Nano-Micro LettersNon-Invasive Brain-Computer Interfaces: Converging Frontiers in Neural Signal Decoding and Flexible Bioelectronics Integration
Sheng Wang#*, Xiaobin Song#, Xiaopan Song*, Yang Gu, Zhuangzhuang Cong, Yi Shen*, Linwei Yu*
Nano-Micro Letters (2026)18: 193
https://doi.org/10.1007/s40820-025-02042-2
本文亮点
1. 神经信号解码和柔性生物电子学集成在非侵入式脑机接口中的最新应用进展。
2. 多模态数据融合、软硬件协同优化和闭环控制策略是增强BCI系统鲁棒性、自适应性和实时性的关键。
3. BCI系统在真实场景中的稳健运行仍面临重大挑战，仍需在跨人群泛化能力、复杂环境适应性以及系统的可复现性等方面取得实质性突破。
研究背景
非侵入式脑机接口(non-invasive brain–computer interface, BCI)的持续进步高度依赖于神经科学、人工智能、柔性电子学与系统工程等多学科的深度交叉融合。在多种技术路径中，非侵入式脑机接口因其无需手术、安全性高的特点，在医疗康复与智能交互等领域展现出广泛应用潜力。然而，其实际性能仍受限于两个关键瓶颈：其一，脑电信号等非侵入式神经信号极易受到生理噪声以及环境电磁干扰的影响，导致信噪比较低；其二，传统刚性电极难以与曲面头皮实现良好贴合，在长时间佩戴过程中易因运动伪影或接触阻抗波动造成信号不稳定，甚至严重衰减。为攻克这些难题，将柔性传感平台与先进的深度学习解码方法相结合，有望提升非侵入式脑机接口的整体性能。
内容简介
南京邮电大学、南京大学余林蔚教授团队联合南京中医药大学、南京大学申翼教授团队，系统分析了非侵入式脑机接口的发展现状，并展望了其应用前景。近年来，深度学习技术的快速发展显著提升了神经信号解码的准确性与鲁棒性；与此同时，柔性电极设计亦取得重要突破—通过引入柔性/可拉伸材料(如纳米结构导体)及先进微纳制造工艺，显著增强了器件的可穿戴性、皮肤共形贴合能力以及长期运行稳定性。尽管如此，当前非侵入式BCI系统在跨被试泛化能力、长期使用可靠性以及复杂现实环境中的操作鲁棒性等方面仍面临显著挑战，仍需通过多维度协同优化与大规模验证加以解决。本文系统梳理了过去十年间神经解码算法与柔性生物电子传感平台的关键进展，重点总结了高性能非侵入式BCI系统在器件设计、材料创新与系统集成等方面的核心原则与代表性成果。文章进一步探讨了多模态神经数据融合、软硬件协同优化以及闭环反馈控制等前沿方向的战略意义，并深入剖析了该技术在临床神经康复、智能人机交互及工业级转化中的应用潜力与关键工程瓶颈。本文旨在为推动非侵入式脑机接口向高可靠性、实用化与规模化部署提供理论支撑、技术路径参考与未来发展方向指引。
图文导读
I 柔性生物电子与神经解码驱动的非侵入式脑机接口前沿集成
全文结构安排如下：第1节为引言，概述非侵入式脑机接口的研究背景、核心挑战与发展动向；第2节系统回顾神经信号解码领域的关键进展，涵盖多模态刺激范式、多模态神经信号采集技术，以及深度学习驱动的动态神经解码方法与闭环控制策略的重要意义；第3节重点探讨柔性生物电子学的技术创新，包括导电薄膜与皮肤界面的优化机制、基于纳米线的器件微型化策略、可穿戴系统的多物理场耦合设计，以及面向深度学习架构的软硬件协同优化最新进展；第4节聚焦当前面临的关键技术瓶颈与未来发展方向，着重讨论多模态神经传感融合、自适应闭环系统鲁棒性的增强，以及面向规模化应用的可扩展临床转化路径构建。
图1. 非侵入式脑机接口：神经信号解码与柔性生物电子集成领域的前沿交汇。
II 增强神经解码的多模态刺激范式
