PsyBrain 脑心前沿 / 脑机接口：当神经科学与机器相连 / A · 专题深度 / A016 · ScienceAdvances脑机接口从二维进入三维，猕

A016 Science Advances | 脑机接口从二维进入三维，猕猴在VR中用脑导航

来源：公众号 PSY-Brain_Frontier ｜发布：2026-04-21 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Intracortical brain-computer interface for navigation in virtual reality in macaque monkeys

发表时间: 2026-04-15

发表期刊:Science Advances

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

引言

过去十多年里，脑机接口（brain-computer interface, BCI）已经在多个方向证明了自身潜力：它可以控制屏幕光标、驱动机械臂、支持交流，甚至帮助恢复部分运动功能。但如果把问题从实验室演示推进到真实生活，难度会立刻升级。现实中的移动控制不是把一个点送到固定目标那么简单，而是在连续变化的空间里不断修正方向、适应视角变化、绕开障碍，并在目标突然变化时迅速调整策略。对于重度瘫痪者而言，这类能力比“会不会点光标”更接近真正有用的辅助功能，例如轮椅导航或复杂环境中的自主移动。

这篇发表于《Science Advances》的研究正是瞄准这一空白。作者开发了一套皮层内脑机接口（intracortical BCI, iBCI），同时读取猕猴初级运动皮层（M1）、背侧前运动皮层（PMd）和腹侧前运动皮层（PMv）的神经活动，在带有立体视觉和动态摄像机追踪的三维虚拟现实（virtual reality, VR）环境中，实时解码连续速度，控制球体或化身完成导航。与许多依赖主动动作训练、频繁校准或任务专用解码器的既往工作不同，这项研究特别强调接近瘫痪患者使用情境：解码器只用一次约7分钟的被动观察阶段建立，在线控制时尽量不重训，转而检验固定解码器在多种任务中的泛化能力，以及动物是否能通过闭环反馈逐步适应系统。论文因此不仅在问“能否控制”，还在问“能否在复杂、动态、不可预测的环境里持续而灵活地控制”。

实验设计与方法逻辑

研究在3只雄性恒河猴中进行，植入Utah阵列记录M1、PMd和PMv活动。每次实验采用统一三阶段流程：先进行被动注视，由Unity系统自动控制虚拟物体运动；再将这一阶段的神经活动与对应速度信号用于训练解码器；最后进入在线解码，由神经信号实时控制VR中的球体或猴子化身。解码器基于PSID框架的在线闭环扩展，并结合非线性回归，以50毫秒时间窗输出连续速度。

核心发现

发现一：固定解码器已足以支撑多类VR导航，且整体表现显著高于随机水平

论文首先证明，这套系统并非只能完成简化控制，而是能在多种导航任务中稳定工作。Figure 1A、1B与Table 1显示，三只猕猴在二维Center-Out和Continuous Navigation任务中，从记录早期就显著高于机会水平，个别会话成功率最高达96%。其中Continuous Navigation普遍比Center-Out低4%到13%，与动态摄像机追踪带来的额外难度一致。

Figure 1. BCI control performance and flexibility across tasks and conditions

发现二：短时被动观察训练出的解码器，具备跨任务、跨目标、跨环境与跨视角泛化能力

这项工作的一个关键价值，不在于为每个任务分别训练解码器，而在于用一个短时被动观察得到的固定模型，去应对多种在线场景。论文在Figure 1D、1E以及Table 1中展示，同一个解码器可直接用于Center-Out、Respawn和Obstacle等不同任务，无需重新校准或重训练。补充图fig. S3进一步说明，它不仅适用于训练中出现过的左、中、右目标，对未纳入训练的新目标位置也能保持与预训练目标相当、甚至更高的成功率。

发现三：前运动皮层，尤其PMv与PMd组合，对解码贡献更突出，且真实闭环在线表现优于离线回放

为了回答“哪些脑区最关键”，作者在具备三个脑区有效放电的两只猴中做了离线比较。Figure 2A、2B显示，在Center-Out和Continuous Navigation任务里，PMv和PMd单独使用时总体优于M1，而PMv+PMd组合通常是表现最好的双区配置，并在多项比较中显著优于包含M1的其他组合。Figure 2C则进一步给出另一个重要信息：无论是PMv+PMd、全脑区“All”，还是使用全部通道的“Online Simulation”，其离线表现都持续低于真实在线闭环表现。

Figure 2. Offline decoding performance across cortical regions and configurations, compared to both offline simulation and actual closed-loop online perfor-mance

发现四：轨迹层面的方向修正与低肌电、低眼动相关性，共同支持解码主要反映神经控制

成功率只能说明“是否到达”，还不能说明控制是否连续、灵活且具有任务针对性。Figure 3因此很重要：它展示了猴子究竟“怎么到达”。在3D Center-Out中，Figure 3A显示上下目标对应的终点坐标分布显著分离，说明第三维控制并非随机波动。Respawn任务中，Figure 3B、3C显示目标改变后轨迹会重新转向，平均反应时间为Monkey 2的661毫秒、Monkey 3的1058毫秒。

Figure 3. Trajectory analysis of the three supplementary tasks for Monkeys 2 and 3

图10

Figure 4. Implantation site and experimental setup

图11

归纳总结和点评

这项研究最突出的贡献，不是把经典脑机接口任务做得更复杂一点，而是把“脑控”从二维、静态、任务专用的实验场景推进到更接近真实移动需求的三维、连续、动态闭环环境中：用短时被动观察训练出的固定解码器，支持猕猴完成导航、目标突变修正、避障以及跨环境和跨视角控制，并进一步用脑区分析、轨迹证据和在线优于离线的结果，补足了其工作机制上的说服力。尤其值得注意的是，前运动皮层在这类导航式控制中的突出作用，以及闭环互动和神经适应对性能的决定性意义，这为面向瘫痪患者的导航式iBCI提供了明确的方法学启发。不过，论文的边界同样清楚：研究对象仍是3只猕猴，任务发生在作者设计的VR框架内，泛化也主要限于连续速度控制这一类相近行为，因此距离长期、家庭化、临床级应用，还需要进一步验证系统稳定性、安全性和更广泛环境中的泛化上限。

···

图12