脑机接口技术近年来发展迅速，尤其在运动功能替代与康复领域展现出巨大潜力。尽管侵入式BCI可实现高精度控制，但其手术风险与长期维护限制了广泛应用。相较之下，非侵入式EEG-BCI因其安全、便携与低成本优势，成为研究热点。然而，现有系统多采用非直观映射（如想象左手控制右手动作），且控制精度仅停留在关节或肌群层面，难以实现精细的手指级控制。此外，EEG信号本身存在空间分辨率低、信噪比差等问题，使得单指动作解码成为技术瓶颈。本研究正是针对这一空白，探索是否可通过深度学习与自然映射机制，实现对同一手不同手指运动的精准实时控制。

本研究围绕“非侵入式EEG-BCI系统能否实现单指级实时控制”这一核心问题展开，通过多阶段实验设计，系统评估了模型性能、神经机制与用户适应性。实验共招募21名具备BCI经验的右利手健康成年人，完成离线训练、在线控制与模型微调任务，重点考察2指（拇指 vs 小指）与3指（拇指、食指、小指）分类的解码准确率、稳定性与神经表征特征。

图1：实验流程及概述（图片来自原文）

结果显示，仅需一轮在线训练与模型微调，21名受试者便可在非侵入式EEG-BCI系统中完成双指运动想象/执行控制，平均准确率达到80.56%/81.10%，三指任务亦稳定在60%以上，且系统延迟仅1秒，逼近半侵入及侵入式接口水平，首次在非手术条件下实现精细单指控制。

图2：在线响应结果（图片来自原文）

实验采用“前半段在线微调”机制，利用当日数据即时优化EEGNet-8.2，三指分类准确率较基线提升约15%；辅以“在线平滑”算法整合历史输出，标签跳变减少三成以上，既保持准确率又显著提升机器人动作流畅度，受试者主观匹配度大幅提高。

图3：分类准确率结果（图片来自原文）

深度学习自动提取脑电层次特征，alpha频段ERD集中于左侧感觉运动皮层“手结区”，成为解码核心；仅用感觉运动区通道即可媲美全头皮信号，模型同时整合分布式网络活动，增强鲁棒性，为低成本、便携化家用康复设备奠定理论与工程基础。

图4：多个频段下ERD脑地形图结果（图片来自原文）

研究意义

本研究首次在非侵入式BCI系统中实现了单指级、自然映射、实时控制，突破了传统EEG-BCI在精度与直观性上的双重瓶颈。其结果不仅为脑卒中后上肢精细功能障碍的康复干预提供了新范式，也为非侵入式假肢控制、神经反馈训练及日常辅助设备开发提供了技术基础。尽管当前系统尚未实现四指独立控制，但研究已明确展示深度学习、模型微调与神经机制整合在提升BCI性能中的关键作用。未来，结合高分辨率神经成像技术、扩展至普通人群及构建真实场景任务，将进一步推动该技术走向临床应用与家庭普及。