非侵入性脑机接口（brain-computer interface，BCI）技术因其无创性、高安全性及易于推广的核心优势，在临床医学领域展现出巨大应用潜力，尤其为运动功能障碍康复、神经精神疾病诊疗及感觉功能重建等领域带来了新的希望 ^[1-3]。而随着干电极、柔性电子、深度学习算法等关键技术的飞速迭代，非侵入性 BCI 的性能（如解码准确率、用户舒适度、系统响应速度）持续提升，其临床转化进程显著加速 ^[4-5]。然而，个体信号差异、长期稳定性、伦理规范等一系列挑战仍制约着其从实验室走向广泛临床应用。本研究主要针对非侵入性 BCI 技术的技术原理及其在运动功能重建、神经精神疾病干预和感觉功能恢复等方面的临床研究进展进行系统综述，为临床应用提供参考。

1 非侵入性 BCI 的技术原理及系统架构

大脑皮层中数十亿神经元的同步放电活动可产生微弱的生物电流，电流经过颅骨、脑脊液等多层组织的衰减后，在头皮表面形成幅值仅为 5~100 μV 的电位波动，即脑电（electroencephalogram，EEG） 信号。BCI 技术通过高灵敏度电极阵列捕获这些微弱的EEG 信号，并从中提取具有生理意义的特征波形，其中 α 波（8 ~ 13 Hz）反映安静闭眼时的放松状态，β 波（14 ~ 30 Hz）与认知活动和注意力集中相关，而事件相关电位 P300 则出现在特定刺激后 300 ms左右，是意图识别的重要标志物 ^[1]。由于容积导体效应，头皮 EEG 的信号空间分辨率被限制在 1~2 cm²范围内，时间延迟约 50 ms，导致运动皮层精细活动的解码面临巨大挑战，通过高密度电极阵列（256 通道以上）结合溯源分析算法，可将空间定位误差缩小至 8 mm 以内，但仍远低于侵入式电极的亚毫米级精度 ^[2]。

现代非侵入性 BCI 系统采用分层处理架构，信号采集层使用生物相容性电极（如 Ag/AgCl 或金质电极）将离子电流转换为电子信号；预处理层包含 50 Hz 工频陷波器（Q> 30）和 0.5 ~ 100.0 Hz 带通滤波器，可抑制环境噪声和生理伪迹；特征提取层采用时频分析法（如小波变换）或空间滤波技术[ 共空间模式（common spatial pattern，CSP）算法 ]；模式分类层则利用机器学习模型，如支持向量机（support vector machine，SVM）、长短期记忆网络（long short term memory，LSTM）等，将特征映射为控制指令 ^[3]。反馈环节通过视觉（触觉）刺激形成神经可塑性训练。整个处理链需在 300 ms 内完成以实现实时控制 ^[4]。非侵入性 BCI 系统架构见图 1。

图 1 非侵入性 BCI 的闭环架构

2 非侵入性 BCI 的临床应用场景

非侵入性 BCI 技术正逐步从实验室研究走向临床实践，在多种神经系统疾病的诊断、治疗与康复中展现出广阔前景。目前，非侵入性 BCI 的临床应用主要集中在大脑运动功能重建、神经精神疾病诊疗及感觉功能恢复与替代领域。

2.1 大脑运动功能重建

大脑运动功能重建主要针对卒中、脊髓损伤、帕金森病等导致运动功能障碍的患者群体。通过解码大脑运动意图或相关神经活动，非侵入性 BCI 能够控制外部设备（如康复机器人、智能轮椅等）辅助运动执行，或通过神经反馈训练促进神经功能重塑 ^[5]。

2.1.1 卒中康复机器人控制

非侵入性 BCI 技术通过解码卒中患者患侧大脑半球的运动相关皮质电位或感觉运动节律变化，可控制外骨骼或机器人辅助设备进行任务导向性训练，从而促进神经可塑性重组。RehabBot 系统采用EEG-EMG 混合信号采集模式，64 通道干电极帽捕捉运动想象相关的 β 波去同步化，同时表面肌电传感器监测残存肌肉活动，双模态信号经卷积神经网络融合后，控制外骨骼执行抓握动作；并创新性地引入了自适应阻抗控制算法，能够根据患者的主动发力程度实时调整辅助力度，既保证了训练效果，又促进了自主运动功能的恢复；此外，该系统还整合了虚拟现实（virtual reality，VR）环境，提供多感官反馈，进一步增强了患者的参与度和康复动机 ^[6]。

