Nature Commun. 手写脑机接口 多维运动解码

近日，浙江大学郝耀耀老师研究团队在Nature Communications上发表题为“Cortical representation of multidimensional handwriting movement and implications for neuroprostheses”的论文，首次系统揭示了大脑运动皮层对手写运动的多维编码机制，为下一代高性能手写BCI奠定了理论基础。这项研究不仅刷新了对运动控制的认知，更提供了一套全新的解码范式。

引用格式: Wang, Z., Xu, G., Yu, B. et al. Cortical representation of multidimensional handwriting movement and implications for neuroprostheses. Nat Commun (2026). https://doi.org/10.1038/s41467-026-70536-7

研究现状与局限：
传统视角：二维轨迹
主要盲区：缺失多维信息（力学、三维空间）

研究思路：以健康受试者多维运动数据为外部先验模板，对瘫痪受试者皮层神经信号进行逆向映射与语义解码

核心技术方法：
神经编码定量分析 - 线性-非线性泊松（LNP）模型
线性解码（对比验证）- 卡尔曼滤波器（KF）
非线性解码（最终输出）- 长短期记忆网络（LSTM）
字符匹配识别 - 动态时间规整（DTW）
统计检验（贯穿全程）- 配对Wilcoxon符号秩检验

多维数据采集平台：
NOKOV度量光学动作捕捉系统 - 实时输出笔尖三维速度（Vx, Vy, Vz）
薄膜压力传感器 - 测量三指握力与笔尖书写压力
Myo表面肌电臂环 - 测量前臂8通道肌电包络

关键对比实验及结果：

单模型 vs. 双模型：双模型在笔画（0.63→0.69）和抬笔（0.72→0.86）的解码相似度均显著优于单模型（p<0.0001），证实分离建模的必要性

二维编码 vs. 多维编码（增量拟合）：笔画阶段：加入握力、压力、EMG后编码性能显著提升（p<0.0001），Vz无贡献；抬笔阶段：加入Vz及所有附加维度均显著提升，全维模型bits/spike最优（0.07±0.02）

全模型逐一删除变量：删除EMG或三维速度导致笔画与抬笔编码均显著下降；删除Vz仅导致抬笔编码显著下降，确认其对抬笔的独特贡献；删除握力/压力未显著下降，表明其信息可被其他维度替代

二维解码 vs. 多维解码（DTW识别）：二维解码准确率：29.22% ± 19.87%；。加入z轴速度、握笔力或压力等附加信息后，识别准确率显著提高。尤其是，解码三维速度和压力用于识别时，准确率达到49.96% ± 19.48%，显著优于仅解码三维速度的模型

本文贡献：
首次揭示手写运动中笔画与提笔的神经编码差异，并证明大脑编码多维运动参数；提出利用健康人模板映射瘫痪患者神经活动的新范式，可推广至其他运动想象BCI；多维解码将字符识别率提升70%以上，为临床实用化奠定基础。

NOKOV度量动捕系统用于采集手写三维运动数据，构建神经解码所需的多维 ground truth，提升BCI手写建模与识别能力。