科学与社会
Science and Society
论坛：脑机接口
【编者按】
大脑结构与功能是21世纪最具挑战性的科学问题，相关科学知识既能够解析人类思维的产生和运作方式，也能够与信息通信技术有效融合，催生出人工智能、类脑智能、数字社会等新兴业态。我国提出了“以脑认知的神经基础为主体”“以脑疾病及脑智能为两翼”的中国脑计划布局，其中将脑机接口作为“类脑智能计算与脑机智能”的关键技术。为此，中国科学院学部工作局设立了由中国科学院院士、北京大学程和平教授牵头的“脑机接口关键科学问题、关键核心技术及其布局研究”咨询项目，全面梳理分析脑机接口的关键科学问题和技术挑战以及相关的发展路径。
在程和平院士和本刊特邀编辑王振宇博士的推动下，《科学与社会》组织出版了“脑机接口”专题，从脑机接口技术进展与前景、社会影响、伦理风险、公共治理等不同角度对脑机接口技术与社会的关系进行探讨。希望通过本专题的出版，能够吸引社会各界人士关注脑机接口，共同为脑机接口技术的健康发展以及更好地服务于社会、提高人类福祉做出努力。
脑机接口技术发展现状
及未来展望
《脑机接口关键科学问题、关键核心技术及其布局研究》项目组
摘要: 本文回顾了脑机接口技术（BCI）的发展历程，从20世纪20年代的科学幻想期到21世纪的技术爆发期，概述了BCI技术在各个阶段的关键进展和成就。文中阐述了BCI技术的基本组成部分及其分类方式，包括不同类型的BCI系统（输出式、输入式、双向交互式）和信号采集方式（非侵入式、半侵入式、侵入式），并探讨了BCI技术在当前面临的心理生理学、技术、产业和监管等方面的挑战。最后，文章展望了BCI技术的未来发展方向，预计在未来几十年内，BCI技术将在硬件优化、软件集成、算法创新等方面取得显著进展，并可能实现在医疗、教育、娱乐乃至人机交互等多个领域的广泛应用。
关键词：脑机接口，信号处理，康复应用，心理生理学，技术挑战，未来趋势
中图分类号: R318 文献标识码: A
一、脑机接口技术的发展历程
通常情况下，人类通过“中枢神经系－周围神经系－肌肉”三级结构来完成与外界环境的交流与互动，而有些疾病造成此流程无法顺利进行。为了解决这一问题，科研人员开始研究如何直接将脑信号绕过周围神经和肌肉，直接转化为人类行为，脑机接口技术应运而生。
“脑机接口”（brain computer interface，BCI；也称brain-machine interface，BMI），能够绕过外周神经和肌肉直接在大脑与外部设备之间建立一种全新的通信与控制通道[1–3]。它在运动障碍患者的康复以及从物理或认知层面增强人类工作能力等多个领域具有重要的潜在应用[4-5]。随着脑机接口、人工智能、生物医学工程、神经工程与康复工程、认知神经科学与心理科学等的发展，BCI的内涵和外延也在不断丰富。
1. 科学幻想期（20世纪20年代—20世纪70年代）
脑机接口的概念最早可以追溯到1924年，当时德国医生汉斯·伯格（Hans Berger）首次记录并命名了人类脑电图（EEG），这为后续的脑机接口研究奠定了基础。在这一时期，脑机接口更多地被视为科学幻想，技术和理论都处于非常初级的阶段[6–11]，脑信号收集技术、计算机科学与信号分析、神经科学不断发展，为脑机接口技术的发展创造了条件[12]。
2. 科学论证期（1973—1988年）
1973年，“脑机接口”这一专业术语被正式提出。在这一阶段，脑机接口技术开始逐步从概念走向实际论证。例如，1977年，雅克·维达尔（Jacques J. Vidal）开发了基于视觉事件相关电位的脑机接口系统，通过注视不同位置实现对控制指令的选择[13-14]；1980年，德国学者提出了基于皮层慢电位的脑机接口系统[15]。尽管这些早期系统并未取得明显进展，但它们为后续的研究提供了重要的理论基础和技术参考[16-17]。
3. 学术发展期（1988—2003年）
进入1988年后，脑机接口技术进入了快速发展的阶段。多项关键学术研究和技术创新使得脑机接口逐渐从实验室走向实际应用[18]。1988年，研究人员提出了基于P300成分的BCI系统，他们开发了一个拼写器系统，用户可以通过观察闪烁的字母来选择字符[19]。1997年，丹尼斯·麦克法兰（Dennis McFarland）等人提出了基于感觉运动节律（SMR）的BCI系统，他们展示了如何通过想象手或脚的运动来控制计算机光标[20]。1999年，清华大学团队开发了基于稳态视觉诱发电位（SSVEPs）的BCI系统，并将其用于控制光标移动[21-22]。21世纪初期，研究人员实现了基于伪随机序列调制的视觉诱发电位（VEPs）的BCI系统，开发出了一个拼写器系统[23]。
4. 技术爆发期（2003年—至今）
进入21世纪以来，脑机接口技术取得了显著的进步。在算法研究方面，先进的脑电信号处理和机器学习算法被应用于早期的BCI范式，显著提升了系统的性能，特别是减少了受试者需要的训练时间；公开数据集的发展为开发新型的BCI目标识别算法带来了机遇。在硬件方面，小型化多通道放大器技术日趋成熟，诸如干电极、水凝胶电极的新一代传感器不断涌现，这些记录硬件进一步加强了BCI系统的实用性。在交互范式方面，混合脑机接口、情绪脑机接口、认知脑机接口等诸多新范式相继涌现并日益成熟[24]。在系统应用方面，近年来各种BCI的应用系统不断涌现，专为交流和运动康复设计的辅助型/康复型BCI已被广泛应用于实验研究和临床试验，并验证了这些系统适用于肌萎缩侧索硬化症、脑卒中、脊髓损伤和意识障碍患者[25–33]。
脑机接口成果呈现“涌现”态势。2004年，美国布朗大学（Brown University）研发了名为BrainGate的脑机接口系统，通过植入成功地让一名中风瘫痪的妇女用机械臂喝了第一口咖啡。2021年4月，Neurolutions公司的“IpsiHand上肢康复系统”获得了美国食品药品管理局（Food and Drug Administration，FDA）批准，成为首个用于康复的非侵入式脑机接口机器人。2023年，斯坦福大学（Stanford University）的研究团队研发了皮质内脑机接口（iBCI）系统，该系统能够将渐冻症（ALS）患者的脑信号实时转化为文字。2024年1月29日，清华大学和首都医科大学宣武医院团队成功进行首例无线微创脑机接口临床试验，截瘫患者实现了“脑控喝水”。2024年6月，天津大学脑机交互与人机共融海河实验室与南方科技大学等团队，协同开发了全球首个可开源的“片上脑-机接口”智能交互系统MetaBOC，实现了培养“大脑”对机器人避障、跟踪、抓握等任务的无人控制。2024年8月22日，脑机接口公司Neuralink表示，其第二例人体脑机植入患者能够设计3D物体。此外，利用BCI技术针对健康人群的非医学领域应用也呈稳定增长趋势，已扩展到军事、教育、娱乐、工业与交通安全等许多领域[34–39]。
总体而言，脑机接口技术的发展经历了从科学幻想到科学论证再到技术爆发的过程。目前，该技术正处于高速发展阶段，并在医疗、工业、教育、娱乐等多个领域展现出广阔的应用前景[12]。未来，随着技术的进一步完善和应用的进一步深入，脑机接口有望实现更多突破，为人类带来更多的可能性。
二、脑机接口技术的研究进程
近年来，随着脑机接口技术的发展，该领域的研究活跃度显著提升。越来越多的学术论文、专利申请和科研项目资金的涌现，充分体现了这一趋势。无论是基础研究还是应用开发，脑机接口正受到全球科研机构和企业的广泛关注，各国政府和产业界也纷纷加大投入，推动技术的快速迭代与创新。本节将进一步探讨近些年脑机接口领域的研究进展、市场规模及其发展态势。
从国家科技图书文献中心文献库收录的脑机接口的相关论文出版和专利申请数据来看，2000年以后，该领域进入快速增长阶段，相关论文从2000—2002年的222篇增长到2021—2023年的6958篇（见图1），相关专利申请数量从2000—2002年的1387项增长到2021—2023年的10121项（见图2）。
图 1 历年脑机接口相关论文出版数量增长情况
图 2 历年脑机接口相关专利申请数量增长情况虽然脑机接口研究始于半个世纪前，但私人投资直到21世纪初才开始出现。从2005年到2014年，该领域的资金有限，每年平均仅通过三项，交易筹集约2400万美元的资金。该行业从2016年开始加速发展，并且在此后的几年中经历了多个超过一亿美元的大规模融资轮次（见图3）。2021年是巅峰之年，所有领域共筹集了7.5亿美元。2021年最大的一笔融资来自埃隆·马斯克（Elon Reeve Musk）创立的神经假体和神经植入物公司Neuralink，该公司在C轮融资中筹集了2.05亿美元。同年，其他获得重大投资的初创公司还包括用户界面软件公司Petal，以及MindMaze和Ceribell这两家非侵入式可穿戴设备公司。在经历2022年的轻微下滑后，该行业在2023年再次接近2021年的融资纪录，这主要是由于Neuralink在D轮融资中获得了3.23亿美元的资金。尽管公司数量较少，但在2015—2023年间，神经假体和神经植入物领域的投资额却是最高的，达到了13亿美元，其中超过一半是由Neuralink贡献的。
