《npj Biomedical Innovations》：Towards neuromorphic neurotechnologies: integrating brain-inspired computing with brain-computer interfaces
编辑推荐：
神经系统疾病构成了日益严峻的全球健康负担，推动了神经接口与人工智能（AI）领域的技术革新。本综述系统梳理了面向功能重建与神经系统疾病治疗的脑机接口、神经假体及神经调控系统中，神经记录、刺激、信号解码与编码的前沿技术进展。研究人员重点阐述了人工智能领域的最新突破
神经系统疾病构成了日益严峻的全球健康负担，推动了神经接口与人工智能（AI）领域的技术革新。本综述系统梳理了面向功能重建与神经系统疾病治疗的脑机接口、神经假体及神经调控系统中，神经记录、刺激、信号解码与编码的前沿技术进展。研究人员重点阐述了人工智能领域的最新突破，尤其是神经形态计算与脉冲神经网络（SNNs）的发展，并提出了脑启发脑机接口（BI-BCIs）这一统一框架，旨在构建低功耗、闭环化、微型化的神经形态神经技术体系。
神经技术：未来的变革者
神经系统退行性疾病如帕金森病（PD）、癫痫、多发性硬化症（MS）、阿尔茨海默病及痴呆症，因神经系统结构与功能的渐进性损伤或丧失而难以治愈，且致残性强，可导致认知、感觉与运动功能障碍。随着全球人口老龄化与预期寿命延长，年龄相关性神经退行性疾病患病率持续攀升，发病风险显著升高。这类疾病造成了最沉重的经济负担，2010年仅欧洲地区受脑部疾病影响的人群就超过1.79亿，相关医疗支出约达8000亿欧元。2016年全球疾病负担、伤害与危险因素研究（GBD）数据显示，神经系统疾病是全球首要致残原因，占伤残调整寿命年（DALYs）的11.6%（约每年2.76亿），同时也是仅次于心血管疾病的第二大死因，占全部死亡的16.5%（约每年900万）。目前除部分传统药物可缓解症状外，尚无有效治愈手段，如帕金森病与运动障碍的多巴胺能治疗、认知障碍的胆碱酯酶抑制剂、神经感染与疼痛的抗炎镇痛药、痴呆的抗精神病药物等。因此，大量研究聚焦于开发基于神经技术的创新治疗工具与策略，其中深部脑刺激（DBS）为传统药物干预提供了替代方案。
过去20年，实现脑与机器、计算机交互的神经技术逐渐成为重要研究工具，不仅帮助瘫痪患者实现对外交流与交互，也被用于不同实验条件下脑功能的探索。神经技术涵盖所有能够与神经系统接口以监测或调控神经活动的方法与电子设备，如电极、计算机、机械臂等，既可将脑信号记录解码为控制指令，也可通过电刺激调控脑活动。过去几十年开发的多种神经技术已在辅助与康复领域展现出应用价值，例如恢复听力的人工耳蜗、恢复视力的视网膜植入体，以及实现脑控应用的脑机/机器接口（BMIs/BCIs）。然而，鉴于脑的固有复杂性，神经编码的完全解析仍面临挑战，这需要神经科学与工程领域的共同突破。为此，全球投入大量资源开展脑结构与机制的研究、建模与图谱绘制，典型项目包括2013年美国启动的“通过推动创新神经技术开发脑研究”（BRAIN）计划、2014年日本启动的“通过整合神经技术开展疾病研究的脑图谱”（Brain/MINDS）项目，以及欧盟资助的“人脑计划”（HBP）。2020年12月，HBP推出EBRAINS平台，为分析与实验提供数据集与数字工具访问权限。由于神经技术在神经系统疾病治疗中的巨大潜力，过去十年该领域已成为产业界关注的热点，涌现出Neuralink、Paradromics、Synchron、Blackrock Neurotech、Neurable、Thync、Medtronic、Kernel等一批相关企业。例如NeuroPace开发的RNS系统，通过4通道特征阈值法检测癫痫发作，用于治疗成人药物抵抗性局灶性癫痫；Medtronic开发的Percept PC DBS系统实现了4通道神经信号采集；Neuralink开发了集成神经记录与尖峰检测电路的1024通道闭环脑机接口植入芯片，外部设备负责运动意图解码，并于2024年3月完成了首例人体植入。这些神经技术有望成为神经系统与精神疾病诊断、治疗甚至预测的变革性力量。
