昆明理工大学伏云发教授等 || 脑机接口(BCI)理论：可解码性、性能边界与闭环学习|bci|伏云发|判据|原理|昆明理工大学|神经网络|算法|脑机接口|鲁棒性

摘要：尽管脑机接口（Brain–Computer Interface, BCI）在脑信号采集与解码算法等方面取得了显著进展，但其涉及的理论仍较为分散，缺乏对BCI系统可解码性、性能边界及动态约束机制的刻画。针对这一问题，本文从信息论与统计决策理论的视角出发，提出一种BCI理论框架，将BCI系统形式化为由意图生成、神经编码、信号观测、统计解码与反馈调节构成的闭环随机过程，并在此基础上构建包含科学假说、神经科学原理、基本定理与基本定律的层级化理论。其中基本定理包含了意图可解码条件、观测信息上界、最优解码误差下界及闭环学习收敛，而基本定律揭示了信噪比约束、低维神经表征、不可逆观测信息损失、类别分布可分性以及非平稳协同适应等规律。最后，本文将所提相关理论转化为BCI系统设计准则，并提出评估其稳定性与鲁棒性的方法。期望本文为BCI系统的分析、设计与优化提供理论基础。

关键词：脑机接口（BCI）；BCI理论；科学假说；神经科学原理；信息论约束；统计决策理论

动机与缺口

脑机接口（Brain–Computer Interface, BCI）旨在通过解析中枢神经信号，实现人脑与外部设备之间的直接通信与控制[1–4]。尽管已有研究从脑信号采集、预处理、特征提取与转换等环节对BCI系统进行分析与设计[5–8]，但这些研究大多聚焦于局部问题或特定任务场景，尚缺乏一个能够描述意图生成、神经编码、信号观测、统计解码与反馈调节全过程的理论框架。一个尚未得到充分回答的核心科学问题是：在何种条件下可以从受限且含噪的脑信号中可靠地解码用户意图，以及这一过程在理论上受到何种基本约束。

由于缺乏理论支撑，当前BCI研究往往更侧重于具体算法与任务性能优化，而对于意图可解码性的必要条件、观测过程中的信息损失、最优解码性能的理论边界以及闭环交互下系统动态演化规律等关键问题，仍缺乏深入的理论分析。这种“重方法、轻理论”的研究范式在一定程度上限制了不同BCI范式之间的理解，也制约了系统从实验室研究走向稳定的实际应用。

为此，本文认为，BCI系统并非孤立的脑信号分类或模式识别问题，而本质上是一个在受限观测、随机噪声与动态反馈条件下，通过脑信号实现用户意图信息生成、传递、统计推断与闭环调节的概率信息通信与控制系统。基于这一科学命题，本文从信息论与统计决策理论出发，按照“系统形式化与核心科学问题（Questions，Q）→科学假说（Hypotheses，H）→神经科学原理（Principles，P）→基本定理（Theorems，T）→基本定律（Laws，L）→设计准则”的逻辑链逐层展开，构建BCI理论体系，如图1所示。

图1 本文构建的BCI理论层级结构与逻辑链。图中蓝色实线箭头表示BCI理论的层级结构及逻辑关系；浅灰色箭头与虚线框是对各层级结构的简要说明；灰色虚线箭头表示工程实践对理论前提的验证与修正过程，从而形成持续迭代的理论–实践闭环。

图1所示逻辑链形成一个完整的“理论闭环结构”，从而建立描述BCI系统中意图可解码性、信息传递约束、性能极限与动态行为的理论框架。同时，本文进一步从动态分布漂移与多源扰动角度，对BCI系统的稳定性与鲁棒性进行刻画，为系统从实验验证走向长期稳定部署提供理论与评估依据。

本文的主要贡献如下：

（1）将BCI问题形式化为一个“意图生成—神经编码—信号观测—统计解码—反馈调节”的闭环概率信息处理系统，建立数学描述框架；

（2）提出BCI核心科学问题与层级化科学假说，构建BCI理论框架，并分析意图可解码性的必要条件、信息传递约束及理论极限。

（3）基于所构建的BCI理论框架，提出BCI系统的设计准则，并进一步从分布漂移与扰动响应角度，对系统稳定性与鲁棒性进行刻画，为BCI系统的分析、设计、优化与长期部署提供理论依据。

需要说明的是，本文定位于BCI理论框架构建及其基本理论问题分析，其重点在于建立形式化描述、提出科学假说并揭示系统中的基本约束关系，而非针对特定任务场景进行实验性能优化。文中主要给出相关定理的推导思路及理论解释，以突出其在BCI系统分析与设计中的指导意义；更加严格的数学证明、实验验证及具体工程实现将在后续工作中进一步展开。

