脑机接口（BCI）通过解码大脑神经信号，帮助瘫痪患者（如脊髓损伤或肌萎缩侧索硬化患者）控制机械臂完成基础动作，其核心流程如下：
1. 信号采集：捕捉大脑活动
- 植入式电极：在运动皮层植入微电极阵列（如犹他电极），直接记录神经元放电信号（尖峰信号），精度高但需手术。
- 非植入式电极：通过头皮EEG采集脑电波（如运动想象时的μ波），无需手术但信号噪声大、分辨率低。
- 半侵入式：ECoG（皮层脑电图）在硬膜下放置电极，平衡安全性与信号质量。
2. 信号解码：翻译意图为指令
- 特征提取：从原始信号中提取关键特征（如EEG的功率谱、尖峰信号的发放率）。
- 算法解码：
- 机器学习：使用支持向量机（SVM）、线性判别分析（LDA）分类运动意图（如“向左”或“抓握”）。
- 神经网络：深度学习模型（如CNN、RNN）处理复杂时空模式，适配动态动作。
- 示例：当患者想象“抓杯子”，解码器将特定神经模式转化为机械臂的抓握指令。
3. 控制执行：驱动机械臂
- 实时控制：解码信号转化为机械臂运动参数（如关节角度、末端轨迹）。
- 控制模式：
- 直接路径控制：BCI直接指挥机械臂关节运动（需高精度信号）。
- 高层次任务控制：患者选择“拿水杯”等抽象指令，AI自主规划动作细节。
4. 闭环反馈：提升操作精度
- 视觉反馈：患者通过摄像头观察机械臂位置，实时调整意图。
- 感觉反馈（前沿研究）：在体感皮层植入电极，将机械臂触觉/压力信号转化为电刺激，形成“感知-行动”闭环。
关键突破案例
- BrainGate试验（2012）：瘫痪患者通过96通道微电极控制机械臂，完成喝水、握手等动作，准确率>90%。
- Pittsburgh大学（2016）：患者用ECoG-BCI操控机械臂自主进食，任务完成时间缩短40%。
技术挑战
- 信号稳定性：电极周围胶质增生导致信号衰减（数月内可能下降50%）。
- 校准负担：需每日重新校准解码器以适应神经信号变化。
- 多自由度控制：同时控制机械臂的7个关节仍具挑战（人臂有>20自由度）。
未来方向
- 双向BCI：运动控制+感觉反馈（如DARPA的HAPTICS项目）。
- AI协同：混合控制（BCI+眼动追踪）降低认知负荷。
- 无创技术突破：fNIRS（近红外光谱）与高密度EEG结合，提升非侵入式精度。
BCI技术使瘫痪患者恢复基础运动能力成为可能，随着神经工程与AI的融合，未来有望实现更自然、高效的人机协作。