尽管领域取得了显著进展，当前多数技术仍局限于实验室场景，性能仍需提升以满足真实世界应用需求。人工智能（AI）与机器学习（ML）技术可为这一瓶颈提供解决方案，助力神经技术实现智能化升级，提升真实场景下的应用效能。本综述旨在梳理神经技术领域，尤其是神经假体与脑机/机器接口的应用研究现状，并探讨其未来发展与临床转化潜力。研究人员重点关注脑启发AI处理与神经技术融合的固有潜力，文中“BCI”指代所有与脑直接通信的神经技术，既可从脑提取信息，也可通过脑刺激向脑输入信息，该术语涵盖脑机接口与神经接口。
本综述结构如下：“神经接口：脑编辑器”部分系统阐述脑信息提取与传输的方法体系；“脑启发智能：神经科学与AI的融合”部分解析脉冲神经网络（SNN）及脉冲神经形态架构等新一代AI系统；“从开环到闭环智能脑机接口”部分探讨SNN在神经技术中的应用；结论部分提出研究人员对脑启发计算与神经接口融合的思考与展望，提出构建脑启发脑机接口/植入体（BI-BCIs），这类新型低功耗、智能、紧凑的治疗设备有望覆盖广泛的神经与精神疾病谱系。
神经接口：脑编辑器
脑与计算机的连接：脑机接口的历史与展望
脑机接口是直接与脑通信并从脑提取信息的通用技术术语，既可通过观测无扰动脑电信号实现，也可通过感觉刺激诱发可测量的神经反应（诱发电位）实现。该术语由Vidal于20世纪70年代提出，其首次尝试构建将脑电图（EEG，一种从头皮记录神经活动的非侵入式方法）信号转化为计算机控制信号的系统。过去二十年，脑机接口技术的研究应用实现了显著演进，微电极与单细胞记录技术的进步，包括啮齿类与非人灵长类动物的相关研究，推动了脑机接口技术的研发。研究人员将电极阵列植入严重瘫痪与四肢瘫患者的顶叶或运动皮层，实现了通过机械臂完成精细运动操作。脑机接口的应用场景包括：功能重建（如帮助闭锁综合征患者实现对外交流）、功能替代（如脑机接口控制的神经假体）、功能增强（如通过计算机游戏提升用户体验）、功能补充（如虚拟现实与增强现实眼镜）、功能改善（如卒中后下肢康复），以及作为研究工具（如通过实时反馈编码与解码脑活动）。脑机接口可记录并解码任务执行或运动想象过程中的皮层活动，将运动相关神经信号转化为视觉、听觉或触觉运动反馈。图1展示了经典脑机接口的通用 schematic 及当前主流应用场景。
根据与脑的交互方式，脑机接口可分为两大类：主动脑机接口利用用户有意识诱发的脑活动，如运动想象（MI），或由外部刺激（视觉、听觉或体感刺激）诱发的脑活动；被动脑机接口解码用户无意识的脑心理状态，无需用户主动参与，主要用于监测用户的认知状态，包括意图、情绪状态、情境解读及困倦程度等。
从脑到外部设备：记录与解码
记录技术
多种技术可用于采集脑的代谢与电生理信号，各自具备不同的时间分辨率与空间分辨率。细胞内记录通过将电极置于细胞膜内外，测量单个神经元的膜电压，可捕获静息电位下的阈下电位变化；细胞外记录捕获邻近神经元的信号总和，相比细胞内记录信号幅度更低，但可覆盖更大的神经区域。根据电极植入位置，细胞外记录技术可分为侵入式与非侵入式两类。图2展示了用于中枢与外周神经系统神经信号采集的常用电极，非侵入式与侵入式记录技术的核心特征及脑机接口适用性分别总结于表2与表3。
非侵入式神经信号记录方法包括脑电图（EEG）、脑磁图（MEG），以及通过功能性近红外光谱（fNIRS）或功能性磁共振成像（fMRI）采集的代谢信号。EEG因非侵入性与易用性，成为临床诊断中最常用的技术，但仅能捕获脑皮层浅层的集体活动信息，存在空间分辨率低、电极与头皮接触不良、信号质量差等局限。湿电极通常由金属与导电凝胶制成，集成于弹性帽中以提升信号质量；干电极（无凝胶）使用更便捷，性能与湿电极相当，但对运动伪影鲁棒性较低，电极-组织阻抗更高。为解决这些问题，研究人员开发了集成前置放大器的有源电极，并采用聚合物泡沫电极、柔性导电纺织电极等新型材料设计EEG电极。
fMRI是另一种非侵入式技术，依赖血氧水平依赖（BOLD）信号，通过神经血管耦合机制，将局部脑血流与氧合变化转化为神经元活动的间接测量指标。尽管临床应用中成本较高，但fMRI对代谢信号的空间分辨率可达约1 mm，对皮层下区域的敏感性显著高于电生理信号，被广泛应用于认知研究。研究人员已通过视觉皮层fMRI信号成功重构感知到的视觉图像，相关方法还证实植物状态或微意识状态患者能够理解并响应指令。
