Nature Portfolio（Brain–machine interface）·· 2026-07-15精选AI 评分68
卡内基梅隆大学 Bin He 团队提出感觉引导人机联合学习框架，加速运动想象脑机接口控制习得
Sensory-guided human-machine joint learning accelerates the acquisition of motor imagery brain computer interface control
AI 导读
卡内基梅隆大学 Bin He 团队在 31 名健康受试者中开展六次纵向分组实验，提出感觉引导的人机联合学习框架，将腕部振动触觉刺激与解码器样本重加权同步结合。联合学习组在一维混合任务中在线准确率峰值达 77.5%，二维任务为 66.9%，学习增益 19.0%，高于触觉对照组 6.3% 和 BCI2000 对照组 3.0%。
AI 要点
团队
卡内基梅隆大学生物医学工程系 Bin He 团队，第一作者 Hanwen Wang，共 5 位作者；属于长期专攻脑机接口、与医院有长期临床合作的团队。
主要结果
提出首个感觉引导的人机联合学习框架，让用户与解码器同时自适应，加速运动想象脑机接口控制的习得并提升系统表现。
解决什么问题
现有运动想象脑机接口训练慢、个体差异大，反馈多为预设单向、不随个体学习轨迹调整，人机学习动态不匹配。
方法
非侵入式 EEG 运动想象范式，在统一学习回路中协调用户侧适应与解码器优化，并引入感觉引导反馈。
局限
从研究设计看，原文摘要未给出受试者规模与对照设置，效果需完整数据验证。
AI 依据原文整理，未经人工核对。
AI 推荐理由
31 名健康受试者的分组对照显示，触觉引导与解码器同步更新结合后，运动想象脑机接口的学习增益明显高于单独触觉反馈或固定解码器。
来源：Nature Portfolio（Brain–machine interface） · nature.com