图 3 全球脑机接口领域投资变化情况对于脑机接口未来的市场规模，各机构的预测有所不同。据 Precedence Statistics 数据显示，2023 年全球脑机接口市场规模为 23.5 亿美元，预计 2033 年将达到 108 亿美元（见图4）。其他研究机构如中国电子技术标准化研究院预测，到2027年，全球脑机接口市场规模将达到37亿美元；IMARC Groupe的报告则预计到2027年将达到33亿美元。另外，一些更为乐观的预测认为，到2030年，全球脑机接口市场规模将达53.40亿美元。
图 4 全球脑机接口市场规模及预测情况从国家战略来看，各国均认识到了脑科学研究的战略重要性，并将其作为国家级的重点项目来推进。不论是美国的脑计划2.0、欧盟的人脑计划（HBP）、中国的科技创新2030—“脑科学与类脑研究”，还是韩国的《数字生物创新战略》及日本的长期研究计划，各国都在试图通过大量的资金投入和技术研发，加深对大脑工作的理解，并最终造福人类健康。
美国的脑计划特别强调了脑机接口技术在军事和医疗方面的应用，这反映了美国对于技术创新在国家安全和健康护理领域潜在价值的重视；欧盟的人脑计划则致力于通过模拟来理解和探索人脑的运作机制，虽然HBP项目在2023年底停止了资金发放，但它已转向下一阶段的任务重点，即利用个性化大脑模型来推进药物发现和改进大脑疾病的治疗；中国的脑科学与类脑研究计划虽然起步较晚，但在资金投入上却展现出了强大的决心，首批资金就达到了30亿人民币，后续资金规模预计可达数百亿人民币，显示出中国希望在该领域取得重大突破的信心；韩国则是在脑机互动技术、脑功能可视化及数字疗法等领域进行了重点部署，显示出韩国在这一领域内的创新思维和实践方向；日本的项目规模虽不及其他国家，但其专注于建立动物模型来研究大脑疾病的发生和发展，以期加快对人类大脑疾病的理解（见表1）。
表 1 主要国家和地区
脑机接口经费资助情况
三、当前主流的脑机接口技术
随着脑机接口技术在学术界和产业界的快速发展，相关研究成果和市场潜力不断被挖掘。论文数量的增长、专利的涌现以及科研经费的持续投入，不仅推动了该领域的技术突破，也促使市场规模逐年扩大。在这一背景下，当前脑机接口的主流技术也逐渐成型，并在多个方向上取得了显著进展。接下来，将重点介绍脑机接口的基本组成部分及分类。
1. 脑机接口的基本组成部分
BCI系统不仅仅是单纯的技术集合，它涉及了多类技术和学科的综合交叉，是一个复杂的科学与工程系统。BCI系统集成了神经科学、信号处理、计算机科学、人工智能以及电子工程等多个领域的知识。BCI系统主要由用户（大脑）、脑信号采集、脑信号处理与解码、控制接口、机器人等外设和神经反馈构成（见图5）。其中，最核心的是脑信号采集、脑信号处理与解码、控制接口，它们是BCI系统的三个基本组成部分。
图 5 脑机接口系统组成部分（1）脑信号采集
脑信号采集即通过电子设备抓取大脑特定活动（例如，运动、语言、听觉和视觉）的电生理信号。大多数BCI系统处理的电生理信号可以分为以下几类：脑电图（EEG），通过放置在头皮上的电极测量的大脑电活动；皮层电图（ECoG），通过放置在外科暴露的大脑皮层上的电极直接测量的脑电图信号；局部场电位（LFP），在神经元的细胞外空间测量的电势；神经元动作电位（AP或Spike），神经元膜电位的快速临时变化。在传输给下一个BCI组件之前，捕获的大脑信号会经过滤波、放大和数字化处理。BCI系统的整体性能在很大程度上取决于获取的大脑信号的质量（信噪比）[40–46]。
（2）脑信号处理与解码
特征提取：BCI系统从获取的信号中抽取关键的电生理特征以定义大脑活动，从而编码用户的意图，电生理特征可分为频域特征和时域特征。例如，在基于运动想象的BCI系统中，通常关注的是β和μ频带（大约8—30 Hz）的功率变化。而在基于P300事件相关电位的BCI系统中，则更侧重于检测特定时间点的峰值响应。传统的特征提取方法包括常用的功率谱密度（PSD）、自回归模型（AR）、共变矩阵分析等[47]。传统方法的优势在于实时性好，计算复杂度低，适用于低功耗和嵌入式应用场景。然而，其劣势在于无法有效应对脑信号的复杂性与高维度特征，且对噪声和伪迹的处理能力有限[48]。在设计BCI系统之前，应该确定所需的特征类别。
近年来，结合AI技术的特征提取方法逐渐兴起，特别是深度学习算法的应用显著提升了脑信号处理的性能。深度神经网络（DNN）能够自动从原始脑电信号中提取多层次的特征，避免了手动特征工程的局限性[49]。卷积神经网络（CNN）擅长提取时空特征，而长短期记忆网络（LSTM）等循环神经网络（RNN）则能够捕捉脑电信号中的时间序列依赖关系[50]。这些方法不需要预设特征，而是通过大规模数据训练模型来捕捉复杂的神经活动模式，在特征提取精度和分类性能上远优于传统方法[51]。
特征分类：提取的特征代表了用于预期动作的大脑活动，特征分类负责将提取到的特征转换为可操作的命令或输出。在这个过程中，BCI系统利用机器学习算法或其他分类方法来区分不同的大脑活动模式，进而推断用户的意图。传统分类方法如支持向量机（SVM）、线性判别分析（LDA）、朴素贝叶斯等在BCI中广泛应用[52]。这些算法在低维特征空间中表现良好，适合资源受限的实时应用。然而，传统分类器通常依赖于手工提取的低维特征，在面对高维、非线性、噪声大的信号时，分类精度较低[53]。
人工智能技术引入了更为复杂的分类模型，如卷积神经网络（CNN）、生成对抗网络（GAN）等[54]。这些深度学习方法通过自动学习特征，可以捕捉大脑信号中更复杂的模式。例如，卷积神经网络擅长在二维甚至三维脑电图像中提取时空特征，而循环神经网络（RNN）则在长时间序列数据上表现出色。更进一步，混合模型如卷积循环网络（CRNN）结合了前两者的优势，在BCI解码中表现出了优异的性能[55]。尽管AI模型在分类精度上超越了传统方法，但其高算力和大数据的需求使得实时性和资源消耗成为了关键瓶颈。此外，深度学习模型的训练往往需要大量标注数据，这在BCI研究中可能难以获取。
特征转换：在这个信号处理阶段，分类的特征被转换并输出为实际的命令，以操作外部设备（BCI应用）。特征转换算法的一个重要属性是适应性：转换算法能够适应性地根据特征的变化自我调节，生成用户需要的指令。
（3）控制接口
在BCI系统中，经过特征提取和转换后生成的命令被用来控制各种外部设备，实现不同的功能。例如，控制电脑屏幕上的光标，帮助用户选择字母或文本；控制轮椅的移动，或者机械臂的操作；BCI生成的控制信号也可以反馈给大脑或人体的其他器官，以促进康复或替代失去的功能[56]。
2. 脑机接口系统的分类
根据脑机接口系统的结构和功能特性，可以将BCI大致分为三类：输出式BCI（Output BCI）、输入式BCI（Input BCI）以及双向交互式BCI（Bidirectional BCI）。输出式BCI主要关注于从大脑中获取信号，并将这些信号转换为对外部世界的控制指令。这类BCI的设计目的是帮助那些由于身体残疾而无法进行常规肢体运动的人士，使他们能够通过脑信号控制外部设备，如控制轮椅或假肢、电脑光标或输入设备。输入式BCI则是为了接收外部刺激并将其转化为大脑内部的感知或认知。这类BCI旨在增强或恢复用户的感官体验，通常用于恢复受损的感觉能力，常见的有视觉假体（例如植入视网膜下的芯片）、听觉假体（如耳蜗植入物）等。双向交互式BCI结合了输出式BCI和输入式BCI的功能，进一步提高了用户体验和控制精度。
根据信号采集的方式和技术的不同，可以将BCI分为侵入式、半侵入式和非侵入式三类[29-30]。非侵入性BCI最为常见的技术是脑电图（EEG），近年来，功能性近红外光谱（fNIRS）[31]、磁脑电图（MEG）[32]、功能性磁共振成像（fMRI）、正电子发射断层扫描（PET）[33]和功能性经颅多普勒超声[34–36]也被利用。半侵入式BCI包括皮层电图（ECoG或ECog）、硬膜下电极（Subdural Electrodes）等。在侵入性BCI领域，微电极阵列（MEA）[37]和神经元放电检测（SUA）最为常见[38]。侵入式BCI提供了非常高质量的信号，但需要手术植入，存在一定的风险；非侵入式BCI则易于使用且风险较低，但信号质量通常不如侵入式方法。
