近日，南京大学、南京邮电大学余林蔚、王胜教授团队联合南京中医药大学、南京大学申翼教授团队，在国际顶级期刊《纳微快报》（Nano-Micro Letters）上发表了题为“Non-Invasive Brain-Computer Interfaces: Converging Frontiers in Neural Signal Decoding and Flexible Bioelectronics Integration”的重磅综述论文。该论文系统梳理了非侵入性脑机接口领域的最新进展与未来蓝图，致力于为提升系统可靠性、推动实用化与规模化发展提供关键理论支撑、创新技术路径与前瞻方向指引，助力人类与智能技术的深度融合迈向新高度。
图1. 非侵入式脑机接口：神经信号解码与柔性生物电子集成领域的前沿交汇
² 本文亮点：
综述了神经信号解码和柔性生物电子学集成在非侵入性脑机接口中的最新应用进展。
多模态数据融合、软硬件协同优化和闭环控制策略是增强BCI系统鲁棒性、自适应性和实时性的关键。
BCI系统在真实场景中的稳健运行仍面临重大挑战，仍需在跨人群泛化能力、复杂环境适应性以及系统的可复现性等方面取得实质性突破。
² 研究背景：
近年来，非侵入性脑机接口（BCI）的研究在神经科学、人工智能、柔性电子及系统工程等多学科交叉推动下取得重要进展。一方面，深度学习技术的突破显著提升了神经信号解码的准确性与鲁棒性；另一方面，柔性电子学的发展—特别是通过引入纳米结构导体等可拉伸材料与先进微纳加工工艺—使电极更贴合头皮，大幅提升了穿戴舒适性、共形贴合能力及长期稳定性。然而，该技术走向实用仍面临关键瓶颈：脑电等信号易受生理与环境噪声干扰，信噪比低；且传统刚性电极难以在动态使用中保持稳定接触，导致信号衰减。此外，系统在跨被试泛化、长期可靠性和复杂环境鲁棒性等方面亦有待加强。
在此背景下，本综述系统梳理了过去十年神经解码算法与柔性传感平台的关键进展，总结了高性能非侵入BCI在器件设计、材料创新与系统集成方面的核心原则，进而探讨多模态数据融合、软硬件协同及闭环反馈等前沿方向，剖析其在神经康复、智能交互等领域的应用潜力与转化瓶颈，旨在为通过多维度优化推动非侵入BCI向高可靠、实用化发展提供理论支撑与路径参考。
² 图文导读
n 增强神经解码的多模态刺激范式
近年来，非侵入性脑机接口研究日益聚焦于多模态范式的融合，以显著提升系统整体性能。此类性能提升主要依托先进的多模态融合算法，通过有效整合视觉、听觉、触觉等多感官通道的信息，从而增强神经信号解码的准确性与鲁棒性。例如基于流形几何（Manifold Geometry）的信号分析方法、采用共空间模式（Common Spatial Patterns, CSP）的特征提取技术，以及融合源成像先验知识的信号校准策略。这些方法代表了多模态集成的初步探索，已在一定程度上有效提升了分类性能。面向未来，为应对多模态融合中的关键技术挑战，发展新一代深度学习架构将成为关键突破口。其中，适用于多模态神经信号分析的 Transformer 网络、高阶特征交互融合机制，及基于跨模态对齐（cross-modal alignment）的自适应学习算法，有望在提升解码精度、泛化能力与系统鲁棒性方面发挥核心作用。
图2. 用于神经信号解码的多模态刺激范式的示意图
n 多模态信号采集的技术与系统设计
脑电图（electroencephalography, EEG）因其高时间分辨率和非侵入性，仍是非侵入性BCI信号采集的基础方法。然而，EEG易受伪迹干扰且空间分辨率有限，这促使研究者日益关注多模态神经成像技术的融合。近期研究将 EEG 与互补模态相结合：功能性近红外光谱（fNIRS）可提供血流动力学信息，而脑磁图（MEG）则能提升时空分辨率。此类融合有效缓解了非侵入性系统中时间分辨率与空间分辨率之间的矛盾。为应对多模态系统的工程挑战，研究者采用贝叶斯框架与先进算法优化EEG源成像，通过引入空间先验信息提升源定位精度。针对不同模态传感器间的相互电磁干扰问题，除采用电磁屏蔽技术外，还需集成针对特定噪声特征的信号处理滤波器。在在线或闭环系统中，信号传输、处理及执行器响应所固有的相位延迟不可忽视——此类延迟直接影响闭环干预的时效性与有效性。为补偿此类延迟，仍需开发先进的信号处理与预测算法，以优化流程效率并降低计算复杂度。此外，因多系统采样率差异导致的时序抖动与时间同步误差问题，需通过硬件同步精度提升与软件协调机制优化的系统级协同设计来解决。
图3. 多模态信号采集示意图
n 神经动力学解释的单模型深度学习架构
