载人航天任务中非侵入式脑机接口的应用前景和技术挑战

Prospects and technical challenges of non-invasive brain-computer interfaces in manned space missions

摘要

在长期的载人航天任务中，复杂且极端的太空环境对宇航员的生理、心理及认知功能产生显著的影响，直接威胁任务的安全性和执行效率。脑机接口(brain-computer interface，BCI)技术作为连接大脑与外部设备的关键桥梁，通过精准采集和解析神经信号，为载人航天任务提供了创新的人机协同范式。非侵入式BCI技术在航天员选拔、训练、在轨任务执行及返回后康复等多个阶段展现出广阔的应用潜力。在任务准备阶段，BCI技术通过整合多模态信号评估与神经反馈训练，显著提升航天员的认知功能和心理韧性。在任务执行阶段，BCI技术能够实时监测航天员的生理与心理状态，并通过意念控制优化设备操作，从而提升任务效率与安全性。在任务结束返回后的康复期，BCI技术不仅能够结合非侵入式神经调控改善情绪与认知功能，还能够支持航天员的运动和认知恢复，并有助于其进行长期的健康管理。然而，BCI技术在航天应用中仍面临信号鲁棒性不足、系统自适应性有限及数据处理效率欠佳等挑战。未来，BCI技术应融合多模态生理传感器与深度学习算法，以实现精准监测和个性化干预，并结合虚拟现实及机器人技术开发智能化人机协作模式，为航天任务提供更高效的人机交互支持。

Abstract

During long-duration manned space missions, the complex and extreme space environment exerts significant impacts on astronauts’ physiological, psychological, and cognitive functions, thereby posing direct risks to mission safety and operational efficiency. As a key bridge between the brain and external devices, brain-computer interface (BCI) technology enables precise acquisition and interpretation of neural signals, offering a novel paradigm for human-machine collaboration in manned spaceflight. Non-invasive BCI technology shows broad application prospects across astronaut selection, mission training, in-orbit task execution, and post-mission rehabilitation. During mission preparation, multimodal signal assessment and neurofeedback training based on BCI can effectively enhance cognitive performance and psychological resilience. During mission execution, BCI can provide real-time monitoring of physiological and psychological states and enable intention-based device control, thereby improving operational efficiency and safety. In the post-mission rehabilitation phase, non-invasive BCI combined with neuromodulation may improve emotional and cognitive functions, support motor and cognitive recovery, and contribute to long-term health management. However, the application of BCI in space still faces challenges, including insufficient signal robustness, limited system adaptability, and suboptimal data processing efficiency. Looking forward, integrating multimodal physiological sensors with deep learning algorithms to achieve accurate monitoring and individualized intervention, and combining BCI with virtual reality and robotics to develop intelligent human-machine collaboration models, will provide more efficient support for space missions.

关键词

脑机接口 / 神经调控 / 航天 / 宇航员 / 认知

Key words

brain-computer interface / neuromodulation / aerospace / astronaut / cognition

在长期的航天飞行中，宇航员面临多种复杂应激因素(包括微重力、宇宙辐射和心理社会压力等)，这些应激因素可能对宇航员的身心健康造成持续且难以逆转的损害。在生理层面，微重力和宇宙辐射等应激源可能引发空间适应综合征，骨骼矿物质流失，肌肉萎缩，以及视网膜、视神经和其他中枢神经系统的结构与功能改变^[1-4]。在心理社会层面，长期社交剥夺，狭小密闭的生存空间，以及高强度、高风险的任务压力，易导致情绪失调、认知功能下降及人际关系紧张等问题^{[1-2, 5]}。研究^[5]表明：在美国国家航空航天局120人年(person-year)的航天历史中，女性宇航员出现焦虑障碍的概率为85.2%，男性宇航员为22.8%；女性宇航员出现抑郁障碍的概率为43.2%，男性宇航员为34.8%。这凸显了太空环境对宇航员身心健康的深远影响，亟需开发针对性干预策略以保障其身心健康和任务执行的效能。