根据使用大脑信号的方式，可以将BCI分为主动式（Active BCI）、反应性（Reactive BCI）、被动式（Passive BCI）三类。主动式BCI需要用户进行训练以产生明确的控制信号，常用于控制外部设备或与计算机交互，如操控轮椅或进行拼写任务。反应性BCI利用用户对特定刺激（如声音、图像、触觉等）的自然反应，当用户对这些刺激做出反应时，BCI系统能够检测到大脑活动的变化，并据此执行相应动作，例如通过检测P300波来选择屏幕上的字母或图形，实现拼写任务。被动式BCI通过分析用户的自然大脑活动来提供关于用户状态（如疲劳、注意力水平等）的信息，不需用户主动参与，常用于监测用户的认知状态以优化工作或学习效率，例如在工作场所监测员工的疲劳程度以提高安全性。
另外，还有其他的分类方法，如按照BCI系统的用途，可分为辅助技术BCI、增强型BCI、娱乐型BCI等[57]。
四、技术发展的瓶颈和挑战
尽管脑机接口技术展现出了巨大的发展潜力，但其在广泛应用过程中仍面临诸多瓶颈与挑战。接下来将从心理生理学瓶颈、技术挑战、产业挑战以及监管挑战四个方面，对这些阻碍脑机接口技术广泛应用和进一步突破的关键问题进行深入分析。
1. 心理生理学瓶颈
从心理生理学的角度来看，BCI的性能受到多种心理生理因素的影响，这些因素导致了显著的个体差异。心理因素如注意力、记忆负荷、疲劳以及竞争性的认知过程会影响大脑的瞬时动力学[5]。例如，同情心较低的个体在使用P300-BCI范式时情感参与较少，却能够产生比同情心较强的个体更高的P300波幅。此外，用户的个人特征，如生活方式、性别和年龄等，也会影响BCI的表现[44–46]。生理参数，如静息状态下的心率变异性（HRV）的频域特征，同样与BCI性能相关[58]。人类的静息态网络（RSNs）是动态变化的，能够即时调整任何BCI系统需要读取的皮层特征[59]。大约15%—30%的个体由于无法产生足够强大的大脑信号来操作BCI系统而被称为“BCI文盲”[60]。因此，一个高效的BCI系统必须具备对这种内在生理波动的鲁棒性，也需要更深入地理解神经系统的工作原理以及开发新的材料和技术来改善设备与大脑组织之间的界面。
2. 技术挑战
脑机接口技术面临的主要技术挑战包括信号感知的准确性和数据处理的复杂度。不论是侵入式还是非侵入式技术，都需要解决信号感知的准确性问题，尤其是在提高信号的传输速度方面。长期稳定性和生物相容性也是重要问题，因为侵入式设备可能会引发免疫反应或随着时间推移而逐渐失去信号质量[61]。此外，数据处理的复杂度也是一个关键问题，尤其是在处理大量脑电信号时。对于人脑的理解仍然相对有限，神经元机理等脑机制研究有待深入。在硬件方面，国内生产的脑电采集设备在科研仪器市场的占有率较低，大多数研究使用的仍然是体积大、重量重、便携性差的高精度、多导联脑电采集设备。因此，迫切需要开发便携化、高性能的脑电采集及记录硬件来支持技术转化。
3. 产业挑战
脑机接口技术的产业化面临着收益与风险、成本与回报的平衡问题。由于脑机接口技术市场目前还处于早期阶段，产业规模不清晰，产品合规性有待商榷，缺乏相关法律依据，难以实现完整的产业化发展。因此，产业化的重点应该放在解决社会刚需问题上，如疾病治疗和康复，以此为基础逐步推进产业落地，随后吸引市场资金跟进，保证产业的健康持续发展。同时，还需要加强对公众的科普工作，避免夸大宣传引起的不必要的臆想和恐慌。
4. 监管挑战
从安全和伦理的角度来看，脑机接口技术面临着黑客攻击、数据窃取等隐私泄露风险，尤其是侵入式设备还存在植入人体过程中可能对大脑组织造成的创伤和感染问题。因此，设备安全问题、个人隐私安全问题、知情同意权问题、自主性和责任归属问题，以及使用脑机接口设备后可能引发的社会公平公正问题都需要得到重视。当前尚无统一的脑机接口基础理论框架，缺乏对脑机接口系统性能进行科学评价的标准。因此，从监管的角度出发，需要制定相应的政策和法规来应对上述挑战，以规范脑机接口技术和产业的发展。
五、未来发展方向
面对脑机接口技术当前发展中的瓶颈和挑战，解决这些问题将成为推动技术进一步突破的关键。在此基础上展望未来，脑机接口技术的进步将呈现出阶段性的特征。接下来，将从短期、中期和长期三个阶段，探讨脑机接口未来的发展方向和可能实现的技术突破。
1. 短 期
从短期看，脑机接口技术的应用将主要集中在医疗和康复领域，尤其是恢复患者行动能力方面，实现输出式BCI在医疗领域的落地。通过神经康复应用，BCI可以帮助中风或脊髓损伤患者重建与外界的联系，提高他们的生活质量和独立性[62]。此外，BCI技术在精准治疗与监测、疾病早期诊断以及促进康复过程等方面也将展现出创新潜力。随着脑机接口技术的推广，脑机接口设备采集到的数据将迎来指数级的增长，这些数据将进一步推动技术的迭代更新。
随着技术的进步，脑机接口技术将变得更加精确、便携、可靠以及易于使用。硬件上，脑机接口读取和写入脑信号的精度将不断提高，从而能够实现更加准确的信息传输和更加精细的脑功能控制。随着微纳加工技术和材料学的发展，采集脑电信号的电极、芯片将向柔性、小型化、高通量和集成化方向发展，如2024年9月，瑞士联邦理工学院（Swiss Federal Institute of Technology）开发出一款尺寸仅为2.46 mm2的微型脑机接口（MiBMI）[63]；目前，Neuralink通信速度为每秒10比特，未来的目标是达到Megabit级别。软件与算法上，脑机接口技术还会融合更多更先进的人工智能技术，实现更好的信号处理、特征提取和模式识别，从而提升系统的性能和智能化程度。研究人员还发布了一个基于Meta公司开源模型DINOv2的新型深度学习应用程序Image Decoder，可以实时地解码受试者的大脑活动[64]；2024年8月，脑机接口公司Synchron将自己的脑机接口设备与ChatGPT和Vision Pro相结合，给用户带来了新的使用体验。未来几年内，预计将在开发更安全的侵入式电极系统、提高神经编解码效率等方面取得更多突破[65]。脑机接口设备还将采用先进的能源技术和高效的算法，以实现更高的能源效率和续航时间，从而确保长期运行和大规模部署。
2. 中 期
从中期看，输出式BCI将进一步从医学领域拓展到教育、娱乐、军事、工业等其他领域，而输入式BCI以及双向交互式BCI将实现在医疗领域的应用。
随着输出式BCI技术的进步和成本的降低，脑机接口技术将逐渐普及化，成为人们生活和工作中不可或缺的一部分。在这个阶段，还会不断涌现出各种商用的BCI，包括自动驾驶和脑控机器人[66]、网页浏览和虚拟世界导航、教育与学习、游戏与娱乐、警觉性监测、记忆和认知能力增强、测谎、安保与身份识别、脑控艺术等[67–71]。在远程控制技术方面，BCI将使得设备操作更加便捷，实现机器人的远程操控，从而提升工作效率。在其他生物识别技术逐步被AI破解的背景下，BCI能够提供一种新型的生物识别手段[66]。BCI技术可以用来实时监控与评估学生在听课或完成练习时的投入程度、注意力集中度、认知负荷水平。同时，BCI还将革新游戏体验，通过虚拟现实实现社交互动新模式，为用户带来全新的娱乐体验。另外，在输入式BCI以及双向交互式BCI方面，Neuralink等多家BCI公司表示，将开发作用于人类视觉神经的BCI，使得盲人能够重见光明。
3. 长 期
从长期看，脑机接口将由目前的以替换和恢复患者失去的功能为主，向功能改善、补充和增强过渡转变。从信息流角度，目前的脑电信号主要是“从脑到机”的输出式BCI，未来将经历“由机到脑”“由脑到脑”的输入式BCI以及双向交互式BCI，脑电信号在大脑和机器之间双向流动、双向交互，最终实现脑机融合智能[72]。人们可能通过脑机接口的外接设备去体验一些仅靠人类天然感官无法体验的感知，如感知紫外光和红外光、超声波与次声波等，人的感知阈将极大扩增[73]。另外，BCI技术也可用于实现记忆和认知的放大，西奥多·伯杰（Theodore W Berger）和萨姆·德德韦勒（Sam A Deadwyler）等人早在2011年已通过实验证明安置在大鼠中的脑植入装置能够恢复失去的记忆，加强对新知识的记忆[74]。未来，大脑与机器两者将互相适应、协同工作，最终实现在信息感知、信息处理、决策判断，甚至记忆、意图多个层次上的相互配合。
当然，随着这些技术的进步，伦理、隐私和安全性等问题也将日益凸显[75-76]。如何确保个人数据的安全，防止滥用，以及如何界定人机之间的责任归属，都将成为需要社会共同面对和解决的问题。因此，建立相应的法律框架和技术标准，保证技术的健康发展和社会的普遍接受，将是推动BCI技术广泛应用的关键。
