CMU贺斌教授团队提出面向脑机接口广泛应用：人机联合学习突破训练与稳定控制瓶颈

当脑机接口从实验室走向更广泛的临床、辅助控制和日常交互场景，一个关键问题正在变得越来越重要：普通用户能否快速、稳定地学会使用它？

对于运动想象脑机接口而言，使用者需要仅通过“想象运动”来调节自己的脑活动，从而控制光标或外部设备。但对于第一次使用脑机接口的人来说，他们往往并不知道“应该怎样想”，也无法直接判断自己产生的脑信号是否稳定、是否容易被算法识别。

这使得脑机接口训练面临一个长期存在的问题：机器可以不断优化，但人应该如何有效地学习？

更进一步，脑机接口本质上包含两个同时变化的学习者——人和机器。人依赖反馈、试错和神经可塑性逐渐形成策略，机器则沿着明确的损失函数不断更新参数。如果两者的学习方向并不一致，那么即使算法越来越先进，也未必意味着系统越来越容易使用。

因此，一个更基础的问题是：如何让人脑学习与机器学习朝着同一个目标协同演进？

近日，卡内基梅隆大学贺斌教授团队王翰文博士等人在《Nature Communications》发表研究，提出了一种感知引导的人机联合学习框架（sensory-guided human-machine joint learning），通过与表现相关的触觉引导帮助用户调整运动想象策略，同时利用样本重加权机制，使解码器优先学习更具辨识度的神经模式，从而协调人脑适应与机器学习过程。

在31名此前没有脑机接口使用经验的参与者中，该框架实现了平均86.0%的一维离散控制准确率和77.5%的二维离散控制准确率，并显著提升了训练过程中的学习效果。更重要的是，在撤除触觉刺激后，参与者仍能够保持已习得的控制能力，部分参与者在超过两个月后的测试中仍表现出稳定的长期控制。

图1｜感知引导的人机联合学习概念图

01

脑机接口真正的训练难题：系统里有两个学习者

运动想象脑机接口通过头皮脑电信号识别使用者的运动意图。使用者无需真正移动肢体，只需想象左手、右手或双手运动，系统便可以将相应神经活动转化为光标等外部设备的控制指令。

传统训练通常依赖屏幕上的视觉反馈。用户根据控制结果不断尝试，算法则根据采集到的脑信号持续更新模型。

问题在于，人和机器使用的并不是同一种学习机制。机器通过明确的数学目标优化参数，而人则需要依靠有限的反馈，在不断探索中逐渐形成稳定的运动想象策略。

因此，当用户的神经适应方向与算法的优化方向发生偏离时，两者虽然都在“学习”，却未必能够共同走向更好的控制结果。这也是脑机接口领域长期讨论的“two-learners problem”——如何协调人类学习与机器学习，形成真正稳定的协同适应。

作者团队此前已提出人机联合学习的基本框架，通过“Copy/New”策略与样本重加权，让用户与解码器围绕共同的控制目标协同优化。本研究则在此基础上进一步引入感觉引导，将这一思想拓展到更复杂的二维脑机接口控制。

02

用触觉给大脑“指路”，同时让机器学会选择更好的信号

本研究的核心，并不是简单地给用户增加触觉刺激，而是让触觉刺激与用户的实时表现发生关联。

实验中，参与者佩戴脑电帽，通过想象运动控制屏幕中的光标，两个小型振动装置放置在手腕下方。

系统首先判断用户刚刚完成的一次运动想象是否有效。如果表现达到预设标准，下一次试次会提示“Copy”，鼓励参与者重复刚才的有效策略；如果表现没有达到标准，则提示“New”，同时给予相应方向的触觉刺激，引导参与者尝试新的运动想象方式。

因此，触觉反馈在这里更像一种学习过程中的“引导信号”：表现较好时帮助巩固，表现不佳时促进探索。

与此同时，机器端也在同步学习。研究团队将样本重加权机制与深度学习解码器结合，使更具可分性、对当前解码更有价值的脑信号在模型更新中获得更高权重，而降低噪声和低质量样本的影响。