本文旨在从理论层面对BCI系统“为何可行、为何受限以及如何优化”三个基本问题进行回答，为BCI研究从经验驱动的算法优化走向理论驱动的系统设计提供基础框架。

BCI系统形式化、核心科学问题与科学假说

BCI的本质并非单纯的脑信号分类问题，而是一个涉及意图生成、神经编码、信号观测、统计推断以及反馈调节的动态闭环信息处理过程。因此，本节首先构建BCI系统的形式化模型，随后给出BCI所关注的核心科学问题，并进一步提出支撑后续理论分析的科学假说。

2.1 BCI系统形式化与符号约定

BCI系统本质上是一个由用户意图驱动，经由中枢神经活动的生成，并通过观测与推断实现与外部设备通信与控制的动态闭环概率信息处理系统。不同于传统的开环建模，在实际BCI系统中，解码结果会通过视觉、听觉、触觉等多模态反馈作用于用户，从而调节其后续的心理活动策略及中枢神经活动，形成持续的人机交互闭环[9–11]。为刻画该闭环系统中的信息流动与随机过程，本文引入如下符号约定，并对BCI系统中的基本科学问题进行形式化描述。

1）在时刻t，用户意图（Intentions）定义为意图空间I上的随机变量It，It∈I。其既可以是离散变量（如分类标签或控制指令），也可以是连续变量（如运动轨迹或连续控制信号）。该变量表示BCI系统需要推断的意图。

2）在时刻t，真实的中枢神经活动定义为随时间变化的随机过程At，At∈Rn。该变量可为神经元放电、局部场电位以及大尺度神经群体活动等。维度 n表示潜在神经表征空间的维数。

3）在时刻t，由测量设备获得的脑信号定义为观测信号 St，St∈Rm。该信号是中枢神经活动 At经生理传播过程及传感器采集后的结果，例如神经元放电（spikes）、ECoG、EEG或fMRI等。观测维度 m反映了测量系统的分辨能力，通常m≪n，体现了观测过程的不完备性与降维特性。

4）在时刻 t，解码输出的意图定义为基于观测信号St通过解码模型得到的对用户意图 It的估计 t，t∈I。该变量本质上是对随机变量 It的统计推断结果。

本文将BCI系统建模为一个具有反馈耦合的动态生成–观测–推断-反馈过程。在时刻 t，系统的演化结构由式（1）给出，其联合概率分布由式（2）刻画，而反馈机制则通过式（3）和式（4）进行形式化描述。

其中，P(AtIt)描述意图It向中枢神经活动At的编码映射；P(StAt)刻画中枢神经活动经生理传播与测量过程生成观测信号 St的机制；P(tSt)表示基于观测信号对意图进行统计推断的解码过程。式（4）进一步表明，在反馈作用下，BCI系统的统计特性随时间演化，表现为非平稳性。该结构与部分可观测马尔可夫决策过程（POMDP）在“隐状态—观测—反馈更新”层面具有形式上的相似性[12,13]，但本文并不依赖标准POMDP框架进行推导，而是将其作为一种对闭环随机动态特性的概念性描述。

2.2 BCI核心科学问题

BCI的核心科学问题可归结为对用户意图解码的可行性、条件约束及其理论极限的系统性研究，主要包括以下三个方面：

1）是否能够从受限且含噪的观测脑信号中有效推断用户的特定意图；

2）在何种条件与约束下，用户意图具备可解码性；

3）BCI系统的解码能力所能达到的理论极限与实际性能边界何在。

上述问题是构成BCI理论体系的基本出发点，直接决定了由脑信号解码用户意图的可能性、实现路径及性能上限。对这些问题的回答不仅为BCI系统的理论建模提供了明确的问题导向，也为后续方法设计、性能分析及系统优化奠定了基本前提与约束条件。

2.3 BCI科学假说

本文提出四个有待验证的BCI科学假说，分别对应编码、观测、解码与反馈四个层级：意图可神经编码假说、意图相关神经活动可观测假说、意图可神经解码假说以及反馈调节意图神经编码假说，如表1所示。除非另有说明，文中所述“神经”均特指中枢神经系统。

表1 BCI核心科学假说

这些假说并非先验必然成立，而是在特定任务、观测条件与神经尺度下需要通过实验验证的经验性前提。例如，对于某些高抽象认知状态或极低信噪比条件，相关神经表征可能并不具备稳定可观测性或统计可分性[14,15]。

上述科学假说将BCI从单纯的工程实现问题提升为与神经科学一致的理论框架，其核心作用在于解释BCI系统在本质上为何可行以及为何受限，并为后续理论推导提供基本前提。

在结构上，这些假说共同构成一个层级化的“编码–观测–解码–反馈”闭环体系，对应于信息生成、观测、推断与调节的过程：用户意图驱动神经编码，经由神经活动形成可观测信号，观测信号通过解码实现对意图的估计，而解码结果进一步通过反馈作用于用户，调节其后续的认知状态与神经活动，从而形成持续演化的人机交互闭环。