六、结 论
自20世纪20年代BCI的概念首次被提出以来，这一领域已经经历了从科学幻想到现实应用的转变。从最初的理论构想到21世纪的技术爆发，BCI技术不仅在科学论证期获得了初步的验证，在学术发展期积累了大量的研究成果，而且在技术爆发期实现了诸多突破性的进展。这些进展涵盖了脑信号采集技术的改进、信号处理算法的优化以及外部设备控制的精确等方面。当前，主流的BCI技术可以分为非侵入式、半侵入式和侵入式，每种技术都有其独特的应用场景。例如，非侵入式的EEG技术因其易用性和低风险性，在辅助技术和增强型BCI中被广泛应用；而侵入式的微电极阵列则因能提供高质量的信号而在需要高精确度的场景中扮演着重要角色。此外，BCI技术的分类还包括输出式、输入式和双向交互式，以及被动式、主动式和反应性BCI等，这些分类反映了技术在不同应用领域的灵活性。尽管BCI技术已经取得了显著的进步，但仍面临一些重大挑战。这些挑战主要包括心理生理学瓶颈、技术挑战、产业挑战和监管挑战。心理生理学瓶颈涉及个体间的差异和大脑活动的动态性；技术挑战则涉及信号感知的准确性和数据处理的复杂度；产业挑战包括市场接受度、合规性以及资金支持等问题；监管挑战则关注设备的安全性、隐私保护以及伦理问题。脑机接口技术的未来发展将分为短期、中期和长期三个阶段。短期内，技术重点将放在医疗康复领域，特别是帮助中风及脊髓损伤患者恢复行动能力，并通过神经康复应用提高其生活质量。技术进步将使设备更加便携、精确且易于使用，同时数据增长将推动技术迭代。中期来看，输出式BCI技术将拓展至教育、娱乐、军事和工业等领域，而输入式及双向交互式BCI则会进一步应用于医疗。随着技术成本的降低，BCI设备将逐渐普及，并在日常生活和工作中发挥重要作用，包括自动驾驶、虚拟现实游戏以及教育辅助等。长远而言，BCI将转向功能改善与增强，实现从“脑到机”再到“机到脑”乃至“脑到脑”的双向交互，最终达成脑机融合智能。此外，BCI还有望扩展人类的感知能力并增强记忆与认知功能。然而，伴随技术进步的是对伦理、隐私和安全性的关注，建立合理的法律框架与技术标准对于保障技术健康发展至关重要。
随着技术的不断进步和完善，我们有理由相信BCI技术将在未来为人类的生活和社会带来深远的影响，但充分发挥其潜力仍需克服一系列挑战。继续开展多学科的研究、加强国际合作、完善法律法规将是推动BCI技术健康发展不可或缺的关键步骤。
参考文献
[1] | Zander TO, Kothe C. Towards Passive Brain-computer Interfaces: Applying Brain-computer Interface Technology to Human-machine Systems in General. Journal of Neural Engineering, 2011, 8(2): 025005. DOI: 10.1088/1741-2560/8/2/025005. |
[2] | Wolpaw JR, Birbaumer N, Heetderks WJ, et al. Brain-computer Interface Technology: A Review of the First International Meeting. IEEE Transactions on Rehabilitation Engineering: A Publication of the IEEE Engineering in Medicine and Biology Society, 2000, 8(2): 164-173. DOI: 10.1109/TRE.2000.847807. |
[3] | Mudgal SK, Sharma SK, Chaturvedi J, et al. Brain Computer Interface Advancement in Neurosciences: Applications and Issues. Interdisciplinary Neurosurgery, 2020, (20): 100694. |
[4] | Oxley TJ, Opie NL, John SE, et al. Minimally Invasive Endovascular Stent-electrode Array for High-fidelity, Chronic Recordings of Cortical Neural Activity. Nature Biotechnology, 2016, 34(3): 320-327. DOI: 10.1038/nbt.3428. |
[5] | Saha S, Baumert M. Intra- and Inter-subject Variability in EEG-Based Sensorimotor Brain Computer Interface: A Review. Frontiers in Computational Neuroscience, Frontiers, 2020, (13): 87. |
[6] | Wang Y, Wang R, Gao X, et al. A Practical VEP-based Brain-computer Interface. IEEE Transactions on Neural Systems and Rehabilitation Engineering: A Publication of the IEEE Engineering in Medicine and Biology Society, 2006, 14(2): 234-239. |
[7] | Wolpaw JR, McFarland DJ, Neat GW, et al. An EEG-based Brain-computer Interface for Cursor Control. Electroencephalography and Clinical Neurophysiology, 1991, 78(3): 252-259. DOI: 10.1016/0013-4694(91)90040-B. |
[8] | Abiri R, Borhani S, Sellers EW, et al. A Comprehensive Review of EEG-based Brain-computer Interface Paradigms. Journal of Neural Engineering, 2019, 16(1): 011001. DOI: 10.1088/1741-2552/aaf12e. |
[9] | Rashid M, Sulaiman N, P P Abdul Majeed A, et al. Current Status, Challenges, and Possible Solutions of EEG-Based Brain-Computer Interface: A Comprehensive Review. Frontiers in Neurorobotics, 2020(14): Article 25. |
[10] | Silversmith DB, Abiri R, Hardy NF, et al. Plug-and-play Control of a Brain-computer Interface Through Neural Map Stabilization. Nature Biotechnology, 2021, 39(3): 326-335. DOI: 10.1038/s41587-020-0662-5. |
[11] | Saha S, Mamun KA, Ahmed K, et al. Progress in Brain Computer Interface: Challenges and Opportunities. Frontiers in Systems Neuroscience, 2021, (15): 578875. |
[12] | 陈小刚, 陈菁菁, 刘冰川, 等. 2022年脑机接口研究进展. 信号处理, 2023, 39(8): 1355-1366. |
