PsyBrain 脑心前沿 / 前沿分析课程：把前沿解读方法论变成系统的学习路径 / A · 学习路径 / A007 · PsyBrain培训脑机接口神经信号实战课——侵入式电生

A007 PsyBrain培训 | 脑机接口神经信号实战课——侵入式电生理与神经解码（7.27-8.2线上）

来源：公众号 PSY-Brain_Frontier ｜发布：2026-06-05 ｜原文链接

课程背景

侵入式脑机接口（Brain-Computer Interface, BCI）是当前神经工程、运动功能重建、神经康复和临床转化研究中的重要方向。与非侵入式信号相比，侵入式电生理可以记录更高时空分辨率的神经活动，为理解运动意图、感觉反馈、群体神经编码和实时解码控制提供了关键数据基础。

然而，真正的侵入式 BCI 研究并不是简单地把神经信号交给一个算法。一个可复现、可解释、可迁移的 BCI pipeline，往往同时取决于实验范式、动物训练、行为变量、采集系统、信号质量、事件对齐、特征工程、模型选择和性能评价。任何一个环节出现问题，都可能导致模型看似有效，但实际无法解释或无法迁移。

在传统电生理分析中，研究者常常关注 raster、PSTH、调谐曲线和单个神经元活动差异。这些分析非常重要，但如果研究目标是 BCI，还需要进一步回答：哪些神经特征可以用于控制？如何把 spike 或 LFP 转换成模型输入？如何从神经活动预测运动方向、速度或轨迹？如何判断 decoder 的效果是真实可用，而不是数据泄漏或过拟合？

本课程将以猕猴运动控制和侵入式 BCI 为核心场景，系统讲授从实验范式到神经信号处理、从公开数据读取到特征矩阵构建、从编码分析到解码模型评估的完整流程。课程会结合真实或公开猕猴电生理数据，帮助学员建立一套从“神经信号”到“运动解码”的实战框架。

课程目标不是让学员只记住 spike、LFP 或某个算法名称，而是让学员理解侵入式 BCI 的工作流：任务如何设计，数据如何采集，信号如何清洗，事件如何对齐，特征如何构建，模型如何验证，结果如何解释，以及这些流程如何迁移到自己的动物实验或临床研究中。

培训对象

本课程主要面向希望进入侵入式 BCI、灵长类电生理、运动皮层解码、神经工程、神经调控和计算神经科学研究的老师、研究生、医生和科研人员。

尤其适合以下几类学员：

正在或计划开展猕猴、啮齿类或人类侵入式电生理研究，但不清楚如何从原始神经信号走向 BCI 解码的研究者。
希望理解 spike、LFP、Utah array、M1、PMd、S1、事件对齐和运动解码的心理学、神经科学和医学背景学员。
已有电生理或行为数据，但目前分析停留在 raster、PSTH 或描述性指标层面，希望进一步建立解码模型的研究者。
正在进行运动控制、运动康复、神经假肢、神经反馈、脑控设备或临床 BCI 相关研究的学生和医生。
希望从“会看神经信号”进一步走向“能够构建特征矩阵、训练 decoder 并评价模型表现”的学习者。

点击底部 “阅读原文”，参与活动

课程说明

1.从 BCI pipeline 出发，而不是从单个算法出发

本课程不会把侵入式 BCI 简化为“训练一个模型”。课程会从完整研究流程出发，帮助学员理解实验范式、神经信号、行为变量和解码算法之间的关系。学员将看到一个 decoder 的性能，不仅取决于模型，也取决于任务设计、信号质量和时间对齐。

2.强调从实验范式到数据结构的完整理解

课程会讲解 center-out、reaching、reach-to-grasp 等猕猴运动任务，帮助学员理解 trial、target、hold、go cue、movement onset 和 reward 等事件如何组织行为数据。学员将学习如何把行为轨迹、任务事件和神经活动放到同一条时间轴上，这是 BCI 数据分析中最容易被低估、但最关键的步骤之一。

3.兼顾 spike、LFP 与群体神经活动分析

课程将介绍 spike、threshold crossing、LFP、多通道信号和通道质量控制的基本概念。学员会学习如何绘制 raster、PSTH、发放率曲线、调谐曲线和群体活动特征，并理解这些结果如何服务于后续解码分析。

4.完整代码和示例数据，完成从读取到解码的实操

课程将配套提供可运行的 Python/Jupyter Notebook 和示例数据，带领学员完成数据读取、事件对齐、行为轨迹可视化、spike binning、平滑、特征矩阵构建、训练测试划分、线性解码和模型评价。代码讲解会重点说明每一步输入、输出、参数含义和常见错误。

5.重视模型评价和审稿中常见问题

侵入式 BCI 解码研究中常见问题包括训练测试划分不合理、时间泄漏、过拟合、只报告漂亮轨迹、不报告稳定指标、忽略跨 trial 或跨 session 泛化。本课程会讲解如何使用 R2、MSE、相关系数、交叉验证和可视化结果评估模型，并提醒学员如何避免常见分析陷阱。

6.面向科研迁移与课题落地

课程最终目标是帮助学员把公开数据上的 pipeline 迁移到自己的研究中。课程会讨论不同数据格式、不同采样率、不同任务事件、不同脑区和不同解码目标下，哪些代码可以复用，哪些部分必须根据实验重新设计。