脑机接口(brain-computer interface，BCI)是一种革命性的人机交互技术，其通过建立人脑与外部设备之间直接的信息交流和控制通道，突破了传统神经肌肉通路的限制。BCI技术凭借其高精度、实时性和灵活性，在宇航员选拔训练、在轨任务执行及返回后康复中展现出巨大潜力，能够显著提升任务执行效率与安全性。根据信号采集方式，BCI可分为侵入式、半侵入式和非侵入式3类^[6-7]：侵入式和半侵入式BCI需通过开颅手术植入电极，存在手术并发症及长期生物相容性等问题^[8-11]，在航天飞行的特殊环境下难以满足安全和伦理要求；而非侵入式BCI采用脑电图(electroencephalography，EEG)、功能磁共振成像(functional magnetic resonance imaging，fMRI)、功能性近红外光谱(functional near-infrared spectroscopy，fNIRS)等技术，具有无创、便携及操作简便等显著优势^[12-14]。近年来，非侵入式BCI技术在航天领域的应用研究迅速增加，成为未来载人航天技术发展的重要趋势。鉴于此，本文重点探讨非侵入式BCI在载人航天任务中的应用前景及其面临的技术挑战，以期为相关研究提供参考。

1 BCI技术概述

典型的BCI系统由信号采集、预处理、特征提取、特征转换/分类及输出设备或应用接口等核心模块组成^[15]。该技术的核心在于采集和解析大脑的神经电活动信号，通过信号处理与机器学习算法，将神经信号转化为可识别的控制指令，实现脑信号与外部设备之间的信息交互。相较于传统体积庞大、操作复杂的医疗设备及通信系统，非侵入式BCI(如EEG、fNIRS或fMRI)凭借其优异的便携性展现出独特优势，有望无缝集成于航天服或控制系统中，支持实时监测航天员的认知状态、动态反馈调节，并显著提升远程通信与任务操作效率^[12-14]。

然而，非侵入式BCI仍面临技术挑战，如对生理(如眼动、肌电)及环境伪迹的高度敏感，以及对电极与头皮接触质量的较高要求^[16]。这些限制可能导致信号稳定性下降和解码精度受损，尤其在实际应用或长时间使用过程中更为突出，制约了非侵入式BCI系统的鲁棒性与可扩展性。

为应对这些挑战，整合多种BCI信号采集方式(如EEG与fNIRS)，或将BCI与其他生理传感器(如肌电图、心电图、皮电活动等)相结合，可充分发挥各技术的互补优势，实现对航天员大脑功能与生理状态的全面、鲁棒性评估。例如，EEG-fNIRS混合系统能够结合EEG的高时间分辨率与fNIRS的血氧动力学空间定位优势为航天员在极端环境下的认知与生理监测提供更为精准可靠的技术支持^[17-18]。

2 BCI技术在载人航天任务中的应用前景

BCI作为一种前沿的人机交互技术，在载人航天任务中展现出广阔的应用前景。围绕航天任务的准备期、执行期和返回后恢复期3个阶段的典型应用，系统梳理BCI技术在载人航天中的发展现状与前景，可为未来空间探索中的BCI应用提供理论支持与技术参考(表1)。

2.1 任务准备期

2.1.1 认知能力评估与航天员选拔

BCI技术为航天员认知功能的客观精准测量提供了有效手段。通过整合EEG、眼动追踪及神经生理标志物检测，构建的多模态评估体系可量化航天员候选人的注意力持续性、工作记忆容量、决策能力及心理韧性等关键指标^[19-20]。该体系通过动态监测航天员候选人在复杂任务中的脑功能状态，可揭示个体在高压环境下的神经适应性和认知资源分配特征，从而有效地识别具备卓越认知控制能力和快速应变能力的航天员候选人。此外，基于大量任务数据与神经指标的机器学习分析，评估体系可不断优化预测模型，显著提升其科学性和精准度^[15]。