[13] | Farwell LA, Donchin E. Talking Off the Top of Your Head: toward a Mental Prosthesis Utilizing Event-related Brain Potentials. Electroencephalography and Clinical Neurophysiology, 1988, 70(6): 510-523. DOI: 10.1016/0013-4694(88)90149-6. |
[14] | Vidal JJ. Toward Direct Brain-computer Communication. Annual Review of Biophysics and Bioengineering, 1973, 2(1): 157-180. DOI: 10.1146/annurev.bb.02.060173.001105. |
[15] | Birbaumer N, Ghanayim N, Hinterberger T, et al. A Spelling Device for the Paralysed. Nature, 1999, 398(6725): 297-298. DOI: 10.1038/18581. |
[16] | Alcaide-Aguirre RE, Warschausky SA, Brown D, et al. Asynchronous Brain-computer Interface for Cognitive Assessment in People with Cerebral Palsy. Journal of Neural Engineering, 2017, 14(6): 066001. DOI: 10.1088/1741-2552/aa7fc4. |
[17] | Shahriari Y, Vaughan TM, McCane LM, et al. An Exploration of BCI Performance Variations in People with Amyotrophic Lateral Sclerosis Using Longitudinal EEG Data. Journal of Neural Engineering, 2019, 16(5): 056031. DOI: 10.1088/1741-2552/ab22ea. |
[18] | Vansteensel MJ, Pels EGM, Bleichner MG, et al. Fully Implanted Brain-Computer Interface in a Locked-In Patient with ALS. New England Journal of Medicine, 2016, 375(21): 2060-2066. DOI: 10.1056/NEJMoa1608085. |
[19] | Donchin E, Spencer KM, Wijesinghe R. The Mental Prosthesis: Assessing the Speed of a P300-based Brain-computer Interface. IEEE Transactions on Rehabilitation Engineering, 2000, 8(2): 174-179. DOI: 10.1109/86.847808. |
[20] | Aricò P, Borghini G, Di Flumeri G, et al. Adaptive Automation Triggered by EEG-Based Mental Workload Index: A Passive Brain-Computer Interface Application in Realistic Air Traffic Control Environment. Frontiers in Human Neuroscience, 2016, (10): 539. |
[21] | Wei CS, Wang YT, Lin CT, et al. Toward Drowsiness Detection Using Non-hair-Bearing EEG-Based Brain-Computer Interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2018, 26(2): 400-406. DOI: 10.1109/TNSRE.2018.2790359. |
[22] | Wu D, Lance BJ, Lawhern VJ, et al. EEG-Based User Reaction Time Estimation Using Riemannian Geometry Features. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2017, 25(11): 2157-2168. DOI: 10.1109/TNSRE.2017.2699784. |
[23] | Vourvopoulos A, Pardo OM, Lefebvre S, et al. Effects of a Brain-Computer Interface With Virtual Reality (VR) Neurofeedback: A Pilot Study in Chronic Stroke Patients. Frontiers in Human Neuroscience, 2019, (13): 460405. |
[24] | Horki P, Solis-Escalante T, Neuper C, et al. Combined Motor Imagery and SSVEP Based BCI Control of a 2 DoF Artificial Upper Limb. Medical & Biological Engineering & Computing, 2011, 49(5): 567-577. |
[25] | Singh AK, Wang YK, King JT, et al. Extended Interaction With a BCI Video Game Changes Resting-State Brain Activity. IEEE Transactions on Cognitive and Developmental Systems, 2020, 12(4): 809-823. DOI: 10.1109/TCDS.2020.2985102. |
[26] | Choi B, Jo S. A Low-Cost EEG System-Based Hybrid Brain-Computer Interface for Humanoid Robot Navigation and Recognition. PLOS ONE, 2013, 8(9): e74583. DOI: 10.1371/journal.pone.0074583. |
[27] | Spataro R, Chella A, Allison B, et al. Reaching and Grasping a Glass of Water by Locked-In ALS Patients through a BCI-Controlled Humanoid Robot. Frontiers in Human Neuroscience, 2017, (11): 68. |
[28] | Brunner C, Birbaumer N, Blankertz B, et al. BNCI Horizon 2020: towards a Roadmap for the BCI Community. Brain-Computer Interfaces, 2015, 2(1): 1-10. DOI: 10.1080/2326263X.2015.1008956. |
[29] | Min BK, Marzelli MJ, Yoo SS. Neuroimaging-based Approaches in the Brain-computer Interface. Trends in Biotechnology, 2010, 28(11): 552-560. DOI: 10.1016/j.tibtech.2010.08.002. |