于是，一个闭环逐渐形成：

用户的表现决定下一步的感知引导，感知引导帮助塑造新的脑信号，而新的脑信号又进一步影响解码器如何更新。

这也是人机联合学习与传统单向自适应脑机接口的核心区别。

图2｜人机联合学习框架

03

从一维到二维：新手也能快速建立复杂控制能力

研究共招募31名此前没有脑机接口使用经验的参与者，并设置人机联合学习组、触觉对照组和BCI2000对照组。参与者从相对简单的左、右一维控制开始，逐步扩展到二维光标控制。

三组参与者在最初的基线测试中表现相近，但随着训练推进，联合学习组逐渐表现出明显优势。

在离散控制指标上，联合学习组的一维和二维控制准确率分别达到平均86.0%和77.5%。从初始基线到第二次一维训练后，联合学习组的在线准确率平均提高了19.0个百分点，明显高于触觉对照组的6.3个百分点和BCI2000对照组的3.0个百分点。

这说明，单纯增加触觉刺激并不足以产生同样的训练效果。真正关键的是，感知引导、用户学习与算法更新被组织进了同一个闭环。

图3｜联合学习组表现出更高的控制性能和更显著的训练提升

04

拿掉触觉之后，学习效果还能不能留下来？

如果一种训练方法只有在外部刺激存在时才有效，那么它更像是一种即时辅助，而不是“真正学会”。

因此，研究团队进一步检验了联合学习是否形成了对触觉刺激的依赖。

结果显示，在撤除触觉刺激后的测试中，联合学习组仍然能够保持较高的控制表现。部分参与者在超过两个月后再次接受测试时，也保持了稳定的二维控制能力；在长期测试中，联合学习组在一维和二维任务中的表现均显著高于两个对照组。

这说明，触觉刺激并不是用户必须长期依赖的外部辅助，而更像是在学习早期提供的一种“支架”：帮助参与者更快找到有效的运动想象策略，并逐渐将其内化为可以自主复现的神经模式。

图4｜撤除触觉刺激后及超过两个月后的长期控制表现

05

从“机器适应人”，走向“人和机器一起学习”

这项工作的意义并不仅仅在于提高控制准确率。

进一步分析发现，联合学习组中，参与者脑信号随训练发生的变化方向与解码器的优化方向更加一致。神经生理结果也显示，感知引导能够增强与运动想象相关的感觉运动神经活动；与此同时，样本重加权机制使机器更加关注这些经过强化、具有更高辨识度的神经模式。

过去，脑机接口研究经常关注一个问题：如何让算法更好地适应不断变化的大脑？

而人机联合学习进一步提出：能否让人脑与算法在训练过程中彼此适应，并最终学到一起？

对于未来更广泛的脑机接口应用而言，这一点具有现实意义。一个真正可用的系统不仅需要较高的解码精度，还需要降低新用户的学习门槛、减少反复训练和校准，并让获得的控制技能能够稳定保持。

通过将感知引导、人类神经可塑性和自适应机器学习整合到同一个闭环中，本研究推动脑机接口从单向的“机器校准”，进一步走向人机协同技能学习，并为神经康复、辅助控制以及更加日常化的无创脑机交互提供了新的思路。

作者信息：文章第一作者为卡内基梅隆大学生物医学工程系王翰文博士（Hanwen Wang），贺斌（Bin He）教授为通讯作者。文章合作者还包括Yisha Zhang、Maxim Karrenbach和Yidan Ding。

论文信息：Wang, H., Zhang, Y., Karrenbach, M. et al. Sensory-guided human-machine joint learning accelerates the acquisition of motor imagery brain computer interface control. Nat Commun 17, 6177 (2026). https://doi.org/10.1038/s41467-026-75435-5

https://www.nature.com/articles/s41467-026-75435-5

来源 |卡内基梅隆大学贺斌教授团队

作者 |王翰文博士

运营 | 萝卜

审核|@脑机学苑

脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：

宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。

资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。

成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。

活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。

其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。

合作洽谈，请联系微信：ZuoLeiLeiya

（备注：姓名-单位-合作）