2.1.2 神经反馈与技能训练

在地面训练阶段，BCI技术可作为新型干预手段，有效提升航天员的训练效果。基于脑电的神经反馈训练实时监测航天员大脑活动并提供视觉或听觉反馈，能够引导其自主调节脑状态。研究^[21]表明：相较于对照组，接受每日神经反馈训练的空军战斗机飞行员焦虑水平显著降低，自信心增强，且在模拟训练和真实任务中表现均更优。此外，BCI技术结合非侵入式脑刺激技术[如经颅磁刺激(transcranial magnetic stimulation，TMS)或经颅电刺激(transcranial direct current stimulation，tDCS)]可形成闭环系统以进一步增强训练效果^[22]。研究^[22]显示：在模拟太空任务压力下，任务前对航天员施加适当的tDCS能提升其大脑相关功能区的神经可塑性和学习效率，从而优化任务准备期的训练表现。通过系统性应用BCI技术，可为每位航天员建立个性化的纵向神经生理数据库，记录其在不同认知负荷及模拟应激条件下的脑活动基线，为后续在轨监测和个性化干预奠定基础。

2.2 任务执行期

2.2.1 生理与心理状态监测

在轨期间，航天员需在密闭、社交隔离和高压的极端环境中长期保持高度警觉与作业效率。任何生理或心理状态的波动均可能影响任务执行，甚至导致操作失误。因此，实现航天员心身状态的实时、连续和低干扰监测成为保障空间任务安全的关键。被动式BCI(passive BCI，pBCI)技术可在不干扰航天员执行主要任务的前提下，通过分析自发脑活动评估认知负荷、注意力水平、疲劳程度及应激状态等关键指标^[23-25]。EEG和fNIRS是实现pBCI监测的主要技术，其中fNIRS在模拟微重力环境(头低位卧床)下测量认知负荷已具备可行性^[24]。此外，BCI技术还可监测与空间定向障碍及晕动病相关的脑信号变化^[26-27]。基于BCI技术的实时认知状态监测为“神经自适应自动化”和动态任务分配提供了技术支持。已有研究^[28]通过脑磁图记录飞行员在应对飞行姿态扰动任务时的脑活动，利用BCI技术解码其感知-运动意图进行自动控制，成功实现了比人工操作更快速的反应。当BCI检测到航天员在关键任务中出现认知超载或严重疲劳时，航天器系统可智能地调整自动化水平，或将任务重新分配给状态更佳的航天员，从而优化团队绩效，降低失误风险^[29-30]。

《中国空间站科学研究与应用进展报告》^[31]显示：中国研究团队成功开发了航天员在轨脑力负荷实时监测与自适应人机协作系统，以及脑力疲劳和警觉度快速评估与增强的装置；该团队提出的脑功能状态评估技术能够识别4个不同等级的脑力负荷，并实时调整3种人机任务分配方式；此外，团队构建了包含声、光、温3种模态的警觉度调控系统，并推出了基于正念冥想的警觉度调节平台，有效地优化了航天员在长期太空任务中的脑力负荷，提升了人机协作效率和警觉性。

2.2.2 自主调节与闭环干预

BCI可通过闭环系统实现主动干预，在检测到航天员出现认知负荷过高或注意力涣散等状态时，自动触发干预措施。研究^[22]表明：在模拟航天环境中，结合可穿戴经颅电刺激设备，BCI可施加微弱电流刺激大脑相关区域，有效地改善因微重力环境引发的运动控制障碍，增强注意力，并缓解焦虑、抑郁等情绪问题，从而提升航天员的在轨适应能力。

2.2.3 意念控制与人机协作

BCI可通过直接解码大脑信号，实现航天员对飞船、机械臂、探测装置等设备的意念控制，减少传统手动操作的延迟和疲劳，同时降低微重力环境下对物理控制界面的依赖，提升操作灵活性。多项研究^[32-33]表明BCI在三维导航控制(如四旋翼无人机)中具有可靠性。此外，随着空间机器人技术的发展，机器人辅助或替代航天员执行舱外任务，以及在轨道上遥控操作行星表面探测器(如火星车)已成为重要的发展趋势。基于稳态视觉诱发电位的BCI已成功地应用于多自由度机械臂控制^[34-35]，且对移动机器人进行在线导航控制的识别准确率可达90%^[36-38]。为克服BCI信号噪声大、带宽受限等技术瓶颈，有研究^[39]提出了“共享控制”框架：BCI负责传递高层级意图指令，机器人自主完成底层运动规划与执行。该模式不仅提升了人机协作效率，也为舱外任务及行星表面遥控操作提供了高效支持。