需要强调的是，在解码假说（H3）中，“神经解码”并不等价于必须采用生物合理模型，而是泛指从中枢神经信号出发对用户意图进行统计推断的过程。

同时，反馈假说（H4）引入了时间动态与适应性机制，其本质在于刻画反馈对神经编码过程的调制作用，即神经表征及其统计分布可在交互过程中发生变化，从而使BCI系统呈现出非平稳性与可学习性特征。

支撑BCI理论的神经科学原理

在第2节中，本文提出了BCI系统的形式化模型、核心科学问题以及四个科学假说（H1–H4）。在此基础上，本节进一步从神经科学与信息处理规律出发，提出与上述假说相对应的四个神经科学原理（P1–P4），用于刻画BCI系统中意图编码、信号观测、意图解码及闭环反馈调节的内在机制。这些原理并不试图作为严格数学命题成立，而是对大量神经科学实证结果与BCI经验规律的抽象归纳，其作用在于提供后续理论分析所依赖的机制性解释。

BCI神经科学原理具有跨任务、跨模态的普适性，在理论体系中起到连接科学假说与基本定理的桥梁作用：一方面为后续理论结果提供机制基础，另一方面为BCI系统的性能限制与可行性提供解释框架。

3.1 P1：意图的分布式神经编码原理

该原理指出，用户意图在中枢神经系统中以分布式方式编码，即通过多个神经元或多个脑区的协同活动形成神经表征，而非局部单一神经单元的独立表达[16]。该分布式编码在观测层面表现为可提取的神经特征（neural features）。

该原理对应于编码层（I→A）。形式上，可将意图相关的神经活动表示为多个脑区活动的叠加，如式（5）所示。

其中 Ak(t)表示第 k个脑区或神经子群的活动。

3.2 P2：意图相关神经信号的多源混叠与不完备观测原理

该原理指出，观测信号是多源活动的混合结果，包括多个神经源以及非神经生理源（如肌电与眼电等）[17]。同时，由于传感器数量有限及体积传导效应等，观测过程对真实神经活动的采样是不完备的，从而导致信息不可逆损失[18]。

该原理对应于观测层（A→S），其形式化表达为式（6），或线性近似为式（7），并满足式（8）。

3.3 P3：意图的低维任务相关神经表征原理

该原理指出，尽管神经活动整体具有高维特性，但与特定意图或任务相关的信息通常嵌入于低维子空间中[19]。这种低维结构为意图的可解码性提供了结构基础。

该原理对应于解码层（S→）。形式上，可将神经活动分解为式（9），并满足式（10）。

其中：AI(t)表示意图相关成分，Anoise(t)表示无关噪声。

3.4 P4：意图神经表征的闭环适应性与可塑性原理

该原理指出，在闭环反馈作用下，用户意图的神经表征会随时间发生动态调节与优化，表现为神经编码分布的非平稳性[8,20]。这种适应性来源于学习过程与神经可塑性，使得BCI系统在交互过程中不断演化。

该原理对应于反馈层（^I→I→A），可形式化表示为式（11）。

综上，P1–P4分别从神经表征、信号观测、信息结构及闭环适应性四个方面刻画了BCI系统的基本机制，并为后续定理的推导提供了机制基础。

BCI基本定理

本节进一步对上述P1-P4刻画的BCI神经科学原理进行形式化推导，提出一组BCI定理Theorems 1–4 (T1–T4)。这些定理从信息论与统计决策的角度，对BCI系统的可解码性、信息上界、最优性能极限以及闭环学习行为进行刻画，从而将第3节的机制性原理提升为可分析、可推导的数学结论。

需要说明的是，限于篇幅，本节重点关注BCI定理中的基本约束关系及其解释意义，因此主要给出证明思路，而非完整形式化证明。

4.1 T1：意图可解码性定理

1）定理表述

若观测信号 S 中包含关于意图 I 的非零互信息，即满足式（12）。

则在统计意义上，意图是可解码的。具体而言，存在某一映射（解码器），如式（13）。

使得其解码准确率严格优于随机猜测水平，如式（14）所示。

其中，MI(I;S)为意图与信号之间的互信息，刻画可用于解码的信息量，如式（15）所示，互信息用于度量观测信号中包含的关于意图的信息量，是信息论中刻画随机变量统计依赖关系的基本量[21,22]；H(I)为意图的不确定性，如式（16）所示；H(I∣S)为在观测信号下剩余的不确定性，如式（17）所示。

2）证明思路

当MI(I;S)>0时，意味着P(S∣I=i1)≠P(S∣I=i2)，即不同意图对应的条件分布在观测空间中存在可区分性[22,23]。因此，根据统计判别理论，必然存在某一判别函数（例如Bayes分类器），如式（18）所示。

