脑机接口（BCI）技术通过直接连接大脑与外部设备，为神经康复、人机交互等领域带来了巨大的潜力。然而，大脑信号的复杂性和动态变化性使得BCI系统在实际应用中面临挑战。传统的BCI解码器难以适应大脑信号的实时波动，导致性能下降。此外，随着脑机接口技术的快速发展，脑信号的处理需求不断增加，传统的基于冯·诺依曼架构的芯片在处理大量脑信号时面临能耗高和延迟大的问题。因此，开发一种能够高效解码脑信号、动态适应大脑变化的新型解码器成为亟待解决的问题。近年来，神经形态计算芯片，尤其是基于忆阻器的存内计算技术，因其高效能和可适应性，为BCI解码器的设计提供了新的解决方案。忆阻器作为一种可调节的电阻开关器件，能够模拟突触权重，支持在线参数调整，为实现脑机接口中的动态适应和高效解码提供了可能。

清华大学吴华强、唐建石和天津大学明东、徐敏鹏等人开发了一种基于128k单元忆阻器芯片的自适应神经形态解码器，用于脑机接口（BCI），能够实时解码大脑信号并动态适应大脑信号的变化。该研究发表在《Nature Electronics》，题为“A memristor-based adaptive neuromorphic decoder for brain–computer interfaces”。

【主要内容】

图1 脑机接口中脑-忆阻器解码器共进化的示意图

图中描绘了BCI系统的核心过程，包括大脑发出的“意图”信号、通过忆阻器芯片解码后的“反馈”以及大脑对解码结果正确与否的“响应”。共进化过程通过持续的交互实现：大脑信号的动态变化与忆阻器解码器的实时更新相互作用，从而提升系统的整体性能。图中还展示了典型的BCI控制设备（如无人机、轮椅和假肢），强调了这种共进化框架在实际应用中的潜力。

图2 基于忆阻器芯片的BCI设计框架

图中展示了系统的整体框架，包括脑信号的采集、通过忆阻器芯片的解码以及反馈机制。图中还展示了忆阻器芯片的实物照片和材料结构（TiN/TaOx/HfO₂/TiN），并解释了一步解码策略如何通过将预处理、特征提取和模式识别合并为一步操作来简化计算过程。此外，图中通过对比传统三步解码策略和一步解码策略的计算复杂度，突出了新策略在效率提升方面的优势。

图3 基于忆阻器芯片的实时脑控无人机飞行实验

图中描绘了实验的场景设置，包括受试者通过脑信号控制无人机完成三维轨迹跟踪任务。通过关键帧展示了无人机在飞行过程中的位置和状态。此外，图中还比较了忆阻器芯片和传统CPU在解码准确率、信息传输率（ITR）、能耗和解码速度方面的性能，结果表明忆阻器芯片在能耗和速度上具有显著优势。

图4 脑-忆阻器解码器共进化实验结果

通过对比有无共进化的BCI系统，展示了在多次更新后，共进化系统的解码准确率显著高于非共进化系统，平均准确率提升了约20%，表明脑和解码器之间的相互适应能够持续优化性能。此外，图中还分析了大脑控制状态和解码器性能的动态变化，通过滤波器银行典型相关分析（FBCCA）评估大脑对任务的控制能力，结果显示大脑控制状态随着实验进行逐渐稳定并提升。同时，解码器的模式也在多次更新后趋于稳定，其与最终模式的相关性逐渐增加，表明解码器能够有效适应大脑信号的变化。此外，图中还探讨了大脑和解码器在共进化过程中的贡献比例变化，发现初始阶段解码器的贡献更大，但随着实验进行，大脑的贡献逐渐增加，最终两者达到动态平衡，这种协同作用是共进化BCI性能提升的关键。

【全文总结】

本文介绍了一种基于忆阻器芯片的自适应神经形态解码器，用于脑机接口（BCI）系统，旨在实现高效的大脑信号解码和动态适应性。研究团队开发了一种一步解码策略，显著降低了计算复杂度，并通过脑控无人机飞行实验验证了解码器的实时性能，其准确率和信息传输率与传统CPU相当，但能耗降低了1643倍，解码速度提高了216倍。此外，团队提出了脑-忆阻器解码器共进化框架，通过错误相关电位（ErrP）实现解码器的实时更新，经过约6小时的实验，共进化BCI系统的平均准确率比非共进化系统提高了约20%。这种共进化机制不仅增强了BCI的性能，还揭示了大脑与解码器之间的动态适应性，为未来高效、自适应的脑机接口系统提供了新的发展方向，有望在医疗康复和人机交互领域实现广泛应用。

原文链接：

https://www.nature.com/articles/s41928-025-01340-2