2.3 返回后恢复期

2.3.1 运动功能康复

长期的微重力环境可导致航天员肌肉萎缩和运动能力下降，返回地面后需进行数周至数月的康复训练以恢复肌力和平衡能力^[2]。基于EEG运动想象的BCI范式已在中风偏瘫患者康复中取得显著成效：患者通过想象肢体运动激活大脑运动皮层，BCI解码该意图后触发机械辅具或功能性电刺激，辅助完成实际肢体运动，从而促进神经可塑性^[40-42]。类似的技术可应用于航天员的康复训练中，相较于传统、被动的康复治疗更具主动性和高效性，有望加速航天员的前庭功能和肌力恢复，缩短重力再适应时间^[43]。

2.3.2 认知与心理康复

长期的太空任务可能导致注意力下降，空间记忆受损，以及抑郁、焦虑等心理问题。BCI技术可辅助识别认知和心理问题，并对航天员实施针对性康复训练。例如，通过EEG和神经成像等方法比较飞行前后脑网络的连通性，可识别认知功能受损的主要区域^[44-45]，并据此制订个性化脑训练方案，监测康复成效。对于情绪问题，结合EEG-BCI与音乐疗法、虚拟现实及非侵入式脑刺激等手段，可实时监测航天员的脑电信号并及时干预，帮助其调节情绪，促进心理韧性恢复或提升^[46-47]。

研究人员^[48]通过分析任务前、任务中和任务后的EEG衍生的默认模式网络(default mode network，DMN)发现太空飞行可导致脑电改变，且这些改变在返回地球后仍持续存在。因此，EEG衍生的DMN可能成为空间探索任务执行期间大脑功能完整性的神经生理标记。

2.3.3 医疗随访与远程支持

部分航天员可能在任务结束后数年出现与太空职业相关的迟发性神经系统健康问题^[49-50]。BCI技术可为航天员返回地面后的长期随访提供重要支持。通过可穿戴的BCI设备，医疗团队可以对航天员的脑功能状态进行定期远程监测，持续采集其神经电生理数据，并基于客观数据评估其迟发性神经认知情况，及时采取干预措施。

3 技术挑战

尽管BCI技术在载人航天任务中展现出广阔的应用前景，但其实际应用仍面临诸多技术瓶颈，主要包括高鲁棒性神经信号采集与处理系统的开发、系统的个体化与自适应能力提升以及数据处理、传输与功耗优化等关键问题。

3.1 高鲁棒性神经信号采集与处理系统

BCI系统的核心在于实现高质量脑信号的采集与处理。在航天任务的复杂环境中，航天员的头部转动和肢体运动易引发运动伪影，而咀嚼、眨眼等动作则会产生肌电伪影，显著降低脑电信号的信噪比，影响信号解码的准确性^[51-53]。此外，航天器舱内电子设备产生的电磁干扰会进一步削弱信号质量，干扰特征提取与分类的精确性^[54]。因此，开发高鲁棒性的神经信号采集与处理系统成为BCI技术应用于航天领域的重要挑战。

当前，干电极技术、柔性电极阵列及集成高效实时伪影去除算法(如基于人工智能的自适应滤波算法)为解决这一问题提供了可行方案^{[16, 51, 55]}。相较于EEG，fNIRS对运动伪影的耐受性更强，但其光学信号采集易受生理噪声(如心跳、呼吸引起的血流波动)干扰。通过结合心率、呼吸频率等参数建模，采用短间距通道回归结合通用线性模型的分析方法，可有效剔除相关频段的干扰信号。该方案目前被证明是解决此类干扰问题的有效途径^[56]。

3.2 系统个体化与自适应性

人类脑电活动存在显著的个体差异，且同一航天员在不同生理或心理状态下的脑电特征会发生动态变化^[57-58]。太空飞行环境对大脑的影响表现为功能障碍与适应性、可塑性并存的复杂特性^[59]。因此，BCI系统须具备自适应算法或在轨校准功能，以动态调整解码算法和控制策略，从而适应航天员状态的变化及任务的情境需求，实现个性化状态监测与干预。开发基于机器学习的动态校准模型或通过实时反馈机制优化系统性能是提升BCI自适应性的重要方向^[60]。