从信息论角度看，互信息反映了观测信号对意图不确定性的减少程度，而Fano不等式进一步建立了互信息与分类误差之间的联系。因此，当MI(I;S)>0时，分类误差率的理论下界将优于随机猜测情形，从而保证存在某种统计意义上的可解码映射[24]。换言之，非零互信息保证了类别之间的统计可分性，从而保证了存在性意义上的可解码性。

3）理论意义

该定理确立了BCI解码的最基本条件，即可解码性的本质不是算法能力，而是信号中是否包含信息。该定理将在第5节被推广为基本定律L1和L2。

4.2 T2：观测信息上界定理

1）定理表述

在观测模型S=H(A)+ε下，满足式（19）：

2）证明思路

由第2节模型I→A→S，构成马尔可夫链。根据信息论中的数据处理不等式（Data Processing Inequality），即式（19），可得任何经过观测映射 H(⋅)的处理过程都不会增加关于意图的信息[21,25,26]。实际上，该定理源于P2：多源混叠与不完备观测原理。

3）理论意义

观测过程只能保留或损失信息，绝不会创造信息，这直接限定了BCI性能的上界来源于神经信号本身。该定理将在第5节被推广为基本定律L3和L4。

4.3 T3：BCI意图解码的统计最优误差下界定理

1）定理表述

任意基于观测信号 S的意图解码器，其误差满足式（20）。

其中，Errordec表示具体意图解码器的误差，即基于观测信号S对意图进行解码时的总体错误概率P（分类错误率）,如式（21）所示；ErrorBayes表示Bayes误差，即在最大后验（MAP）最优决策策略下得到的平均错误率，刻画了在给定信号分布条件下任意解码器所能达到的最小可能误差（理论下界）[10,24,27–29]，如式（22）所示。

2）证明思路

根据统计决策理论，最优分类器为MAP决策，同时该分类器达到最小可能错误率（Bayes error），即任意其他解码器均无法优于该最优策略，因此Errordec≥ErrorBayes。该定理依赖 P3：低维任务相关结构，决定 P(I∣S)是否具有良好分离性。

3）理论意义

该定理表明，算法优化存在上限，该上限由信号分布决定[30]。该定理将在第5节被推广为基本定律L5和L6。

4.4 T4：BCI闭环收敛定理

1）定理表述

在闭环反馈机制下，若神经活动满足适应性更新，见式（11），则系统性能存在期望意义上的提升趋势，如式（23），但其极限仍满足式（24）。

2）证明思路

由P4可知，反馈改变神经编码分布：P(AtIt)→P(At+1It+1)，若反馈增强任务相关特征（提高SNR或分离性），则MI(I;S)增加。根据T1与T3，MI增加使得BCI系统可解码性增强，但误差仍受Bayes上界限制。

3）理论意义

BCI系统的闭环学习可以提升性能，但无法突破信息论极限。该定理将在第5节被推广为基本定律L7和L8。

4.5 理论极限的紧致性讨论

前述定理分别从信息论与统计决策角度给出了BCI系统可解码性、信息传递约束以及最优性能极限。然而，需要进一步讨论的是：这些理论界限在何种条件下是“紧的（tight）”，以及实际BCI系统与理论极限之间为何仍存在显著差距。对这些问题的分析不仅有助于澄清理论结果的适用范围，也能够揭示当前BCI系统性能受限的根本原因。

首先，对于定理T2中的信息上界MI(I;S)≤MI(I;A),其紧致性取决于观测映射 S=H(A)+ε的信息保真程度。当观测过程近似无噪声、映射 H(⋅)接近可逆且观测维度足够高时，观测信号能够较完整地保留意图相关神经信息，此时MI(I;S)≈MI(I;A),信息上界接近达到。然而，在实际BCI系统中，观测通常受到多源混叠、有限空间采样、体积传导效应以及传感器噪声等因素影响，导致大量神经信息在观测阶段已经发生不可逆损失[31,32]。因此，对于EEG、fNIRS等低空间分辨率系统而言，该上界通常并不紧，而更接近一种理论可达极限。

进一步地，对于定理T3中的Bayes误差下界，即Errordec≥ErrorBayes,其理论上仅在解码器等于真实后验分布下的最优最大后验（MAP）分类器时才能达到。换言之，仅当系统准确获得真实概率分布 P(I∣S)，并具有无限训练数据与充分模型容量时，解码误差才可能逼近Bayes极限。然而，实际BCI系统通常难以满足这些条件。一方面，脑信号具有高噪声、低信噪比与显著个体差异[33]；另一方面，有限样本、模型失配（model mismatch）、训练偏差以及优化不充分等问题均会导致实际解码器偏离理论最优策略[34]。因此，Bayes误差在实际中更应被视为一种“不可突破的理论下界”，而非通常能够严格达到的性能指标。