尽管非侵入性 BCI 康复系统研究取得了显著成果，仍面临诸多挑战。（1）信号稳定性问题突出：卒中患者由于脑部损伤的异质性和康复过程中的神经重塑，其 EEG 信号特征会随时间动态变化，导致解码模型性能衰减，需要频繁重新校准，严重干扰治疗连续性 ^[7]。（2）系统自适应性不足：当前系统虽能调整辅助力度，但对患者疲劳、注意力分散等状态变化的感知能力有限，无法真正做到“因人而异”和“因时制宜”的个性化康复。（3）临床验证与标准化不足：大多数研究如 RehabBot 仅为单中心、小样本试验，缺乏多中心、大样本的长期随访数据来证实其疗效的持久性和普适性，也缺乏统一的疗效评估标准 ^[8]。

2.1.2 脊髓损伤轮椅操控

非侵入性 BCI 控制的智能轮椅系统为高位脊髓损伤患者提供了恢复独立移动能力的可能性。MindDrive 系统采用稳态视觉诱发电位（steadystate visual evoked potential，SSVEP）范式，患者通过注视头盔显示器中不同频率闪烁的方向图标（左转：12 Hz，右转：15 Hz，前进：8 Hz），其枕叶皮层产生的特定频率响应被 128 通道湿电极捕获，并以典型相关分析（canonical correlation analysis，CCA）算法解码意图后，控制轮椅执行相应动作，且在复杂环境测试中（含动态障碍物）表现出色，轮椅平均路径跟踪误差仅（0.28±0.05）m，响应延迟控制在 450 ms 内；此外，系统还集成了激光雷达与视觉传感器，实现环境感知与自主避障，显著提升了在真实场景中的安全性与实用性 ^[9]。

SSVEP 范式虽识别准确率较高，但其用户体验和适用性存在局限。持续注视闪烁目标易导致患者视觉疲劳和头痛，且不适合有视觉障碍或认知缺陷的患者 ^[10]。此外，环境抗干扰能力仍是难题。真实世界中的光线变化、电磁干扰会严重影响 EEG 信号质量，导致误触发或指令延迟，存在安全隐患。当前的系统研究多在受控环境中进行，长期使用的可靠性和伦理问题（如责任认定在用户还是系统）尚未得到充分评估 ^[11]。

2.1.3 帕金森病步态矫正

帕金森病患者常出现步态障碍，尤其是冻结步态，严重影响患者的活动能力和生活质量。GaitKeeper 系统通过嵌入鞋垫的 64 通道柔性电极阵列，实时监测步态周期中足底压力变化触发的皮层 β 波震荡（18~25 Hz），当检测到冻结步态特征波形时，鞋跟振动器以 40 Hz 频率提供触觉反馈，打断异常神经环路，深度脑记录证实，系统干预后丘脑底核 β 波功率谱密度下降 52%，显著改善运动启动延迟，开创了神经退行性疾病运动障碍干预新范式 ^[12]。

GaitKeeper 系统依赖于对特异性生物标志物（β 波震荡）的精确识别，而帕金森病患者的神经生理信号存在显著的个体间差异和日内波动，受药物周期（“开 - 关”期）影响较大 ^[13]，给通用解码模型的建立带来巨大挑战。同时，系统长期使用的效果维持性尚不明确，大脑是否会对固定模式的触觉反馈产生“习惯化”而导致效果减退，仍需进一步研究。此外，作为可穿戴设备，患者的长期依从性和心理接受度也是影响其实际效果的关键因素 ^[14]。

2.2 神经精神疾病诊疗

非侵入性 BCI 通过实时监测特定神经活动特征，并提供神经反馈训练或闭环神经调控，为注意缺陷多动障碍（attention-deficit/hyperactivity disorder，ADHD）、抑郁症、自闭症谱系障碍（autism spectrum disorder，ASD）等神经精神疾病提供新的治疗手段。