[30] | Rosenfeld JV, Wong YT. Neurobionics and the Brain-computer Interface: Current Applications and Future Horizons. Medical Journal of Australia, 2017, 206(8): 363-368. DOI: 10.5694/mja16.01011. |
[31] | Matthews F, Pearlmutter BA, Wards TE, et al. Hemodynamics for Brain-Computer Interfaces. IEEE Signal Processing Magazine, 2008, 25(1): 87-94. DOI: 10.1109/MSP.2008.4408445. |
[32] | Fukuma R, Yanagisawa T, Saitoh Y, et al. Real-Time Control of a Neuroprosthetic Hand by Magnetoencephalographic Signals from Paralysed Patients. Scientific Reports, 2016, 6(1): 21781. DOI: 10.1038/srep21781. |
[33] | Kaas A, Goebel R, Valente G, et al. Topographic Somatosensory Imagery for Real-Time fMRI Brain-Computer Interfacing. Frontiers in Human Neuroscience, 2019, (13): 427. |
[34] | Faress A, Chau T. Towards a Multimodal Brain-computer Interface: Combining fNIRS and fTCD Measurements to Enable Higher Classification Accuracy. NeuroImage, 2013, (77): 186-194. |
[35] | Lu J, Mamun KA, Chau T. Pattern Classification to Optimize the Performance of Transcranial Doppler Ultrasonography-based Brain Machine Interface. Pattern Recognition Letters, 2015, (66): 135-143. |
[36] | Khalaf A, Sejdic E, Akcakaya M. A Novel Motor Imagery Hybrid Brain Computer Interface Using EEG and Functional Transcranial Doppler Ultrasound. Journal of Neuroscience Methods, 2019, (313): 44-53. |
[37] | Pandarinath C, Nuyujukian P, Blabe CH, et al. High Performance Communication by People with Paralysis Using an Intracortical Brain-computer Interface. Elife, 2017, (6): e18554. |
[38] | Kaiju T, Doi K, Yokota M, et al. High Spatiotemporal Resolution ECoG Recording of Somatosensory Evoked Potentials with Flexible Micro-Electrode Arrays. Frontiers in Neural Circuits, 2017, (11): 20. |
[39] | Lajoie G, Krouchev NI, Kalaska JF, et al. Correlation-based Model of Artificially Induced Plasticity in Motor Cortex by a Bidirectional Brain-computer Interface. PLOS Computational Biology, 2017, 13(2): e1005343. DOI: 10.1371/journal.pcbi.1005343. |
[40] | Darvishi S, Gharabaghi A, Boulay CB, et al. Proprioceptive Feedback Facilitates Motor Imagery-Related Operant Learning of Sensorimotor β-Band Modulation. Frontiers in Neuroscience, Frontiers, 2017, (11): 60. |
[41] | Bhattacharyya S, Clerc M, Hayashibe M. Augmenting Motor Imagery Learning for Brain-Computer Interfacing Using Electrical Stimulation as Feedback. IEEE Transactions on Medical Robotics and Bionics, 2019, 1(4): 247-255. DOI: 10.1109/TMRB.2019.2949854. |
[42] | Bockbrader M, Annetta N, Friedenberg D, et al. Clinically Significant Gains in Skillful Grasp Coordination by an Individual with Tetraplegia Using an Implanted Brain-Computer Interface with Forearm Transcutaneous Muscle Stimulation. Archives of Physical Medicine and Rehabilitation, 2019, 100(7): 1201-1217. DOI: 10.1016/j.apmr.2018.07.445. |
[43] | Murovec N, Heilinger A, Xu R, et al. Effects of a Vibro-Tactile P300 Based Brain-Computer Interface on the Coma Recovery Scale-Revised in Patients With Disorders of Consciousness. Frontiers in Neuroscience, 2020, (14): 294. |
[44] | Gonçalves SI, de Munck JC, Pouwels PJW, et al. Correlating the Alpha Rhythm to BOLD Using Simultaneous EEG/fMRI: Inter-subject Variability. NeuroImage, 2006, 30(1): 203-213. DOI: 10.1016/j.neuroimage.2005.09.062. |
[45] | Käthner I, Wriessnegger SC, Müller-Putz GR, et al. Effects of Mental Workload and Fatigue on the P300, Alpha and Theta Band Power during Operation of an ERP (P300) Brain-computer Interface. Biological Psychology, 2014, (102): 118-129. |
[46] | Calhoun VD, Adali T. Time-Varying Brain Connectivity in fMRI Data: Whole-brain Data-driven Approaches for Capturing and Characterizing Dynamic States. IEEE Signal Processing Magazine, 2016, 33(3): 52-66. DOI: 10.1109/MSP.2015.2478915. |