此外，即使在互信息较高的情况下，实际系统性能也未必能够逼近理论极限。这是因为互信息描述的是“总体统计依赖性”，而实际解码性能还受到分布几何结构、类别重叠程度、有限样本效应以及模型泛化能力等因素影响。例如，当不同意图对应的条件分布存在显著重叠时，即使互信息非零，系统仍可能具有较高的不可约误差。类似地，在有限训练样本条件下，理论上存在的最优判别边界也可能无法被准确估计，从而导致实际性能显著低于理论最优值。

另一方面，闭环反馈机制虽然能够通过神经可塑性提高任务相关特征的稳定性与可分性[35]，但其性能提升同样受到理论界限约束。根据T4，反馈能够改变神经表征分布并提升可解码性，但无法突破由信息量与Bayes误差共同决定的理论极限。因此，长期训练后的性能饱和现象并不意味着算法失效，而更可能反映了系统已逐渐逼近当前观测条件下的理论上界[36]。

综上，T1–T4所给出的理论结果更多刻画的是BCI系统的可达边界与不可突破边界，而非实际系统必然达到的性能。现实BCI系统与理论极限之间的差距，本质上来源于观测信息损失、有限样本条件、模型近似误差以及系统非平稳性等多重因素的共同作用。需要指出的是，BCI性能优化不仅依赖于解码算法本身，更依赖于任务设计、观测方法、信息结构以及反馈学习等多个层面的协同改进。

BCI基本定律

本节在第3节BCI神经科学原理（P1–P4）与第4节BCI基本定理（T1–T4）的基础上，对其所揭示的内在约束关系进行抽象与统一，提出一组BCI基本定律Laws 1-8（L1–L8）。不同于定理侧重于在特定条件下的可证明结论，这些定律刻画的是在一般情形下稳定成立的结构性约束与规律，反映了BCI系统在信息生成、传递与闭环调节过程中的内在限制。

这些定律从信息论、统计结构与动态系统三个层面，对BCI解码性能的限制性因素进行刻画，为BCI系统设计和性能评估提供理论依据。需要说明的是，本节并非对第4节定理的重复表述，而是在去除具体模型假设的基础上，对其所揭示的内在约束关系进行进一步抽象，从而提炼出在更一般情形下成立的规律。

5.1 L1：信噪比约束解码性能定律

定律表述：观测信号中关于意图的信息量以及由此实现的解码性能受信噪比（Signal-to-Noise Ratio, SNR）约束，其关系如式（25）和（26）所示。

L1表明，任务相关神经成分与噪声之间的相对强度决定了观测信号中有效信息的含量，从而直接影响解码性能。其理论基础在于：原理 P3 指出意图相关信息主要嵌入于低维任务相关子空间，而定理 T1 表明只要观测信号中包含非零互信息即可实现可解码性。因此，SNR 的提升本质上对应于互信息的增加，从而提高解码性能。

5.2 L2：意图低维神经表征定律

定律内容：意图相关神经信息以低维结构形式嵌入于高维神经活动空间中，可由式（9）和式（10）表示，即A=Atask+Anoise,dim⁡(Atask)≪dim⁡(A)。

L2表明，BCI中可解码的信息主要集中在低维任务相关子空间，而高维空间中大量成分对解码无关或构成干扰。其理论依据在于原理 P3 所揭示的低维结构特性，以及定理 T3 所刻画的最优误差下界：仅当低维子空间中的类别分布具有良好结构时，才能实现低误差解码。

5.3 L3：不可逆观测信息损失定律

定律内容：在观测过程中，关于意图的信息量满足式（19），即MI(I;S)≤MI(I;A)，且在存在噪声或非可逆映射时，MI(I;S)

L3指出，神经信号在由中枢神经活动向观测信号的转换过程中不可避免地产生信息损失，且该过程在一般情况下是不可逆的。其理论基础来源于原理 P2 所描述的多源混叠与不完备观测机制，以及定理 T2（数据处理不等式（19））所给出的信息上界约束。

5.4 L4：观测维度约束定律

定律内容：观测信号的维度远低于真实神经状态空间，如式（8）所示，即dim⁡(S)≪dim⁡(A)，观测映射 S=H(A)为非双射映射，因而无法唯一恢复完整神经状态。

L4从几何结构角度揭示了BCI观测的不完备性：高维神经流形被投影到低维观测空间，导致信息压缩与丢失。其依据在于原理 P2 所刻画的观测过程的不完备性，并与定理 T2 的信息损失结论形成一致。

5.5 L5：不同意图分布重叠定律

定律内容：若不同意图在观测空间中的条件分布存在重叠，如式（27）所示。

则存在不可约误差ErrorBayes>0。

L5表明，类别分布的重叠是解码误差不可消除的根本来源，即使采用最优解码器也无法完全避免错误。该结论直接来源于定理 T3 所给出的Bayes误差下界，并从分布几何角度揭示误差产生机制。

