Nat Mach Intell｜解碼器學太快，閉環神經接口反而更容易“失配”

認知神經科學前沿文獻分享

基本信息

Title:Computational framework to predict and shape human–machine interactions in closed-loop, co-adaptive neural interfaces

發表時間:2026-03-23

發表期刊:Nature Machine Intelligence

影響因子:23.9

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

閉環神經接口里，用戶會根據反饋學習，解碼器也可能在線更新，于是系統不再是“人適應機器”或“機器追著人跑”的單向關系，而是共同適應（co-adaptation）的雙學習者系統。

已有研究確認共同適應可提升性能，但接口設計仍主要依賴經驗調參，缺乏能夠同時刻畫用戶、解碼器及其交互的原則性分析框架。本文的核心關切在于：能否為這類系統建立可驗證、可預測的計算模型。

實驗設計與方法邏輯

研究搭建了非侵入式自適應表面肌電平臺：14 名參與者通過前臂 64 通道 EMG 信號控制二維光標追蹤目標，解碼器采用速度控制型 Wiener 濾波器，每 20 秒在線更新一次。整體邏輯如下：

1. 首先，借助任務誤差與 EMG 調諧曲線驗證，該平臺中不僅解碼器在動態變化，用戶行為同樣存在試次內與跨試次調整

2. 在此基礎上，運用控制理論估計用戶編碼器，將目標、誤差與 EMG 活動關聯，用以分析軌跡跟蹤與閉環穩定性

3. 進而引入博弈論視角，將用戶與解碼器視為各自優化獨立代價函數的兩個主體，推導解碼器學習率及 effort 懲罰項變化后的預期結果，并通過實驗加以檢驗

核心發現

發現一：自適應肌電平臺中用戶與解碼器均持續演化

試次內任務誤差從早期至晚期顯著下降，且該改善不受解碼器隨機初始化的影響，表明自適應解碼器正按預期運作。更關鍵的是，用戶 EMG 調諧曲線在試次內呈現定向偏移，幅度超過相鄰時段的自發波動

第二個實驗 block 的中后段誤差低于首個 block，提示用戶既在單次嘗試內微調，也在跨試次層面積累學習。就本實驗設置而言，證據支持這是一個共同適應系統，而非解碼器的單向更新過程

Fig. 1 展示了試次內誤差遞減、EMG 調諧曲線從早至晚的演變以及跨 block 表現的提升，將“解碼器學習”與“用戶學習”并置于同一閉環場景中

估計所得編碼器模型能夠重建與真實光標位置及速度相關的運動軌跡，據此可評估編碼器—解碼器配對是否逼近理想的軌跡跟蹤與閉環穩定性條件

結果顯示，配對乘積在均值上接近理論預期，且編碼器與解碼器均在試次內發生定向改變，表明該模型可表征共同適應過程中的關鍵閉環屬性。正文同時指出，模型未納入感覺延遲等因素，故更適合作為可分析的近似框架，而非對人類運動控制的完備還原

Fig. 2 呈現了編碼器重建軌跡、編碼器—解碼器乘積與理論軌跡跟蹤及穩定性條件的關系，以及二者在試次內的持續變化

博弈論框架的預測在實驗中獲得支持：解碼器學習率較快時，整體表現更差，用戶編碼器在試次內的變化幅度更小，編碼器—解碼器配對也更偏離理想的軌跡跟蹤與閉環穩定性條件，提示過快更新會干擾共同適應進程

另一方面，提高解碼器的 effort 懲罰項并未明顯改變誤差改善幅度，卻降低了解碼器 effort、提高了用戶 effort，并引起光標速度變化，表明即便任務誤差相近，用戶仍可能采用不同控制策略來適應接口。正文亦指出，effort 與速度之間的權衡在不同參與者間并不完全一致

Fig. 4 對比了快慢解碼器學習率下的表現差異以及配對逼近理想條件的程度；Fig. 5 展示了 effort 懲罰項改變用戶 effort 與控制方式卻不明顯影響誤差的結果

省流總結

本研究未將共同適應神經接口簡單視作“自動校準”問題，而是把用戶與解碼器同時作為學習主體加以分析?；陂]環 EMG 任務，作者運用控制理論與博弈論構建了可檢驗的計算框架，并揭示解碼器更新過快可能破壞共同適應，代價函數的變化亦可改變用戶的參與策略。當前結論僅直接適用于本文所涉任務、模型與參數范圍。

分享人：天天

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