[47] | Bashashati A, Fatourechi M, Ward RK, et al. A Survey of Signal Processing Algorithms in Brain-computer Interfaces Based on Electrical Brain Signals. Journal of Neural Engineering, 2007, 4(2): R32. DOI: 10.1088/1741-2560/4/2/R03. |
[48] | Pfurtscheller G, Neuper C. Motor Imagery and Direct Brain-computer Communication. Proceedings of the IEEE, 2001, 89(7): 1123-1134. DOI: 10.1109/5.939829. |
[49] | Lawhern VJ, Solon AJ, Waytowich NR, et al. EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-computer Interfaces. Journal of Neural Engineering, 2018, 15(5): 056013. DOI: 10.1088/1741-2552/aace8c. |
[50] | Schirrmeister RT, Springenberg JT, Fiederer LDJ, et al. Deep Learning with Convolutional Neural Networks for EEG Decoding and Visualization. Human Brain Mapping, 2017, 38(11): 5391-5420. DOI: 10.1002/hbm.23730. |
[51] | Kasahara K, DaSalla CS, Honda M, et al. Neuroanatomical Correlates of Brain-computer Interface Performance. NeuroImage, 2015, (110): 95-100. |
[52] | Lotte F, Congedo M, Lécuyer A, et al. A Review of Classification Algorithms for EEG-based Brain-computer Interfaces. Journal of Neural Engineering, 2007, 4(2): R1-R13. DOI: 10.1088/1741-2560/4/2/R01. |
[53] | Mane SAM, Shinde A. StressNet: Hybrid Model of LSTM and CNN for Stress Detection from Electroencephalogram Signal (EEG). Results in Control and Optimization, 2023, (11): 100231. |
[54] | Cecotti H, Graser A. Convolutional Neural Networks for P300 Detection with Application to Brain-Computer Interfaces. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 33(3): 433-445. |
[55] | Craik A, He Y, Contreras-Vidal JL. Deep Learning for Electroencephalogram (EEG) Classification Tasks: A Review. Journal of Neural Engineering, 2019, 16(3): 031001. DOI: 10.1088/1741-2552/ab0ab5. |
[56] | Kleih SC, Kübler A. Empathy, Motivation, and P300 BCI Performance. Frontiers in Human Neuroscience, 2013, (7): 642. |
[57] | 拉杰什 P. N. 拉奥. 脑机接口导论. 张莉, 陈民铀 译. 北京: 机械工业出版社, 2016. |
[58] | Kaufmann T, Vögele C, Sütterlin S, et al. Effects of Resting Heart Rate Variability on Performance in the P300 Brain-computer Interface. International Journal of Psychophysiology, 2012, 83(3): 336-341. DOI: 10.1016/j.ijpsycho.2011.11.018. |
[59] | Mantini D, Perrucci MG, Del Gratta C, et al. Electrophysiological Signatures of Resting State Networks in the Human Brain. Proceedings of the National Academy of Sciences, 2007, 104(32): 13170-13175. DOI: 10.1073/pnas.0700668104. |
[60] | Vidaurre C, Blankertz B. Towards a Cure for BCI Illiteracy. Brain Topography, 2010, 23(2): 194-198. DOI: 10.1007/s10548-009-0121-6. |
[61] | Sporns O. Structure and Function of Complex Brain Networks. Dialogues in Clinical Neuroscience, 2013, 15(3): 247-262. DOI: 10.31887/DCNS.2013.15.3/osporns. |
[62] | 吴朝晖, 俞一鹏, 潘纲, 等. 脑机融合系统综述. 生命科学, 2014, 26(6): 645-649. |
[63] | Shaeri M, Shin U, Yadav A, et al. A 2.46-mm ^2 Miniaturized Brain-Machine Interface (MiBMI) Enabling 31-Class Brain-to-Text Decoding. https://ieeexplore.ieee.org/document/10643873.[2024-10-1]. |
[64] | Benchetrit Y, Banville H, King JR. Brain Decoding: toward Real-time Reconstruction of Visual Perception. https://scholar.ucas.ac.cn/https/77726476706e69737468656265737421f1e55995317e674279/abs/2310.19812.[2024-10-1]. |
[65] | 陶虎, 孙鎏炀. 实现“人机物”三元融合——谈脑机接口中的人脑优势发挥. 前沿科学, 2021, 15(2): 104-108. DOI: 10.3969/j.issn.1673-8128.2021.02.024. |
[66] | Yang D, Nguyen TH, Chung WY. A Bipolar-Channel Hybrid Brain-Computer Interface System for Home Automation Control Utilizing Steady-State Visually Evoked Potential and Eye-Blink Signals. Sensors, 2020, 20(19): 5474. DOI: 10.3390/s20195474. |