5.6 L6：意图可分性约束解码性能定律

定律内容：解码性能受类别条件分布在观测空间中的可分性约束，如式（28）所示。

其中，g(⋅)为单调函数，把可分性映射到性能上界的单调函数；separability(⋅)为衡量不同类别分布“分得有多开”的指标（不是唯一形式）。

L6刻画的是静态统计分布结构对解码性能的约束，解码性能的上限由不同意图对应的观测分布之间的可区分程度决定。其理论依据在于：定理 T1 从存在性角度说明可解码性来源于分布差异，而定理 T3 则进一步表明最优性能受分布结构约束，因此可分性是连接信息量与解码性能的关键中介变量。

5.7 L7：人机共适应定律

定律内容：在闭环反馈机制下，神经表征与解码模型协同演化，如式（3）所示，即P(At∣It)→P(At+1∣It+1)。

L7描述的是闭环交互过程中系统性能的动态演化机制，BCI系统并非静态解码过程，而是用户与解码器在反馈驱动下的共同适应系统。其理论基础在于原理 P4 所揭示的神经可塑性与闭环调节机制，以及定理 T4 所刻画的性能随时间演化规律。

5.8 L8：非平稳动态定律

定律内容：BCI系统的统计特性随时间动态变化，如式（4）所示，即P(St∣It)≠P(St+1∣It+1)。

L8指出，由于反馈、学习及环境变化的共同作用，神经表征及其观测分布呈现非平稳性。其理论基础在于原理 P4 所描述的适应性机制，以及定理 T4 所揭示的闭环动态演化过程。

以上这些定律共同表明，BCI解码性能从根本上受到信噪比、低维结构、不可逆观测约束、分布可分性以及非平稳协同适应动态的共同支配。

理论指导下的BCI系统设计准则、稳定性和鲁棒性评估方法

本文构建的BCI理论由不同层级组成，如图1所示，各层级承担不同的理论功能：科学假说（H1–H4）与神经科学原理（P1–P4）用于刻画BCI系统成立的生物学基础及其内在机制；基本定理（T1–T4）用于揭示BCI系统的可解码性及其理论性能边界；基本定律（L1–L8）则进一步对上述理论结果进行抽象与归纳，形成可用于指导工程实践的一般规律。在此基础上，本节重点以L1–L8为理论依据，将抽象的理论约束进一步转化为具有工程可实施性的设计准则。上述设计准则不仅可用于指导信号处理方法与解码模型的设计，还可进一步指导BCI范式构建，包括心理任务设计、外部刺激设计以及人机交互策略优化。此外，除现有BCI系统性能评价方法外，本节还进一步探讨L1–L8在动态环境及长期运行条件下所体现出的BCI系统的稳定性与鲁棒性特征。

6.1 基于L1的设计准则：提升信噪比

基于L1所揭示的信噪比约束关系，BCI系统设计应优先提升任务相关神经信号与噪声之间的相对强度，以增加观测信号中的有效信息含量，从而提高解码性能。在BCI范式设计层面，可通过优化刺激强度、任务持续时间及试次重复次数等方式增强任务相关神经激活；在工程实现上，可进一步结合高信息通道选择，如基于感兴趣脑区的通道筛选，以及采用多种降噪方法，如带通滤波、伪迹去除与独立成分分析等，来抑制噪声干扰。此外，提高脑信号采集硬件（包括电极）的质量与稳定性同样是提升信噪比的重要手段。在性能评估方面，可采用信噪比，即SNR=∥Atask∥2∥ε∥2作为基础指标，并结合互信息MI(I;S)，对BCI系统的信号质量进行定量评估。

6.2 基于L2的设计准则：低维结构建模

依据L2所刻画的低维神经表征特性，BCI系统应显式建模或提取意图相关的低维神经子空间，以提高解码的有效性与稳定性。在BCI范式设计层面，应尽可能避免过于复杂或高度耦合的认知任务，优先选择能够诱发稳定神经表征的任务范式；在特征工程层面，可通过主成分分析（PCA）、共空间模式（CSP）以及流形学习等方法进行低维表示学习，也可借助自编码器等深度学习模型学习潜在低维结构。同时，结合任务相关特征提取方法（如ERD/ERS）可进一步增强低维表示的判别能力。在低维结构建模评估方面，可通过估计数据的内在维度（intrinsic dimensionality）、分析低维子空间中的类别可分性，以及比较降维前后分类性能的变化，来验证低维建模的有效性。

6.3 基于L3与L4的设计准则：优化观测与采集

基于L3与L4所揭示的可观测性约束与信息保留关系，BCI系统设计应侧重于提高意图相关神经信息的获取效率与保留程度，而非试图从观测信号中重建完整的神经状态。在BCI范式设计层面，应优先选择能够诱发稳定且易于测量的神经活动模式，并通过优化刺激形式、任务结构及采集策略减少信息损失；在BCI工程实现层面，可进一步采用多模态数据融合（如EEG与fNIRS或fMRI结合）以提升信息覆盖范围，通过空间滤波方法（如beamforming）增强信号空间分辨能力，并根据任务需求设计针对性的采集方案。在观测系统的评估层面，可通过观测维度、通道贡献度以及信息保留率与BCI系统性能之间的关系曲线，对观测系统的有效性进行分析。