2.2.1 ADHD 注意力调控

ADHD 是一种常见的神经发育障碍，传统治疗方法主要依赖药物治疗，但存在不良反应和长期效果有限等问题。Neurofeedback Pro 系统采用前额叶双通道电极（FP1/FP2），实时监测 θ 波（4 ~ 8 Hz）与 β 波（13 ~ 21 Hz）的功率比值，当ADHD 患儿玩教育游戏时，屏幕中的虚拟角色速度随功率比值降低而加快，使患儿主动维持注意力以降低 θ 波振幅，开创了基于神经反馈的 ADHD非药物治疗新方式 ^[15]。

神经反馈治疗 ADHD 的核心挑战在于作用机制的不确定性：目前尚不清楚其疗效是源于特异性的神经调节，还是源于安慰剂效应、动机提升或非特异性的认知训练；同时，疗效的个体差异巨大，约有 30% ~ 40% 的“无反应者”，但目前缺乏可靠的预测指标来筛选最适合的患者 ^[16]；此外，治疗方案缺乏标准化，训练周期、频率、目标脑电波段的选择大多基于经验，而非坚实的科学证据，导致不同研究结果难以比较和复制。

2.2.2 抑郁症闭环干预

抑郁症是一种常见的精神障碍，约 30% 患者对现有治疗方法反应不佳。闭环 DBS-BCI 系统在患者杏仁核植入微电极，持续监测 θ 波（4 ~ 7 Hz）能量变化，当检测到异常活动时，系统自动触发前额叶背外侧区的电刺激（130 Hz，90 μA），实现了抑郁症患者的按需精准神经调控干预 ^[17]。

闭环 DBS-BCI 系统虽具开创性，但其侵入性本质限制了其广泛应用，仅适用于最严重的难治性患者，且手术存在风险和并发症；且寻找可靠、普适的神经标志物较困难，抑郁症的神经机制复杂多样，单个生物标志物（如杏仁核 θ 波）能否代表所有患者的病理状态存疑，存在误判和过度干预的风险 ^[18]。此外，意识操控与隐私问题在此极为凸显，对情绪进行人工调控引发了深刻的伦理思考。

2.2.3 ASD 社交训练

ASD 的核心症状之一是社交互动障碍。SOCIAL-BCI 系统利用 128 通道高密度 EEG 捕捉眼神接触触发的 N170 事件相关电位（潜伏期 170 ms），实时解读社交互动中的神经标记，当检测到患者回避社交刺激时，VR 环境自动调整虚拟人物表情友好度以降低焦虑，改善 ASD 症状 ^[19]。

SOCIAL-BCI 系统的挑战在于社交神经标记的复杂性和异质性。N170 成分易受头动、眼动等伪迹干扰，且在 ASD 群体中变异性极大，降低了解码的准确性和可靠性 ^[20]。同时，VR 环境的泛化能力存疑。在虚拟世界中习得的社交技能能否有效迁移到真实、复杂且不可预测的社会环境中，是衡量其临床价值的最终标准，但目前证据有限。此外，对儿童进行神经干预的长期安全性和伦理影响需被审慎评估。

2.3 感觉功能恢复

感觉功能恢复是非侵入性 BCI 通过替代或增强感觉信息输入，帮助视觉、听觉或触觉障碍患者恢复部分感觉功能。

2.3.1 视觉假体系统

对于视觉障碍患者，非侵入性 BCI 提供了一种潜在的视觉恢复方案。西班牙 Miguel Hernández大学开发的 Orion 系统（2023）首次实现非侵入性视觉重建，该系统通过 64 通道 EEG 解码视觉皮层对光栅刺激的响应，驱动头戴式微显示器生成动态光点阵，并采用时空编码算法，将视觉信息转化为 γ 波段（40 ~ 80 Hz）脉冲序列，通过经颅交流电刺激直接调制视皮层活动，使光幻视感知强度提升3倍 ^[21]。

