2025年10月20日，浙江大学脑与脑机融合前沿科学中心祁玉/王跃明团队在Cell Press细胞出版社旗下期刊Patterns在线发表题为“Decoding multi-joint hand movements from brain signals by learning a synergy-based neural manifold”的研究论文。该研究提出了基于协同基元的手部精细运动神经编解码计算模型，有望为高性能脑机接口提供高效解码方案。
文章亮点
运动-神经空间联动的手部精细运动协同基元：通过皮层内神经信号与手部运动数据联合学习得到“运动协同基元”，相比传统仅依赖运动数据的协同基元计算方法，显著提升了神经层面可解释性。
周期性相位流形与神经调控机制：协同基元控制采用周期性相位流形结构，从而实现低维参数高效驱动复杂高维精细运动的计算模型，并进一步通过解码基元时空系数（而非关节运动学）重构高自由度运动，建立神经解码新范式。
高效鲁棒的手部精细运动解码框架：提出SynergyNet神经解码框架，通过自动学习神经适配的运动基元及其时空参数，实现了高维手部运动的精准重建。该框架在应对运动速度变化与神经元丢失等实际场景时，亦表现出强大的泛化能力与鲁棒性。
研究背景
侵入式脑机接口通过建立大脑与外部设备之间的直接通信路径，在运动功能康复等医疗应用中展现出重要潜力。当前技术虽已在简单运动控制任务（如二维光标控制、机械臂操作等涉及2–4个自由度的任务）中取得显著成果，但在解码涉及多关节协调的复杂手部动作方面仍面临挑战。传统方法通常将手部各关节运动视为独立变量进行解码，忽略了关节之间固有的协同关系，从而在高自由度手部运动重建中表现受限。运动控制理论指出，复杂的高维手部动作可由若干“运动协同基元”组合生成。基于这一理论，本研究提出通过建模神经活动如何调控这些协同基元的运动参数，而非直接解码逐关节的运动学信息，从而实现更高效的复杂手部动作表达与重建。
主要内容和结果
为获取适用于神经控制的运动协同基元，本研究提出SynergyNet框架，通过构建神经活动与手部运动的联合表示，并解码协同基元的时空激活模式，以模拟大脑对复杂运动的调控机制。具体而言，在神经流形刻画方面，研究团队发现周期性相位流形可有效表征神经活动模式，并采用周期性自编码器技术从高维神经信号中提取出运动控制流形。在运动层面，将高自由度的复杂手部动作分解为时序运动协同基元的线性组合，并基于从神经流形中解析得到的时空参数，调度特定运动控制基元，实现神经-运动流形的联合建模。
为评估SynergyNet的性能，研究团队采集了一名临床受试者在连续执行11种不同节律性运动想象任务时的颅内神经信号，并基于该数据集进行了全面的实验比较。结果显示，SynergyNet在解码性能上优于多种现有神经解码基准模型及时间序列分析方法，达到平均R²=0.648，CC=0.809，RMSE=8.218，较基准模型性能提升3.9%–31.4%。此外，在不同运动速度下的泛化解码任务及模拟神经通道丢失的不稳定记录条件下，SynergyNet均展现出最优性能，验证了该模型的泛化能力与鲁棒性。
进一步的模型可解释性分析为所提出神经控制机制的有效性提供了支持。首先，学习到的相位流形在低维空间中呈现出结构化的周期轨迹，表明模型成功从复杂神经信号中提取出有效的运动控制表征。其次，运动生成的时空参数显示：在不同动作目标控制中，通过调整协同幅值以指定目标，并通过平滑的时间移位推动动作执行。最后，在神经信号监督下学得的协同基元呈现出自然、多指协调的时序形态，显著优于仅基于运动数据或主成分分析（PCA）提取的非自然基元。
总结和展望
人脑如何编码高自由度的复杂手部运动，长期以来是神经科学领域的重要难题。现有研究普遍基于“运动协同”理论，认为复杂动作可分解为若干协调的基本单元——运动基元，并通过随时间调整各单元系数以生成不同手势。然而，多数方法仅依赖运动信号提取运动基元，导致适用于神经控制的基元形态及其大脑调控机制尚不明确。本研究通过融合神经活动与运动信号，以数据驱动的方式识别出更具解释力的手部运动基元，并发现了一种适用于节律性、连续性运动神经控制的周期性相位流形。基于此，研究团队提出了一种新型计算框架，能够实现对高自由度节律运动的高性能解码。上述发现及相关神经解码框架的构建，为开发适用于行走、游泳等高自由度节律运动的脑机接口系统提供了新的技术路径。
▌论文标题：
Decoding multi-joint hand movements from brain signals by learning a synergy-based neural manifold
▌论文网址：
https://www.sciencedirect.com/science/article/pii/S2666389925002429
▌DOI：
https://doi.org/10.1016/j.patter.2025.101394