侵入式方法如皮层脑电图（ECoG或μECoG）与皮层内记录（IR），可直接与脑交互，提供更高的信噪比、更宽的频率信号范围及更精准的脑活动定位。柔性μECoG电极已将空间分辨率推进至1 mm甚至亚毫米级别，而传统ECoG电极间距约为1 cm。晶体管复用ECoG阵列进一步提升了电极密度与通道数，减少了布线面积。ECoG与μECoG均被应用于临床前与临床研究场景。近期，微丝束阵列通过DARPA资助的神经输入输出总线（NIOB），实现了与多达100万个神经元的接口。尽管微丝在尖峰排序与机械稳定性上表现优异，但仍面临信号衰减与串扰挑战。为此，研究人员提出了基于硅的针状微电极，支持多位点记录，但刚性探针可能导致组织损伤与炎症，进而降低记录信号质量。聚合物基柔性电极具备紧密贴合的几何特性，更适合长期慢性植入，但其插入过程易受弯曲与偏转影响，目前已开发机器人辅助插入方法与碳纤维高密度阵列以解决该问题。外周神经系统中，纵向束内电极（LIFE）与横向多通道束内电极（TIME）等柔性束内电极，在神经假体应用中展现出广阔前景。
互补金属氧化物半导体（CMOS）技术的最新进展推动了高密度微电极阵列/探针的制备，可同时记录人类与猕猴脑中数百个神经元的活动。与传统电极不同，基于有机材料、多功能柔性聚合物纤维与网状结构的新兴电极技术，如Neuropixels、NeuroGrid与SiNAPS，具备更高的空间整合度、长期时间稳定性与生物相容性。同时，光学细胞成像技术的进步将神经记录规模提升了数个数量级，例如通过光学技术实现了单只啮齿类动物中多达100万个神经元的活动记录。尽管这类技术仍面临光学通路构建、高精度显微镜需求等挑战，但多技术融合有望未来实现人类百万级神经元的记录。
侵入式脑机接口的核心应用之一是辅助瘫痪患者，例如通过皮层表面植入硬膜下电极，或向皮层不同区域植入更深层的电极阵列以记录神经元尖峰活动，可获取更高带宽的神经信号。记录的尖峰活动可用于解码用户向特定方向移动手部或控制机械臂完成精细运动的意图。有研究证实，四肢瘫患者在运动皮层手部区域植入96电极阵列后，可利用皮层信号电刺激瘫痪前臂肌肉，实现手腕与手部的6种独立运动。双向脑机接口还可人工诱导任务相关神经可塑性。这类脑机接口方法主要靶向表征低、高级运动指令的脑区，以重建患者运动控制能力，同时也可用于解析感知、注意与决策相关的神经编码。近期研究通过植入电极记录“概念细胞”活动，解码患者的思维内容，这类细胞位于颞叶，表征特定地点与人的抽象概念，在患者思考、看到或回忆相关概念时被激活。尽管当前研究仅能同时记录单个或少数神经元，未来通过大规模概念神经元同步记录，有望实现更复杂的意图提取，为闭锁综合征（如肌萎缩侧索硬化症，ALS）患者的沟通脑机接口带来革命性突破。
神经信号解码用于脑机接口应用
神经解码方法旨在从神经活动中提取信息，以重构诱发该活动的事件或刺激，或预测其可能引发的动作。经典脑机接口的解码流程通常包含三个核心步骤：信号预处理、特征提取与模式分类。信号预处理通过伪迹去除等方法，消除记录神经信号中的噪声，提取有效成分；特征提取从神经活动中识别与用户意图最相关的特征，包括频谱功率、事件相关电位（ERPs）、单个神经元发放率等；模式分类则基于提取的特征，区分用户意图的不同类别。其中模式分类是神经信号解码的核心算法。
神经解码已探索多种方法，包括线性模型、卡尔曼滤波、状态空间模型、贝叶斯解码、信息论方法，以及基于人工神经网络（ANNs）的深度学习模型，如循环神经网络（RNNs）与卷积神经网络（CNNs），可基于尖峰信号或皮层内局部场电位（LFPs）实现精准预测。非侵入式脑机接口主要基于精神状态分类，而非侵入式脑机接口常用的运动学参数解码。已有研究系统梳理了基于EEG的脑机接口分类算法，将其分为自适应分类器、矩阵与张量分类器、迁移学习与深度学习四大类及其他细分类型。
尽管传统线性解码方法已取得一定成功，人工智能与机器学习的最新进展催生了更高效的神经解码技术，被广泛应用于脑信号解码与分类。例如深度神经网络（DNNs）可解析视觉刺激诱发的活动模式，预测精度接近90%，且DNN的低层表征简单特征，高层表征概念信息，可与不同脑区形成映射。神经记录与解码技术的创新有望帮助研究人员解析人脑，揭示用户的意图、偏好、思维与情绪，但这也引发了隐私、安全与精神所有权相关的伦理关切。