非侵入性视觉重建的核心瓶颈在于极低的信息传输速率和有限的空间分辨率。Orion 系统只能提供非常基础的光点阵图案，与自然视觉相去甚远，难以满足日常活动所需；经颅交流电刺激的刺激靶向性和特异性不足，可能激活非目标脑区，引起不良反应或降低编码效率 ^[22]。此外，系统的能耗和便携性也是实现长期日常使用的障碍。

2.3.2 听觉障碍代偿

约翰霍普金斯大学研发的 HearMind 系统利用听觉稳态响应（auditory steady state response，ASSR）增强助听器性能。当用户在嘈杂环境中专注特定声源时，该系统通过耳后电极检测 40 Hz 伽马振荡，结合波束形成算法实时增强目标方向声强，并可将声源空间信息编码为触觉振动模式，通过颞骨传递至听觉皮层，形成多感官代偿通路，在咖啡厅噪声测试中（信噪比 -5 dB），语音识别准确率从传统助听器的 42% 提升至 89%^[23]。

HearMind 系统在实际应用中存在环境噪声严重干扰 EEG 信号的问题。虽然 ASSR 具有较好的信噪比，但在极度嘈杂或多种声源混合的环境中，解码性能仍会显著下降。此外，听觉注意的解码特异性有待提高，如何准确区分用户是想听“左边人的谈话”还是“正前方的音乐”是一个巨大挑战。设备的舒适性和社会接受度也是影响其长期佩戴的关键因素。

2.3.3 触觉反馈重建

恢复触觉感知是提高截肢患者假肢使用体验的关键。NeuroTouch 系统通过运动想象控制假手抓取，同时利用功能近红外光谱成像（functional nearinfrared spectroscopy，fNIRS）监测体感皮层血氧变化，当假手压力传感器检测到接触时，近红外光以特定模式刺激手部投射区（S1 区），诱发触觉幻觉，并开发了“神经纹理”编码算法，将不同纹理的摩擦系数转化为光刺激时空模式，实现砂纸、丝绸等精细触觉区分，可为截肢患者提供虚拟触觉体验 ^[24]。

但 fNIRS 技术的时间分辨率较低，导致触觉反馈存在不可避免的延迟，影响感觉 - 运动的闭环实时性 ^[25]。诱发的感觉在强度、质感和空间定位上仍比较粗糙和模糊，无法完全模拟真实手部丰富细腻的触觉。当前系统在长期使用中的稳定性和神经可塑性的长期影响（如大脑对人工刺激的适应或重组）尚不明确。

3 总结与展望

非侵入性 BCI 技术以其无创、安全等优势，在运动功能重建、神经精神疾病诊疗及感觉功能恢复等临床领域展现出较高潜力，但仍面临技术（信号质量易受环境与生理伪迹干扰，系统缺乏长期自适应能力，个体差异显著）、临床（缺乏大样本长期随访数据与标准化评估体系，试验结果普适性不足）、伦理与社会层面（脑隐私泄漏、意识操控风险、责任界定以及高昂成本）等一系列严峻挑战。未来，非侵入性 BCI 技术可通过神经科学、计算科学、材料学及临床医学的深度交叉融合，开发出高信噪比柔性电极与高性能自适应算法，通过多模态信息融合提升系统性能；并积极推动大规模临床验证与标准化流程建立，探索远程与家庭化应用新模式；同时，必须同步构建完善的神经伦理框架与监管体系，确保技术创新在尊重人格尊严与隐私的前提下健康发展，最终实现其惠及广大患者的目标。

【参考文献】

［1］ZHANG H, ZHOU Q, CHEN H, et al. The applied principles of EEG analysis methods in neuroscience and clinical neurology[J]. Mil Med Res, 2024, 11(6): 907-941.

［2］ZHANG L Y, CHANG Y W, ZHANG F R, et al. A review on combined strategy of non-invasive brain stimulation and robotic therapy[J]. Chin J Mech Eng, 2024, 37(5): 20-37.

［3］POO M M. China's new ethical guidelines for the use of brain-computer interfaces[J]. Nat Sci Rev, 2024, 11(4): 7-8.

