重校准、无监督/自监督适应和伪标签依赖目标可靠性；持续学习、回放、正则、模块更新和潜在对齐各有更新机制和目标信息要求。用户学习及用户-解码器协同适应也改变闭环表现；须报告监督来源、各时点数据、更新频率、校准负担和后续性能，并区分回顾分析与前瞻可执行更新。
Constraints imposed by implantable systems（植入系统约束）：全植入BCI受功耗、遥测带宽、内存、延迟和散热限制，产热是安全要求；高容量模型与毫瓦级功耗预算矛盾。硬件-算法协同设计通过剪枝、量化、知识蒸馏、低秩适应、稀疏计算和事件驱动处理降低计算成本，神经形态处理器和脉冲神经网络可利用稀疏异步计算，但容量、适应、延迟、能效和热安全平衡仍未解决。
Toward stable closed-loop clinical ecosystems（迈向稳定闭环临床生态）：临床成功取决于持续功能获益及用户训练、护理者支持、风险和维护成本；植入系统需长期不良事件监测和修订/取出通道。持续适应存在张力，家庭使用中可靠监督有限，解码置信度不能单独证明更新保持有用控制。需验证更新协议、重评估条件、回退解码器或安全模式及版本化记录，并考虑网络安全、神经数据保护、模型所有权和维护责任；共享控制和双向感觉反馈可提高可靠性但增加系统脆弱性。临床可扩展BCI可能更依赖稳健、自适应、高能效的神经生态，而非最大化峰值精度。
Conclusion（结论）：记录、表征学习和闭环控制进步扩展了BCI功能，但其临床部署相关性取决于留出域、目标域记录和标签可及性、校准要求和评估设置。共享预训练表征和有限部署特定适应可能减少校准负担，但需前瞻验证；个体内持续获益不同于跨参与者、设备或临床设置迁移。三个优先事项是：标准化基准应披露预训练数据重叠，并在明确目标数据和标签预算下比较固定与适应解码器，报告性能退化、恢复和校准时间；纵向验证应在目标人群和场景评估前瞻在线使用，关联功能获益与重校准、中断、不良事件及护理/技术支持，区分植入时长与已证明稳定运行，自适应系统应有定义更新程序、漂移监测和经验证回退；硬件-算法协同设计应评估推理和模型更新对功耗、内存、延迟、遥测和热约束。未来挑战是将神经接口、学习算法和临床实践进展转化为日常可靠系统，以持续功能、适应变化需求和低干预反映进展。
