公司黄剑团队在侵入式脑机接口高效神经解码领域取得重要进展

生物医学工程领域国际核心期刊《IEEE Transactions on Biomedical Engineering（TBME）》2026年2月第2期（ISSN 0018--9294），以封面论文形式刊发了公司TapTap黄剑教授团队在侵入式脑机接口高效神经解码领域的最新研究成果“Intracortical Brain-Machine Interfaces with High-Performance Neural Decoding through Efficient Transfer Meta-learning”（“通过高效迁移元学习实现高性能神经解码的皮质内脑机接口”）。公司TapTap2025级博士生陈行健为论文第一作者，黄剑教授和陈欣星副教授为共同通讯作者，TapTap、图像信息处理与智能控制教育部重点实验室以及类脑智能系统湖北省重点实验室为主要完成单位。 该论文凭借在植入式神经解码轻量化与小样本适应方面的突破性进展，获选为当期封面文章。

图1.TBME2026年2月第2期封面

植入式脑机接口（iBMI）通过建立大脑与外部设备的直接神经通路，为运动功能重建提供了重要手段，在神经康复领域临床价值巨大。然而，植入式脑机接口从实验室走向临床应用长期面临两大掣肘：一是电极-组织界面的动态变化导致神经信号分布呈非平稳漂移，迫使系统频繁重校准，而传统方法对大量校准数据的依赖极易压缩治疗时间窗并引发患者疲劳；二是植入式设备严苛的功耗与算力限制，难以支撑复杂深度学习算法的实时部署。如何在“极少校准数据（Few-shot）”与“受限计算资源”的双重约束下保持高性能解码，成为制约该技术临床转化的关键瓶颈。

针对上述难题，该论文提出了一种名为DMM-WcycleGAN的全新神经解码框架。该框架创新性地将元学习的快速适应思想融入循环生成对抗网络，构建了一种分层优化的轻量级迁移策略。在离线阶段，团队利用元学习挖掘历史数据的时空共性，构建具有强泛化能力的初始化模型；在在线校准阶段，引入资源感知的降维技术与通道剪枝机制，将庞大的计算流程分解为一系列渐进式微优化步骤。这一设计既实现了源域（历史数据）与目标域（当前数据）的特征精准对齐，又有效剔除了计算冗余，显著降低了植入式硬件的运算负担。

图1.DMM-WcycleGAN神经解码框架结构图

为验证该框架的有效性，研究团队在非人灵长类动物（恒河猴）上开展了基于皮层微电极阵列的活体脑机接口实验。实验结果表明，DMM-WcycleGAN在应对严重的信号分布漂移时展现出卓越的鲁棒性：在仅使用10个校准样本的极端条件下，该算法实现了超过93.21%的平均解码准确率。相较于传统深度学习及迁移学习方法，该框架将校准时间缩短了70%以上，极大减轻了临床校准负担。此外，在计算效率评估中，该算法的模型内存占用仅为0.57MB，单次推理浮点运算量（FLOPs）仅为18.39，在同类主流解码算法中优势显著。

这一成果系统性解决了植入式脑机接口系统在复杂临床环境下的解码难题，为开发下一代长期稳定、高能效的植入式神经假体提供了重要的理论依据与技术支撑。

该研究得到了湖北省JD项目资助，项目编号2023BAA005。论文合作者还包括：TapTap傅中正博士、生命科学与技术公司张鹏副教授。

论文信息：X. Chen, Z. Fu, P. Zhang, X. Chen and J. Huang, "Intracortical Brain–Machine Interfaces With High-Performance Neural Decoding Through Efficient Transfer Meta-Learning," in IEEE Transactions on Biomedical Engineering, vol. 73, no. 2, pp. 518-529, Feb. 2026, doi: 10.1109/TBME.2025.3586870.