3.3 数据处理、传输与功耗优化

在轨BCI系统需融合脑信号、环境参数、生理指标及任务数据等多源信息，通过人工智能算法实现情境化解读与智能化支持。由于单一的BCI信号具有多义性(例如，θ波增强可能反映疲劳、药物影响或任务专注)，BCI系统需嵌入综合性健康与任务表现监测框架，通过多传感器数据融合提升解码精度^[18]。在深空任务中，受限于通信带宽和高延迟，BCI系统须具备端侧实时数据的处理能力，以降低数据传输的需求并缩短响应时间。此外，BCI作为可穿戴的设备，其系统功耗需进行严格控制，以确保其长期运行不影响航天器其他关键系统的能源供应。当前，低功耗芯片设计与高效算法优化(如边缘计算技术)为解决这一问题提供了技术支持^[61]。

4 展 望

BCI技术作为连接人脑与外部设备的关键桥梁，通过精准采集和解析神经信号为载人航天任务提供了创新的人机协同范式。该技术在航天员选拔与训练、在轨任务执行及返回后恢复等阶段展现出良好的应用潜力：在任务准备阶段，BCI技术通过整合多模态信号评估与神经反馈训练，可显著改善航天员的认知功能与心理韧性；在任务执行阶段，BCI技术可实现对航天员生理与心理状态的实时监测，并通过意念控制优化设备操作，提升任务效率与安全性；在返回后恢复期，BCI技术可辅助运动功能与认知心理的康复，并为长期健康监测提供支持。然而，BCI技术在航天应用中仍面临信号鲁棒性不足、系统自适应性有限及数据处理与功耗优化等技术挑战。

未来，BCI系统可通过整合EEG、fNIRS及其他生理传感器，结合人工智能与机器学习算法，实现对航天员生理、认知及心理状态的精准、实时监测，并开发个性化干预策略与智能化人机协作模式。此外，BCI技术与虚拟现实、非侵入性脑刺激及机器人技术的深度整合，将进一步拓展其在航天员训练、任务执行及康复中应用的场景。未来还应加强脑科学、人工智能、航空航天及材料工程等多学科交叉融合，聚焦前沿基础研究与关键技术攻关，推动BCI系统在航天领域的工程化应用。

参考文献

[1] Arone A, Ivaldi T, Loganovsky K, et al. The burden of space exploration on the mental health of astronauts: a narrative review[J]. Clin Neuropsychiatry, 2021, 18(5): 237-246.

[2] Barbour BN, Twardowska K, Favero N, et al. Biopsychosocial health considerations for astronauts in long-duration spaceflight: a narrative review[J]. Wilderness Environ Med, 2025, 36(): 123S-137S.

[3] Quivira-Lopesino A, Sevilla-García M, Cuesta P, et al. Changes of EEG beta band power and functional connectivity during spaceflight: a retrospective study[J]. Sci Rep, 2025, 15(1): 13399.

[4] Britten RA, Limoli CL. New radiobiological principles for the CNS arising from space radiation research[J]. Life, 2023, 13(6): 1293.

[5] Friedman E, Bui B. A psychiatric formulary for long-duration spaceflight[J]. Aerosp Med Hum Perform, 2017, 88(11): 1024-1033.

[6] Rezeika A, Benda M, Stawicki P, et al. Brain-computer interface spellers: a review[J]. Brain Sci, 2018, 8(4): 57.

[7] Chen Y, Wang F, Li T, et al. Considerations and discussions on the clear definition and definite scope of brain-computer interfaces[J]. Front Neurosci, 2024, 18: 1449208.

[8] Zhao ZP, Nie C, Jiang CT, et al. Modulating brain activity with invasive brain-computer interface: a narrative review[J]. Brain Sci, 2023, 13(1): 134.

