PsyBrain 脑心前沿 / 脑机接口：当神经科学与机器相连 / A · 专题深度 / A012 · 耶鲁最新NN：为什么脑机接口这么难学？大脑的“内在流形”

A012 耶鲁最新NN：为什么脑机接口这么难学？大脑的“内在流形”给出了答案

来源：公众号 PSY-Brain_Frontier ｜发布：2026-06-13 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Human learning of noninvasive brain–computer interfaces via manifold geometry

发表时间: 2026-06-09

发表期刊: Nature Neuroscience

影响因子: 20.0

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

研究背景

脑机接口（BCI）技术为恢复和增强人类能力提供了巨大潜力，但其广泛应用一直面临一个顽固的瓶颈：用户学习速度太慢，且个体差异极大。无论是侵入式还是非侵入式 BCI，许多用户都需要经历漫长且令人沮丧的校准和训练过程，甚至有三分之一的用户最终也无法学会有效控制脑机接口（即所谓的“非响应者”）。

为什么大脑学习控制外部设备这么困难？近年来的动物研究提供了一条重要线索：大脑的神经活动并不是在所有维度上自由变化的，而是受限于一个低维的“内在流形”（intrinsic manifold）。如果要求大脑生成符合其天然活动规律（流形内）的神经状态，学习就会很快；反之，如果要求大脑生成违背其天然规律（流形外）的状态，学习就会极其困难。

然而，这一规律是否适用于人类？是否适用于运动皮层之外的高阶认知脑区？为了回答这些问题，研究者利用闭环实时功能磁共振成像（rt-fMRI）技术，让参与者通过调节自身大脑中负责空间导航的脑区活动，来控制虚拟现实游戏中的角色。这项研究试图验证：如果我们顺应人类大脑活动的“内在流形”来设计 BCI 映射，是否能从根本上加速脑机接口的学习？

研究核心总结

为了在非侵入式、高噪声的 fMRI 数据中捕捉大脑的内在流形，研究者没有使用传统的线性降维方法（如 PCA），而是采用了一种基于数据扩散的非线性流形学习算法（T-PHATE），并结合流形正则化自编码器（MRAE）实现了实时的脑状态解码与反馈。

一、非线性流形学习能更精准地解码高阶认知状态

研究者首先让参与者使用物理摇杆在虚拟竞技场中导航，同时记录他们导航网络脑区的 fMRI 活动。通过 T-PHATE 算法提取的低维流形，不仅在视觉上清晰地聚类了不同的空间位置，而且在定量分析上，比原始体素空间或线性 PCA 降维保留了更丰富的任务相关信息。基于 T-PHATE 流形的线性模型能够更准确地解码虚拟角色的空间坐标，并且其表征几何结构与游戏竞技场的真实空间几何高度吻合。

Fig 1. T-PHATE 算法提取的神经流形结构，不仅能清晰映射虚拟竞技场的空间位置，还能显著提升对空间导航坐标的解码精度。

二、大脑只能“顺势而为”：流形内扰动可学，流形外扰动不可学

在随后的神经反馈训练中，研究者切断了物理摇杆，要求参与者纯粹依靠大脑活动来控制角色走向目标。研究者设计了三种不同的 BCI 映射规则：

直观映射（IM）：沿着内在流形上解释方差最大的方向。
流形内扰动（WMP）：沿着流形上另一个解释方差较大、但不同于 IM 的方向。
流形外扰动（OMP）：沿着流形上解释方差最小的方向。

结果显示，参与者能够非常迅速地掌握直观映射（IM）。更关键的是，当映射规则发生改变时，只要新的规则仍然处于大脑的内在流形之内（WMP），参与者就能在单次训练中成功调整并重新获得控制权。然而，当映射规则要求大脑生成流形之外的活动模式（OMP）时，参与者在相同的训练时间内完全无法学会控制。

Fig 2. 实时流形扩展与神经反馈系统示意图。MRAE 模型将实时采集的大脑活动映射到预先计算的流形上，并根据不同的流形成分（直观、流形内、流形外）转化为游戏角色的移动角度。

Fig 3. 学习曲线表明，参与者能够快速学会控制直观映射（IM）和流形内扰动（WMP），但对流形外扰动（OMP）的学习完全失败。

三、BCI 学习的神经机制：神经活动的重新对齐与全脑重塑

参与者究竟是如何学会控制流形内扰动（WMP）的？分析表明，成功的 BCI 学习伴随着“神经重新对齐”（neural realignment）。也就是说，在训练过程中，参与者大脑活动在被训练的那个特定流形方向上所占的方差比例显著增加。这种重新对齐仅发生在 IM 和 WMP 训练中，且变化量直接预测了参与者对 BCI 控制能力的提升幅度。

此外，探索性的全脑探照灯分析发现，在成功学习流形内扰动（WMP）后，大脑对任务信息的解码能力在全脑范围内得到了提升，尤其是涵盖了初级运动皮层和体感皮层等区域。这说明，在高阶认知脑区学习新的流形内映射，不仅改变了目标脑区的局部活动规律，还引发了广泛的皮层网络重塑。

Fig 4. 神经重新对齐机制。在成功的 BCI 学习中，大脑活动在目标流形成分上的解释方差比例（PEV）显著增加，且这种神经层面的变化与行为控制能力的提升高度相关。

研究意义

这项研究将“神经流形约束学习”的理论从非人灵长类动物的运动皮层，成功扩展到了人类的高阶认知网络。它不仅证明了大脑在面对复杂认知任务时，依然遵循着“顺应内在流形则易，违背内在流形则难”的底层规律，还为非侵入式脑机接口的开发提供了重要的方法学启示。

在应用层面，这项工作表明，未来的 BCI 系统不应再盲目地要求用户去适应机器，而应首先通过先进的非线性流形学习算法（如 T-PHATE）“摸清”用户大脑的天然活动空间，随后将控制指令映射到这些大脑最容易生成的流形维度上。这种顺势而为的策略，有望大幅缩短 BCI 的校准与训练时间，降低“非响应者”的比例，从而推动脑机接口技术在神经康复和认知增强领域的真正普及。

分享人：饭鸽儿

审核：PsyBrain 脑心前沿编辑部

💡 关于我们

👋 你好，这里是「PsyBrain 脑心前沿」

🧠 专注追踪全球认知神经科学的最尖端突破

🔍 视野直击 Nature, Science, Cell 正刊及核心子刊与顶级大刊

📄 每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

👇点击卡片进群，欢迎你的到来👇