6.4 基于L5的设计准则：降低分布重叠

根据L5所揭示的分布重叠与不可约误差之间的关系，BCI系统设计应尽可能降低不同意图在观测空间中的概率分布重叠，从而减少不可避免的解码错误。在BCI范式设计层面，可通过设计具有更高区分度的心理认知任务、优化外部刺激模式以及重新定义或组合任务类别等方式提高不同意图对应神经表征之间的差异性；在模型设计层面，可进一步结合具有较强判别能力的特征表示方法增强类别区分能力。在评估方面，可利用分布重叠度Overlap(P(SI))，以及类间距离、Bhattacharyya距离等指标，对不同意图之间的可区分性进行量化分析。

6.5 基于L6的设计准则：提升可分性

基于L6所强调的可分性约束，BCI系统设计应围绕提升不同意图在观测空间中的可分性展开。在BCI范式设计层面，可优先选择能够诱发更显著神经差异的任务或刺激条件，以增大不同意图神经表征之间的距离；在模型实现层面，可采用线性判别分析（LDA）、支持向量机（SVM）等判别式方法，或利用深度神经网络（如CNN、DNN）学习复杂非线性映射，同时结合对比学习进一步增强特征判别能力。在评估方面，可通过分类边界间隔、Fisher判别比以及分类准确率和AUC等指标综合衡量模型的可分性提升效果。

6.6 基于L7的设计准则：人机共适应

依据L7所揭示的人机共适应机制，BCI系统应被设计为一个动态协同适应系统，而非静态解码模型。据此应采用动态训练策略与实时反馈机制，使用户与系统能够在交互过程中共同调整策略；在模型实现层面，可引入在线学习机制实现模型参数持续更新，并结合神经反馈促进用户神经表征的自我调节，同时构建个体化模型以适应不同用户差异。在评估方面，可通过学习曲线、系统收敛速度及用户适应性指标，对人机协同适应过程进行定量分析。

6.7 基于L8的设计准则：处理非平稳性

基于L8所揭示的非平稳动态特性，BCI系统必须显式建模或补偿神经信号的时间变化，以保证系统性能的长期稳定性。据此，可采用跨时间自适应任务设计或动态更新策略，以减小神经活动统计特性变化带来的影响；在实现层面，可采用自适应滤波方法动态调整信号，引入迁移学习实现跨时间迁移，并利用域自适应方法减小分布漂移对解码性能的影响。在评估方面，可通过检测分布漂移，即P(St∣It)≠P(St+1∣It+1)，并结合跨时间性能下降率及系统鲁棒性指标，对非平稳性处理效果进行评估。

上述6.1-6.7所提设计准则表明，BCI系统性能的优化并非单纯依赖解码算法的复杂度，而是由范式设计、信号质量、低维结构特性、类别分布可分性以及闭环适应机制等多种因素共同决定。这些因素相互作用，构成了BCI系统设计与评估的约束框架，并为实现高性能与高稳定性的BCI系统提供了理论指导。

6.8 BCI系统稳定性与鲁棒性评估方法

已有研究提出BCI转化为实际应用的综合评价方法，包括BCI可用性评价（有效性和效率评价）、用户满意度评价（AT的一般方面评价、BCI相关方面评价、整体满意度和随访评价）、使用情况评价（BCI系统与用户匹配性、总体可用性和日常使用情况评价）和功效评价（采用随机双面对照、临床症状改善程度和相关检查或量表）[37–40]。这些评价方法主要关注系统功能实现、人机交互体验以及临床应用效果。然而，从长期应用与实际部署角度来看，BCI系统性能的评价不应仅局限于上述指标，还需要进一步考虑系统在长期运行及动态环境条件下的行为特性，特别是其在时间漂移、多源扰动及非平稳条件下的稳定性与鲁棒性[41–44]。

前述BCI基本定律（L1–L8）揭示了影响以上这些性能指标的关键因素，例如信噪比、低维结构、可分性、人机共适应及非平稳性等。因此，这些定律不仅能够解释系统性能差异的来源，也为性能评估与优化提供理论依据。由于BCI系统稳定性与鲁棒性直接决定其能否在真实环境中长期工作，本节重点对其进行形式化定义与量化分析。

BCI系统的稳定性为其在非平稳条件（如脑信号漂移、用户状态变化及电极变化等）下性能随时间的保持能力。设BCI系统在第k次会话或实验时间窗中的性能为Pk，其稳定性可通过性能随时间波动与漂移程度进行量化。其中，性能波动可由跨会话性能方差Varsession或变异系数（coefficient of variation, CV）刻画，分别如式（29）或（30）表示。