[9] SC4th Colachis, Dunlap CF, Annetta NV, et al. Long-term intracortical microelectrode array performance in a human: a 5 year retrospective analysis[J]. J Neural Eng, 2021, 18(4): 0460d7.

[10] Mestais CS, Charvet G, Sauter-Starace F, et al. WIMAGINE: wireless 64-channel ECoG recording implant for long term clinical applications[J]. IEEE Trans Neural Syst Rehabil Eng, 2015, 23(1): 10-21.

[11] Andersen RA, Kellis S, Klaes C, et al. Toward more versatile and intuitive cortical brain-machine interfaces[J]. Curr Biol, 2014, 24(18): R885-R897.

[12] Abiri R, Borhani S, Sellers EW, et al. A comprehensive review of EEG-based brain-computer interface paradigms[J]. J Neural Eng, 2019, 16(1): 011001.

[13] Lotte F, Bougrain L, Cichocki A, et al. A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update[J]. J Neural Eng, 2018, 15(3): 031005.

[14] Naseer N, Hong KS. fNIRS-based brain-computer interfaces: a review[J]. Front Hum Neurosci, 2015, 9: 3.

[15] Salahuddin U, Gao PX. Signal generation, acquisition, and processing in brain machine interfaces: a unified review[J]. Front Neurosci, 2021, 15: 728178.

[16] Huang Z, Zhou Z, Zeng J, et al. Flexible electrodes for non-invasive brain―computer interfaces: a perspective[J]. APL Mater, 2022, 10(9): 090901.

[17] Deligani RJ, Borgheai SB, McLinden J, et al. Multimodal fusion of EEG-fNIRS: a mutual information-based hybrid classification framework[J]. Biomed Opt Express, 2021, 12(3): 1635-1650.

[18] Qiu L, Zhong Y, He Z, et al. Improved classification performance of EEG-fNIRS multimodal brain-computer interface based on multi-domain features and multi-level progressive learning[J]. Front Hum Neurosci, 2022, 16: 973959.

[19] Zhou Y, Xu X, Zhang D. Cognitive load recognition in simulated flight missions: an EEG study[J]. Front Hum Neurosci, 2025, 19: 1542774.

[20] Kim M, Kim BH, Jo S. Quantitative evaluation of a low-cost noninvasive hybrid interface based on EEG and eye movement[J]. IEEE Trans Neural Syst Rehabil Eng, 2015, 23(2): 159-168.

[21] Fuentes-García JP, Leon-Llamas JL, Villafaina S. Psychophysiological and dual-task effects of biofeedback and neurofeedback interventions in airforce pilots: a pilot study[J]. Sensors, 2025, 25(8): 2580.

[22] Romanella SM, Sprugnoli G, Ruffini G, et al. Noninvasive brain stimulation & space exploration: opportunities and challenges[J]. Neurosci Biobehav Rev, 2020, 119: 294-319.

[23] Dehais F, Ladouce S, Darmet L, et al. Dual passive reactive brain-computer interface: a novel approach to human-machine symbiosis[J]. Front Neuroergon, 2022, 3: 824780.

[24] Peysakhovich V, Kiehl T, Martinez LV, et al. Short-term microgravity effects simulation does not affect fNIRS measures of cerebral oxygenation changes induced by cognitive load[J]. Front Physiol, 2025, 16: 1425302.

[25] Di Flumeri G, De Crescenzio F, Berberian B, et al. Brain-computer interface-based adaptive automation to prevent out-of-the-loop phenomenon in air traffic controllers dealing with highly automated systems[J]. Front Hum Neurosci, 2019, 13: 296.

[26] Chen YC, Duann JR, Chuang SW, et al. Spatial and temporal EEG dynamics of motion sickness[J]. Neuroimage, 2010, 49(3): 2862-2870.

[27] Geva G, Getter N, Blecher B, et al. Reduction in EEG Theta power as a potential marker for spatial disorientation during flight[J]. Sci Rep, 2025, 15(1): 1682.

[28] Callan DE, Terzibas C, Cassel DB, et al. The brain is faster than the hand in split-second intentions to respond to an impending hazard: a simulation of neuroadaptive automation to speed recovery to perturbation in flight attitude[J]. Front Hum Neurosci, 2016, 10: 187.