深度学习模型已成为解码非侵入式神经信号的关键方法，有效解决了时频复杂性、个体差异性以及数据稀缺性等技术难题。尽管近年来深度学习在提升非侵入式BCI解码性能方面取得显著进展，但其实际应用仍面临三大核心挑战：模型鲁棒性不足、跨场景泛化能力有限以及实时性与计算效率的矛盾。这些问题直接制约了BCI技术从实验室环境向真实应用场景的转化。因此，越来越多的研究开始主动模拟真实条件，通过引入可控干扰（如噪声干扰、电极配置变化）来探究算法性能极限，从而明确其在实际场景中的适用边界。
图4. 单模型深度学习架构示意图
n 多模态信号解码的混合深度学习模型
图5. 多模型深度学习架构示意图
n 面向实时、异步与共享的非侵入式脑机接口系统和人工智能赋能的人机协同的自适应系统
当前，脑机接口研究正向“闭环、自适应”架构演进，聚焦增强实时解码能力、改进异步检测与优化共享控制策略。这一转变的核心是人工智能驱动的闭环人机交互架构，其通过“感知-解码-应用”的动态机制，推动系统向人机共适应方向演进。尽管进展显著，多数系统仍存在一个关键瓶颈：缺乏对长时间、多日连续使用下稳定性的系统性评估。具体表现在未能量化误报与漏报的累积风险，难以基于完整数据分布明确人机协同边界，以及缺少对控制参数长期影响的深入分析。未来突破不仅需要更优算法，更需构建支持情境感知、持续学习与跨平台一体化的智能生态系统。这将是推动非侵入BCI从实验室走向实际应用的关键。
图6. 实时、异步与共享式非侵入式BCI示意图
n 柔性生物电子学在无创脑机接口中的集成
非侵入式脑机接口的长期可穿戴性面临核心挑战：如何维持脑电信号采集的稳定性。关键在于降低电极与皮肤间的接触阻抗，这要求电极兼具高导电性与共形贴合能力。柔性电极因能紧密贴合皮肤，已逐步取代传统刚性电极，在提升信号质量与佩戴舒适度的同时，为长期监测提供了可能。实现高性能柔性电极主要依靠材料创新：一是使用本征导电的有机半导体薄膜，二是将导电纳米材料复合于柔性基底中。纳米材料因其独特的电学与力学特性成为理想选择。以一维纳米线为例，其高纵横比结构赋予电极出色的机械柔韧性和弯曲稳定性，同时能显著提升导电性，有助于降低接触阻抗、提高信噪比。此外，电极的机械稳定性对于长期使用至关重要。纳米材料的亚微米尺寸使其具备优异的耐久性，在反复形变下仍能保持性能，从而抑制因材料疲劳或运动引起的接触不稳定与信号伪影。综上，材料创新是推动非侵入式脑机接口发展的关键，纳米材料为实现稳定、长效的柔性传感提供了极具前景的解决方案。
图7. 柔性导电薄膜性能的示意图
图8. 一维硅纳米线（SiNW）结构与性能的示意图
n 可穿戴柔性设备：设计原则与功能集成
随着非侵入式BCIs技术的深入发展，可穿戴柔性电子设备已成为突破性研究方向。此类设备的核心价值在于实现先进生物电子系统与用户友好型应用的无缝衔接，其设计需精准平衡机械柔性、生物相容性与信号保真度三大关键要素——确保设备在舒适贴合人体的同时，长期保持高性能稳定运行。柔性生物电子技术的突破性进展，正为实时动态监测与生物系统的无缝交互奠定坚实基础，显著推动非侵入式BCIs从实验室走向实际应用。
图9. 可穿戴柔性设备：设计原理。
n 柔性电子与深度学习融合：推动非侵入式BCIs的突破
近年来，非侵入式BCIs的性能提升得益于柔性生物电子器件与深度学习解码算法的协同设计。具体来说，柔性电极通过优化器件与皮肤的接触界面、抑制运动伪影，能够采集到更稳定、更高信噪比的原始信号，为后续解码提供高保真信号输入。在此基础上，深度学习等先进算法不仅相较传统算法显著提升了神经信号解码性能，还可主动补偿硬件端难以避免的残余噪声和个体差异引起的信号不确定性。这种“硬件筑基、算法协同”的融合模式，正逐步形成软硬协同、相互增强的良性循环，持续拓展非侵入性脑机接口的性能边界。
图10 柔性电子与深度学习的融合推动先进非侵入式BCIs发展
该工作由南京邮电大学电子与光学工程学院、柔性电子（未来技术）学院王胜老师和南京中医药大学研究生宋晓彬为论文共同第一作者。通讯作者为王胜，南京大学电子科学与工程学院副研究员宋晓攀和余林蔚教授以及南京大学医学院申翼教授。该工作的开展得到了南京大学陈坤基教授，徐骏教授，王军转教授和丛壮壮教授的支持，受到国家自然科学基金杰出青年基金、国家自然科学基金青年基金、江苏省自然科学基金青年基金、江苏省卓越博士后、中国博士后特别资助、中国博士后面上项目等多项基金的大力资助，在此一并表示衷心的感谢！
论文信息：
Non-Invasive Brain-Computer Interfaces: Converging Frontiers in Neural Signal Decoding and Flexible Bioelectronics Integration.