[67] | Wu D, King JT, Chuang CH, et al. Spatial Filtering for EEG-Based Regression Problems in Brain-Computer Interface (BCI). IEEE Transactions on Fuzzy Systems, 2018, 26(2): 771-781. DOI: 10.1109/TFUZZ.2017.2688423. |
[68] | Coogan CG, He B. Brain-Computer Interface Control in a Virtual Reality Environment and Applications for the Internet of Things. IEEE Access, 2018, (6): 10840-10849. |
[69] | Zhang X, Yao L, Zhang S, et al. Internet of Things Meets Brain-Computer Interface: A Unified Deep Learning Framework for Enabling Human-Thing Cognitive Interactivity. IEEE Internet of Things Journal, 2019, 6(2): 2084-2092. DOI: 10.1109/JIOT.2018.2877786. |
[70] | Chu NNY. Surprising Prevalence of Electroencephalogram Brain-Computer Interface to Internet of Things [Future Directions]. IEEE Consumer Electronics Magazine, 2017, 6(2): 31-39. DOI: 10.1109/MCE.2016.2640599. |
[71] | Aloise F, Schettini F, Aricò P, et al. P300-based Brain-computer Interface for Environmental Control: An Asynchronous Approach. Journal of Neural Engineering, 2011, 8(2): 025025. DOI: 10.1088/1741-2560/8/2/025025. |
[72] | 阮梅花, 张丽雯, 凌婕凡, 等. 2023年脑机接口领域发展态势. 生命科学, 2024, 36(1): 39-47. |
[73] | Wang J, Wang C, Cai P, et al. Artificial Sense Technology: Emulating and Extending Biological Senses. ACS Nano, 2021, 15(12): 18671-18678. DOI: 10.1021/acsnano.1c10313. |
[74] | Berger TW, Hampson RE, Song D, et al. A Cortical Neural Prosthesis for Restoring and Enhancing Memory. Journal of Neural Engineering, 2011, 8(4): 046017. DOI: 10.1088/1741-2560/8/4/046017. |
[75] | 张喆, 赵旭, 马艺昕, 等. 脑机接口技术伦理规范考量. 生物医学工程学杂志, 2023, 40(2): 358-364. DOI: 10.7507/1001-5515.202208058. |
[76] | 王高峰, 张志领. 算法伦理视域下的脑机接口伦理问题研究. 自然辩证法研究, 2022, 38(7): 68-73. |
Brain-Computer Interface Technology: Current development status and future outlook
Project Team for the "Study of Key Scientific Issues, Key Core Technologies and Their Layout for Brain-Computer Interfaces"
Abstract:This article reviews the developmental history of brain-computer interface (BCI) technology, from the era of scientific fantasy in the 1920s to the technological boom of the 21st century, summarizing the key progress and achievements at various stages of BCI technology. The article describes the basic components of BCI technology and its classification methods, including different types of BCI systems (output-oriented, input-oriented, and bidirectional interactive) and signal acquisition methods (non-invasive, semi-invasive, and invasive), and discusses the challenges BCI technology currently faces in psychophysiology, technology, industry, and regulation. Finally, the article looks forward to the future development directions of BCI technology, anticipating significant advancements in hardware optimization, software integration, and algorithm innovation in the coming decades, and the potential widespread application in fields such as healthcare, education, entertainment, and human-computer interaction.
Keywords: brain-computer interface, signal processing, rehabilitation applications, psychophysiology, technical challenges, future trends
肖松，湖北省科技信息研究院副研究员。研究方向为科技管理、科技政策与战略规划。
程和平，北京大学教授，中国科学院院士。研究方向为钙信号、线粒体功能研究、科研仪器创制。
吴朝晖，浙江大学教授，中国科学院院士。研究方向为人工智能、脑机智能、服务计算。
张旭，广东省智能科学与技术研究院研究员，中国科学院院士。研究方向为神经科学、神经系统疾病的分子细胞生物学机理。
王以政，军事科学院军事医学研究院研究员，中国科学院院士。研究方向为脑疾病与类脑研究。
陈婧，北京大学研究员。研究方向为语音信息处理、机器听觉、言语神经解码。
潘纲，浙江大学教授。研究方向为人工智能、脑机接口、类脑计算。
陶虎，中国科学院上海微系统与信息技术研究所研究员。研究方向为脑机接口、人工智能、微纳光机电系统。
尧德中，电子科技大学教授。研究方向为神经信息与脑器交互。
段小洁，北京大学长聘副教授。研究方向为生物医学工程。
王刚，军事科学院军事医学研究院副研究员。研究方向为类脑视觉计算。
通信作者：
程和平，邮箱地址：chengp@pku.edu.cn。
项目资助：
中国科学院学部咨询项目“脑机接口关键科学问题、关键核心技术及其布局研究”（2023-ZW07-A-026）。