［4］JIANG X, MENG L, LI S, et al. Active poisoning: efficient backdoor attacks on transfer learning-based brain-computer interfaces[J]. Science China (Information Sciences), 2023, 66(8): 211-232.

［5］CHEN Y, ZHANG G, GUAN L , et al. Progress  in the development of a fully implantable braincomputer interface: the potential of sensing-enabled neurostimulators[J]. Nat Sci Rev, 2022, 9(10): 16-18.

［6］LI P H, LIU C. Research on recognition of O-MI based on CNN combined with SST and LSTM[J]. Optoelectronics Letters, 2022, 18(9): 566-571.

［7］王丽萍，汪蕊雪，温云卿，等 . 脑机接口在脑卒中患者康复治疗中的应用 [J]. 中国医学前沿杂志（电子版），2025，17（2）：1-7.

［8］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（8）：489-495.

［9］ZHENG Y, ZHAO D, XUE D, et al. Nerve root magnetic stimulation improves locomotor function following spinal cord injury with electrophysiological improvements and cortical synaptic reconstruction[J]. Neural Regen Res, 2022, 17(9): 2036-2042.

［10］罗锐，周弘，严 子能，等 . 脑机接口在脊髓损伤中的应用现状及前景 [J]. 华中科技大学学报（医学版），2025，54（3）：423-427，457.

［11］吴立凡，董继革，黄富表 . 脑机接口在脊髓损伤患者上肢功能康复中的研究进展 [J]. 中国老年保健医学，2024，22（5）：11-16.

［12］BIAN R, MENG L B, WU D R. SSVEP-based braincomputer interfaces are vulnerable to square wave attacks[J]. Sci China Inf Sci, 2022, 65(4): 80-92.

［13］田雅洁，王安河，荆雅峰，等 . 脑机接口技术中植入式神经电极的发展与挑战 [J]. 中国科学（化学），2025，55（6）：1401-1413.

［14］阮梅花，张丽雯，张学博，等 . 脑机接口领域发展态势 [J]. 生命科学，2025，37（1）：57-66.

［15］REN B, PAN Y J. Research on time-frequency cross mutual of motor imagination data based on multichannel EEG signal[J]. High Technology Letters, 2022, 28(1): 21-29.

［16］蔺芳，余云涛，范科峰 . 脑机接口标准化研究 [J]. 信息技术与标准化，2023，（7）：77-81.

［17］JIANG L, PEI W, WANG Y. A user-friendly SSVEPbased BCI using imperceptible phase-coded flickers at 60 Hz[J]. China Communications, 2022, 19(2): 1-14.

［18］张晟婕，赵长丽，宁伟程，等 . 脑机接口技术的伦理风险及应对措施 [J]. 中国医学伦理学，2024，37（1）：61-68.

［19］FENG K, LIN W, WU F, et al. Application of braincomputer-interface in awareness detection using machine learning methods[J]. China Communications, 2022, 19(6): 279-291.

［20］LIN J, LIANG L, HAN X, et al. Cross-target transfer algorithm based on the volterra model of SSVEP-BCI[J]. Tsinghua Science and Technology, 2021, 26(4): 505-522.

［21］LI Y, GE Y, ZHONG X, et al. Steady-state visual evoked potential (SSVEP) in a new paradigm containing dynamic fixation points [J]. China Communications, 2022, 19(2): 15-30.

［22］杜全生，戴慧，眭亚楠，等 . 多模态神经调控与检测技术研究进展 [J]. 中国科学基金，2024，38（2）： 296-302.

［23］ZHANG Y, LI H, DONG H, et al. Transfer learning algorithm design for feature transfer problem in motor imagery brain-computer interface[J]. China Communications, 2022, 19(2): 39-46.

［24］JIANG N, CHEN C, HE J, et al. Bio-robotics research for non-invasive myoelectric neural interfaces for upperlimb prosthetic control: A 10-year perspective review[J]. Natl Sci Rev, 2023, 10(5): nwad048.

［25］赵红宇，李畅，刘羽，等 . 基于无源域适应的脑电情绪识别 [J]. 中国生物医学工程学报，2024，43（2）：129-142.

内容来源于《医疗装备》杂志，如需转载请注明出处。