近年来，非侵入式脑机接口研究日益聚焦于多模态范式的融合，以显著提升系统整体性能。此类性能提升主要依托先进的多模态融合算法，通过有效整合视觉、听觉、触觉等多感官通道的信息，从而增强神经信号解码的准确性与鲁棒性。例如基于流形几何(Manifold Geometry)的信号分析方法、采用共空间模式(Common Spatial Patterns, CSP)的特征提取技术，以及融合源成像先验知识的信号校准策略。这些方法代表了多模态集成的初步探索，已在一定程度上有效提升了分类性能。面向未来，为应对多模态融合中的关键技术挑战，发展新一代深度学习架构将成为关键突破口。其中，适用于多模态神经信号分析的Transformer网络、高阶特征交互融合机制，及基于跨模态对齐(cross-modal alignment)的自适应学习算法，有望在提升解码精度、泛化能力与系统鲁棒性方面发挥核心作用。
图2. 用于神经信号解码的多模态刺激范式的示意图。
III 多模态信号采集的技术与系统设计
脑电图(electroencephalography, EEG)因其高时间分辨率和非侵入式，仍是非侵入式BCI信号采集的基础方法。然而，EEG易受伪迹干扰且空间分辨率有限，这促使研究者日益关注多模态神经成像技术的融合。近期研究将EEG与互补模态相结合：功能性近红外光谱(fNIRS)可提供血流动力学信息，而脑磁图(MEG)则能提升时空分辨率。此类融合有效缓解了非侵入式系统中时间分辨率与空间分辨率之间的矛盾。为应对多模态系统的工程挑战，研究者采用贝叶斯框架与先进算法优化EEG源成像，通过引入空间先验信息提升源定位精度。针对不同模态传感器间的相互电磁干扰问题，除采用电磁屏蔽技术外，还需集成针对特定噪声特征的信号处理滤波器。在在线或闭环系统中，信号传输、处理及执行器响应所固有的相位延迟不可忽视—此类延迟直接影响闭环干预的时效性与有效性。为补偿此类延迟，仍需开发先进的信号处理与预测算法，以优化流程效率并降低计算复杂度。此外，因多系统采样率差异导致的时序抖动与时间同步误差问题，需通过硬件同步精度提升与软件协调机制优化的系统级协同设计来解决。
图3. 多模态信号采集示意图。
IV 单模型深度学习算法解码神经信号
深度学习模型已成为解码非侵入式神经信号的关键方法，有效解决了时频复杂性、个体差异性以及数据稀缺性等技术难题。尽管近年来深度学习在提升非侵入式BCI解码性能方面取得显著进展，但其实际应用仍面临三大核心挑战：模型鲁棒性不足、跨场景泛化能力有限以及实时性与计算效率的矛盾。这些问题直接制约了BCI技术从实验室环境向真实应用场景的转化。因此，越来越多的研究开始主动模拟真实条件，通过引入可控干扰(如噪声干扰、电极配置变化)来探究算法性能极限，从而明确其在实际场景中的适用边界。 
图4. 单模型深度学习架构示意图。
图5. 单模型深度学习架构示意图。
V 混合深度学习模型解码神经信号
尽管单模型解码方法目前应用广泛，但其泛化能力往往受限，尤其在面对复杂、真实场景下的数据时表现不足。相比之下，混合架构通过融合空间、时间与时频多维表征，已成为一种极具前景的解决方案。此类模型有效缓解了受试者间差异与信号非平稳性等关键挑战，为运动意图识别，神经语言解码及多模态交互控制等领域的鲁棒性提升提供了方法。未来研究也可引入领域自适应方法，以提升模型在不同设备间的兼容性；同时，构建系统的性能退化曲线，有助于更清晰地界定算法的运行边界，从而更有效地应对跨受试者泛化能力不足与真实环境鲁棒性弱等核心问题。
图6. 多模型深度学习架构示意图。
VI 面向实时、异步与共享的非侵入式脑机接口系统和人工智能赋能的人机协同的自适应系统
当前，脑机接口研究正向“闭环、自适应”架构演进，聚焦增强实时解码能力、改进异步检测与优化共享控制策略。这一转变的核心是人工智能驱动的闭环人机交互架构，其通过“感知-解码-应用”的动态机制，推动系统向人机共适应方向演进。尽管进展显著，多数系统仍存在一个关键瓶颈：缺乏对长时间、多日连续使用下稳定性的系统性评估。具体表现在未能量化误报与漏报的累积风险，难以基于完整数据分布明确人机协同边界，以及缺少对控制参数长期影响的深入分析。未来突破不仅需要更优算法，更需构建支持情境感知、持续学习与跨平台一体化的智能生态系统。这将是推动非侵入BCI从实验室走向实际应用的关键。
图7. 实时、异步与共享式非侵入式BCI示意图。
图8. 人工智能驱动的人机共适应系统示意图。
VII 柔性生物电子学在无创脑机接口中的集成
