用于预测和塑造闭环共适应神经接口中人机交互的计算框架

教会机器与我们一起学习

随着脑—机接口和先进假肢从实验室走向日常生活，一个核心问题出现：我们如何设计出能在我们学习使用它们的同时也向我们学习的设备？本研究通过构建一个数学与实验相结合的框架来应对这一挑战，提出了“共适应”神经接口的概念——在这种系统中，使用者和解码算法相互持续调整，使得控制感受随着时间推移变得更平滑、更自然、更可靠。

一种新型的人机合作关系

许多神经接口通过将高维生物信号（如肌肉或大脑活动）转换为能移动光标或机器人肢体的简单命令来工作。传统上，设计者要么优化人的一侧（训练使用者适应固定解码器），要么优化机器一侧（让解码器更新，同时假设使用者基本不变）。但现实中，两者都在不断学习。这样的双学习者设置可以解锁更高的性能和个性化，但也更难设计：如果算法适应得太快或方式不当，可能会让使用者困惑而非受益。作者将控制论与博弈论的工具结合起来，用以描述、预测并最终塑造这些交织的学习过程。

为共适应接口搭建安全的测试平台

为在受控条件下研究这些动态，研究人员构建了一个非侵入性的肌电接口。14名志愿者在其主用前臂上戴着一个64电极阵列。他们的肌电活动驱动屏幕上的计算机光标去追踪一个游走的目标。系统内部，解码器将肌电信号转换为光标速度，并每20秒基于最近表现进行一次更新。在每人16个每次5分钟的试次中，团队系统性地改变了解码器的学习速度、对大信号增益的惩罚强度（即“努力”成本）以及解码器的初始化方式。通过同时考察行为和肌肉模式，他们确认使用者并非仅仅等待算法改进；相反，使用者在试次内及跨试次积极改变肌肉使用方式，形成了真正的共适应人机循环。

用控制理论洞察环路内部

下一步是把这种复杂的互动转化为可测量和检验的模型。借助控制理论的思想，作者估计出每位使用者策略的紧凑数学描述——一个将目标与光标信息映射到肌电活动模式的“编码器”。该编码器可以分解为预测性的前馈部分和用于修正的反馈部分。将估计出的编码器与已知的解码器结合，团队得以评估整个系统是否朝着准确且稳定控制的方向发展。他们发现，随着时间推移，用户—解码器组合倾向于接近预测可实现良好追踪与稳定性的数值，尽管使用者和解码器都不会完全停止变化。使用者还显示出更长期学习的迹象：随着熟练度提高，他们的肌肉映射在试次间的变化减少。

博弈论揭示学习规则如何塑造行为

为了超越描述并实际预测设计选择如何影响共适应，作者转向博弈论——研究多个决策者在各自试图最小化代价时如何相互作用。他们将使用者与解码器建模为两个“玩家”，两者都关注减少追踪误差，但同时也要为努力付出代价——对使用者而言是肌肉激活的代价，对解码器而言是较大增益的代价。在此框架下，联合系统可根据学习率、努力惩罚和初始条件定居于若干稳定状态或驻点之一。模型给出了具体预测：解码器的学习率会强烈影响系统收敛的速度与质量；调整解码器的努力惩罚会改变使用者需投入的努力量而不必然改变精度；初始解码器设置则可能微妙地偏向使用者最终采用的策略。

检验算法如何引导人类学习

实验证实了这些预测。当解码器学习较慢时，使用者在单次试次内的改进更多，联合编码器—解码器对更接近理论上理想的、能实现准确与稳定光标控制的状态。当解码器适应得太快时，表现会变差，使用者改变肌肉策略的程度减少，表明机器变化比人们能跟上的速度更快。改变解码器的努力惩罚则提供了另一个调节手段：较高的惩罚促使解码器减小自身工作强度，这反过来导致许多使用者为了保持精度而增加自身肌肉努力。有趣的是，参与者在平衡努力与光标速度方面存在差异——有些人选择付出更多努力以保持光标更快，有些人则接受较慢的移动以节省努力——这暗示未来的接口可以个性化地适应个人偏好。

这对未来神经接口意味着什么

简而言之，这项工作表明嵌入在神经接口算法中的训练规则不仅仅是在清理噪声信号；它们还积极塑造人们学习使用设备的方式。通过将严格建模与人体实验结合，作者提供了一套工具，可用于以原理化而非试错的方式选择解码器的学习率、努力惩罚与初始化方案。他们的框架可指导下一代假肢、康复工具和脑—机接口的设计，使这些设备不仅更准确，而且更稳定、舒适，并能根据每位使用者的学习风格进行个性化调整。

引用: Madduri, M.M., Yamagami, M., Li, S.J. et al. Computational framework to predict and shape human–machine interactions in closed-loop, co-adaptive neural interfaces. Nat Mach Intell 8, 372–387 (2026). https://doi.org/10.1038/s42256-026-01194-z

关键词: 神经接口, 人机交互, 共适应控制, 肌电光标控制, 脑机接口设计