Sheng Wang1#*, Xiaobin Song2#, Xiaopan Song3*, Yang Gu3, Zhuangzhuang Cong4, Yi Shen2, 4*, Linwei Yu1, 3*
Corresponding Author: Sheng Wang, Xiaopan Song, Yi Shen, Linwei Yu
Nano-Micro-Letters, DOI: 10.1007/s40820-025-02042-2
前期相关工作：
1. Scalable Integration of High Sensitivity Strain Sensors Based on Silicon Nanowire Spring Array Directly Grown on Flexible Polyimide Films. Xiaopan Song, Yang Gu, Sheng Wang*, Junyu Fan, Junyang An, Lei Yan, Bin Sun, Junzhuan Wang, Linwei Yu*, Nano Lett. 25 (2025) 2290-2297.
2. Direct Growth and Integration of Silicon Nanowire Transistors on Polymer Substrates. Xiaopan Song#, Junyu Fan#, Bin Sun, Yang Gu, Sheng Wang*, Junyang An, Duanwangde Liu, Junzhuan Wang, Linwei Yu*, ACS Appl. Mater. Interfaces 2025, 17, 48503−48510
3. Stable, Step-Guided Growth of Planar Germanium Nanowires at 200 ℃ via the In-Plane Solid-Liquid-Solid Mechanism. Junyang An, Zhiyan Hu, Shiqian Hu, Xiaopan Song, Junzhuan Wang*, Linwei Yu*, Adv. Sci. 2025, e14875
4. Highly Stretchable High-Performance Silicon Nanowire Field Effect Transistors Integrated on Elastomer Substrates. Xiaopan Song, Ting Zhang, Lei Wu, Ruijin Hu, Wentao Qian, Zongguang Liu*, Junzhuan Wang, Yi Shi, Jun Xu, Kunji Chen, Linwei Yu*, Adv. Sci. 9 (2022) e2105623.
5. Cylindrical Line-Feeding Growth of Free-Standing Silicon Nanohelices as Elastic Springs and Resonators. Haiguang Ma, Rongrong Yuan, Junzhuan Wang, Yi Shi, Jun Xu, Kunji Chen, and Linwei Yu*. Nano Letters. 20, 5072–5080 (2020).
6. Designable Integration of Silicide Nanowire Springs as Ultra-Compact and Stretchable Electronic Interconnections. Rongrong Yuan, Wentao Qian, Zongguang Liu*, Junzhuan Wang, Jun Xu, Kunji Chen, Linwei Yu*, Small, 18, 2104690 (2022).
7. Step-necking growth of silicon nanowire channels for high performance field effect transistors. Lei Wu, Zhiyan Hu, Lei Liang, Ruijin Hu*, Junzhuan Wang*, Linwei Yu*, Nat. Commun. 16 (2025) 965.
8. Ultracompact single-nanowire-morphed grippers driven by vectorial Lorentz forces for dexterous robotic manipulations. Jiang Yan, Ying Zhang, Zongguang Liu,Junzhuan Wang, Jun Xu*, Linwei Yu*, Nat. Commun. 14 (2023) 3786.
9. Engineering island-chain silicon nanowires via a droplet mediated Plateau-Rayleigh transformation. Zhaoguo Xue, Mingkun Xu, Yaolong Zhao,Jimmy Wang,Xiaofan Jiang, Linwei Yu,* Junzhuan Wang, Jun Xu,* Yi Shi, Kunji Chen, and Pere Roca i Cabarrocas, Nat. Commun. 7, 12836 (2016).
10. Nanowire-Based Flexible Sensors for Wearable Electronics, Brain-Computer Interfaces, and Artificial Skins. Xiaopan Song#, Yang Gu#, Sheng Wang*, Junzhuan Wang, Linwei Yu*, Electron. (2025) DOI:10.1002/elt2.77.