非侵入式脑机接口的长期可穿戴性面临核心挑战：如何维持脑电信号采集的稳定性。关键在于降低电极与皮肤间的接触阻抗，这要求电极兼具高导电性与共形贴合能力。柔性电极因能紧密贴合皮肤，已逐步取代传统刚性电极，在提升信号质量与佩戴舒适度的同时，为长期监测提供了可能。实现高性能柔性电极主要依靠材料创新：一是使用本征导电的有机半导体薄膜，二是将导电纳米材料复合于柔性基底中。纳米材料因其独特的电学与力学特性成为理想选择。以一维纳米线为例，其高纵横比结构赋予电极出色的机械柔韧性和弯曲稳定性，同时能显著提升导电性，有助于降低接触阻抗、提高信噪比。此外，电极的机械稳定性对于长期使用至关重要。纳米材料的亚微米尺寸使其具备优异的耐久性，在反复形变下仍能保持性能，从而抑制因材料疲劳或运动引起的接触不稳定与信号伪影。综上，材料创新是推动非侵入式脑机接口发展的关键，纳米材料为实现稳定、长效的柔性传感提供了极具前景的解决方案。
图9. 柔性导电薄膜性能的示意图。
图10. 一维纳米线结构与性能的示意图。
图11. 一维硅纳米线(SiNW)结构与性能的示意图。
图12. 零维材料在BCI中的应用示意图。
VIII 可穿戴柔性设备：设计原则与功能集成
随着非侵入式BCI技术的深入发展，可穿戴柔性电子设备已成为突破性研究方向。此类设备的核心价值在于实现先进生物电子系统与用户友好型应用的无缝衔接，其设计需精准平衡机械柔性、生物相容性与信号保真度三大关键要素—确保设备在舒适贴合人体的同时，长期保持高性能稳定运行。柔性生物电子技术的突破性进展，正为实时动态监测与生物系统的无缝交互奠定坚实基础，显著推动非侵入式BCI从实验室走向实际应用。
图13. 可穿戴柔性设备：设计原理。
图14. 可穿戴柔性设备：功能集成。
IX 柔性电子与深度学习融合：推动非侵入式BCI的突破
近年来，非侵入式BCI的性能提升得益于柔性生物电子器件与深度学习解码算法的协同设计。具体来说，柔性电极通过优化器件与皮肤的接触界面、抑制运动伪影，能够采集到更稳定、更高信噪比的原始信号，为后续解码提供高保真信号输入。在此基础上，深度学习等先进算法不仅相较传统算法显著提升了神经信号解码性能，还可主动补偿硬件端中难以避免的残余噪声和个体差异引起的信号不确定性。这种“硬件筑基、算法协同”的融合模式，正逐步形成软硬协同、相互增强的良性循环，持续拓展非侵入式脑机接口的性能边界。 
图15. 柔性电子与深度学习的融合推动先进非侵入式BCI发展。
X 总结
随着非侵入式脑机接口技术从实验室研究向临床康复、神经调控和日常辅助等实际应用的推进，其发展凸显了神经科学、人工智能与柔性生物电子技术的深度融合。通过神经解码算法的系统性进步与柔性材料的创新，我们正逐步将高精度神经监测与解码技术整合到日常生活、临床诊断与治疗干预中。然而，实现真正可持续、可普及且具有临床价值的应用仍面临一系列挑战，这些挑战根植于神经信号的固有特性、动态人机交互的约束，以及长期使用环境的复杂性。为应对这些挑战，需要在信号采集、算法建模、硬件架构、闭环控制策略和评估框架等多个维度实现系统性突破。这也需多学科协作与整体优化，涵盖技术创新、严格监管、成本效益分析与用户体验提升。同时，建立覆盖信号采集到最终用户反馈的端到端评估体系，是验证多样化软硬件配置有效性与可靠性的关键，也将成为未来BCI技术发展的焦点。
致谢
该工作由南京邮电大学电子与光学工程学院、柔性电子(未来技术)学院王胜老师(2022.12-2025.07受聘于苏州大学未来科学工程学院，并于2025年7月加入南京邮电大学电光学院)和南京中医药大学宋晓彬同学为论文共同第一作者。通讯作者为王胜，南京大学电子科学与工程学院副研究员宋晓攀和余林蔚教授以及南京大学医学院申翼教授。该工作的开展得到了南京大学陈坤基教授，徐骏教授，王军转教授、丛壮壮教授的支持，受到国家重点研发计划、国家自然科学基金青年基金、江苏省自然科学基金青年基金、江苏省卓越博士后、中国博士后特别资助、中国博士后面上项目等多项基金的大力资助，在此一并表示衷心的感谢！
作者简介
关于我们
如果文章对您有帮助，可以与别人分享！：Nano-Micro Letters » 南京大学余林蔚等综述：解码大脑，柔性互联，非侵入式脑机接口的技术融合与展望
徐卫林院士、万骏&港中文龙祎等: 中红外透明材料的结构主导机制与光子能量调控
西工大马晓燕等：仿生纳米纤维管束复合膜用于高效离子传输与稳定全固态锂电池
华师大施国跃、张闽等：模块化智能微针平台开启机器学习驱动的个性化健康监测新时代
徐卫林院士&陈凤翔等综述：无机高性能纤维基电磁屏蔽材料—从界面调控到多功能集成