其中，K为会话的总数量，即参与统计的时间段个数，为所有会话性能的平均值，σ为标准差。较小的Varsession或CV值表明BCI系统具有较高的时间一致性。

稳定性的判定通常基于性能是否维持在可接受范围内。该范围可由任务性能阈值（如最低有效准确率）或个体基线性能定义，分别对应式（31）和式（32）；亦可通过性能波动范围进行量化，如式（33）所示。

其中，Pthreshold为任务性能阈值，Pbaseline为基线性能，δi为第i个用户的可接受波动范围（反映个体差异），δ 为全局一致性允许的总体波动范围。

在阈值型判据中，当系统在任一时间点的性能均不低于预设最低可用标准 Pthreshold（通常由任务需求设定，如70% accuracy）时，可认为其具有稳定性。在个体基线型判据中，若性能围绕个体基线在允许范围内波动，则表明系统在个体层面保持稳定。在统计型判据中，若性能围绕整体均值呈小幅波动且时间一致性良好，则认为系统具有整体稳定性。较低的波动性意味着系统在长时间运行或跨会话条件下具有更一致的表现。稳定性与第6.6节的人机共适应机制以及第6.7节的非平稳性处理策略密切相关，有效的在线适应与分布补偿能够显著降低性能随时间的漂移。

BCI系统的鲁棒性为其在非平稳条件及多源扰动（如噪声、个体差异、时间漂移和设备变化）下，仍能维持稳定性能输出的能力。BCI的扰动包括噪声（EEG噪声、肌电干扰）、跨被试差异、跨会话漂移（non-stationarity）、电极位置变化与用户疲劳/认知状态变化等。为定量评估BCI系统的鲁棒性，可在不同扰动条件（如噪声干扰、跨会话及跨被试）下测量系统性能变化，例如可通过扰动前后性能保持率Rrobust，如式（34）或性能变化量ΔP，如式（35）和相对退化率Degradation，如式（36）进行量化。

其中， Pclean 为无扰动或基准条件下的系统性能（如准确率、ITR等），Pperturbed为在扰动条件下的系统性能。若Rrobust≈1，则性能基本不受影响，鲁棒性强，Rrobust<1，则性能下降；若ΔP=0，则无影响，ΔP<0，性能下降，ΔP>0，性能提升（如某些正则化或噪声增强情况）；若Degradation=0，则无退化，0

本节分析的BCI系统稳定性与鲁棒性构成了其从可用走向可部署的关键性能维度。从理论层面看，它们并非独立于前述BCI理论之外的附加指标，而可视为L1–L8所揭示的系统约束在时间演化与扰动条件下的综合表现：信噪比、低维结构、可分性、人机共适应以及非平稳性等因素都会共同影响系统长期运行性能。因此，稳定性与鲁棒性的量化评估不仅反映解码模型对动态环境与噪声扰动的适应能力，也为系统分析、优化与长期部署提供评估依据。

结束语

本文旨在为BCI系统的分析、设计与优化提供理论基础。为此，本文从信息论与统计决策理论视角出发，构建了一个BCI理论框架。首先，对BCI系统进行形式化描述，并明确其核心科学问题与科学假说；在此基础上，进一步给出支撑该理论框架的神经科学原理，提出BCI基本定理及其证明思路，并总结得到相应的基本定律。

BCI系统的性能并非单纯由解码算法复杂度决定，而是根本上受限于观测信号中所包含的信息量、观测过程中的信息损失、类别分布的可分性以及闭环交互下的人机共适应动态。这些约束构成了BCI系统性能边界的理论基础，决定了其可实现能力与实际表现之间的关系。

在此基础上，本文进一步建立了从基本定律到系统设计的映射关系，并给出稳定性和鲁棒性评估方法，为信号获取、特征构建、模型设计及系统优化提供了理论指导。该框架在神经科学机制、信息论约束与工程实现之间建立了清晰联系，有助于推动BCI研究从经验驱动走向理论驱动。

本文所构建的理论框架仍有待结合多模态脑信号、不同BCI范式以及长期闭环实验进行进一步验证与完善，以检验其在不同场景与条件下的适用性和泛化能力。受篇幅限制，本文对于所提出的BCI基本定理仅给出了证明思路，未来工作将在此基础上进一步给出完整、系统的理论证明。

来源/参考链接：

Fu, Y., Yan, L., Wang, F., Li, T., Zhao, L., Luo, R., & Xu, J. (2026). Toward a Theoretical Framework for Brain–Computer Interfaces. Zenodo. https://doi.org/10.5281/zenodo.21262697

脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：

宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。

资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。

成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。

活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。

其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。

合作洽谈，请联系微信：ZuoLeiLeiya

（备注：姓名-单位-合作）

投稿丨成为创作者，请联系微信：RoseBCI

不错过每一条脑机前沿进展

一键关注

一键三连「分享」、「点赞」和「在看」