从外部设备到脑：刺激与编码
刺激技术
多种技术已被开发用于调控神经活动，涵盖修复替代受损神经功能的神经假体，到调控功能失调神经活动的神经调控技术。神经活动调控可通过直接刺激（向脑区施加电、磁、光、声等物理能量）或神经反馈（无需直接脑刺激）实现。
神经调控可通过多种途径实施，非侵入式技术包括经颅磁刺激（TMS）、经颅直流电刺激（tDCS）、经颅电刺激（TES）、聚焦超声刺激（FUS）与经颅聚焦超声（tFUS）；侵入式技术则包括皮层表面刺激与皮层内微刺激（ICMS，靶向皮层）、深部脑刺激（DBS，靶向深部脑组织）、脊髓刺激（SCS）与迷走神经刺激（VNS）。
非侵入式脑刺激无需手术，患者接受度更高，但通常需要 bulky 的可穿戴设备，佩戴舒适度差，可能导致皮肤刺激与损伤。相比侵入式方法，其空间分辨率有限，对脑活动的具体调控机制尚未完全明确。例如tDCS仍需解决避免皮肤刺激的问题，TMS通过电流脉冲产生磁场刺激神经系统。聚焦超声刺激（FUS）是一种非侵入式声学脑刺激方法，通常需要外部超声换能器。更先进的神经调控技术如配对刺激与时域干扰刺激，也为神经调控提供了新的技术路径。侵入式刺激技术中，DBS已成为帕金森病、特发性震颤等运动障碍疾病的成熟治疗手段，近年来逐渐拓展至强迫症、抑郁症等精神疾病的治疗。皮层内微刺激可在感觉皮层诱发触觉感知，为神经假体提供触觉反馈。脊髓刺激主要用于慢性疼痛管理，迷走神经刺激则被应用于药物抵抗性癫痫与抑郁症的治疗。这些刺激技术的编码策略是实现精准神经调控的核心，需基于神经信号的编码规律，设计刺激参数以诱导预期的神经活动模式，这也是当前神经技术研究的关键方向之一。
脑启发智能：神经科学与AI的融合
本部分聚焦脉冲神经网络（SNNs）与神经形态架构等新一代AI系统。传统人工神经网络基于模拟神经元的平均发放率进行信息处理，而SNNs采用脉冲时间编码，更贴近生物神经元的真实信息处理机制。神经形态计算硬件模拟生物神经系统的结构，采用事件驱动的计算范式，仅在脉冲到达时进行处理，具备极低的功耗特性，与生物脑的能量效率高度匹配。研究人员梳理了SNNs的核心计算原理，包括脉冲时序依赖可塑性（STDP）等类脑学习规则，以及神经形态芯片的硬件实现路径，如基于忆阻器、相变存储器等新型器件的神经形态电路。这类脑启发AI系统突破了传统冯·诺依曼架构的瓶颈，为神经信号的实时处理提供了低功耗、低延迟的解决方案，尤其适配植入式神经设备的资源约束需求。
从开环到闭环智能脑机接口
本部分探讨SNN在神经技术中的具体应用路径。传统脑机接口多为开环系统，仅实现单向的神经信号记录与解码，或刺激输出，缺乏基于反馈的自适应调控能力。闭环脑机接口则整合记录、解码、决策与刺激模块，形成实时反馈环路，可根据用户的神经状态动态调整刺激参数或解码策略。研究人员分析了SNN在闭环系统中的优势：其脉冲编码特性可直接处理神经记录中的尖峰信号，无需复杂的特征转换；事件驱动的计算范式降低了系统功耗，适合长期植入；类脑学习规则可实现在线自适应，匹配神经信号的动态变化。具体应用场景包括闭环神经调控，如基于SNN的癫痫发作预测与实时干预，以及自适应脑机接口控制，通过SNN实时解码运动意图并调整假体控制策略。同时，本部分也讨论了当前SNN在神经技术应用中面临的挑战，包括模型训练的难度、硬件部署的兼容性，以及长期植入的稳定性等问题。
结论与展望
研究人员提出脑启发脑机接口/植入体（BI-BCIs）的统一框架，这类新型神经技术整合了脑启发计算与神经接口的核心优势，具备低功耗、闭环化、微型化的特征，有望成为下一代治疗神经与精神疾病的智能设备。BI-BCIs的发展需要神经科学、人工智能、微电子与临床医学的多学科交叉融合，未来需突破神经记录的高密度与长期稳定性、神经形态芯片的低功耗集成、类脑解码与编码算法的精准性，以及临床转化的安全性与有效性验证等关键瓶颈。随着技术的不断成熟，BI-BCIs有望覆盖从运动功能重建、感觉功能恢复，到神经精神疾病治疗、认知增强的广泛应用场景，最终推动神经技术从实验室走向真实世界的临床与日常应用。