[29] Gu B, Xu M, Xu L, et al. Optimization of task allocation for collaborative brain-computer interface based on motor imagery[J]. Front Neurosci, 2021, 15: 683784.

[30] Aricò P, Borghini G, Di Flumeri G, et al. Adaptive automation triggered by EEG-based mental workload index: a passive brain-computer interface application in realistic air traffic control environment[J]. Front Hum Neurosci, 2016, 10: 539.

[31] 中国载人航天工程办公室. 中国空间站科学研究与应用进展报告[EB/OL]. 2024[2025-05-27].

[32] China Manned Space Engineering Office. Progress report on scientific research and applications of the China space station[EB/OL]. 2024 [2025-05-27].

[33] LaFleur K, Cassady K, Doud A, et al. Quadcopter control in three-dimensional space using a noninvasive motor imagery-based brain-computer interface[J]. J Neural Eng, 2013, 10(4): 046003.

[34] Duan X, Xie S, Xie X, et al. Quadcopter flight control using a non-invasive multi-modal brain computer interface[J]. Front Neurorobot, 2019, 13: 23.

[35] Chen X, Zhao B, Wang Y, et al. Control of a 7-DOF robotic arm system with an SSVEP-based BCI[J]. Int J Neural Syst, 2018, 28(8): 1850018.

[36] Quiles E, Dadone J, Chio N, et al. Cross-platform implementation of an SSVEP-based BCI for the control of a 6-DOF robotic arm[J]. Sensors, 2022, 22(13): 5000.

[37] Aljalal M, Djemal R, Ibrahim S. Robot navigation using a brain computer interface based on motor imagery[J]. J Med Biol Eng, 2019, 39(4): 508-522.

[38] Ghinoiu B, Vlădăreanu V, Travediu AM, et al. EEG-based mobile robot control using deep learning and ROS integration[J]. Technologies, 2024, 12(12): 261.

[39] An Y, Wong J, Ling SH. Development of real-time brain-computer interface control system for robot[J]. Appl Soft Comput, 2024, 159: 111648.

[40] Muelling K, Venkatraman A, Valois JS, et al. Autonomy infused teleoperation with application to brain computer interface controlled manipulation[J]. Auton Rob, 2017, 41(6): 1401-1422.

[41] Liao W, Li J, Zhang X, et al. Motor imagery brain-computer interface rehabilitation system enhances upper limb performance and improves brain activity in stroke patients: a clinical study[J]. Front Hum Neurosci, 2023, 17: 1117670.

[42] Chen J, Xia Y, Zhou X, et al. fNIRS-EEG BCIs for motor rehabilitation: a review[J]. Bioengineering, 2023, 10(12): 1393.

[43] Liu X, Zhang W, Li W, et al. Effects of motor imagery based brain-computer interface on upper limb function and attention in stroke patients with hemiplegia: a randomized controlled trial[J]. BMC Neurol, 2023, 23(1): 136.

[44] Rubakova AA, Ivanova GE, Bulatova MA. Activation of sensorimotor integration processes with a brain-computer interface[J]. Bull Russ State Med Univ, 2021(5): 28-33.

[45] Gaume A, Dreyfus G, Vialatte FB. A cognitive brain-computer interface monitoring sustained attentional variations during a continuous task[J]. Cogn Neurodyn, 2019, 13(3): 257-269.

[46] Chakravarthi B, Ng SC, Ezilarasan MR, et al. EEG-based emotion recognition using hybrid CNN and LSTM classification[J]. Front Comput Neurosci, 2022, 16: 1019776.

[47] Sun M. Study on antidepressant emotion regulation based on feedback analysis of music therapy with brain-computer interface[J]. Comput Math Methods Med, 2022, 2022: 7200678.

[48] Li K, Huang W, Gao W, et al. An electroencephalography-based brain-computer interface for emotion regulation with virtual reality neurofeedback[J]. IEEE Trans Cogn Dev Syst, 2024, 16(4): 1405-1417.

[49] Pusil S, Zegarra-Valdivia J, Cuesta P, et al. Effects of spaceflight on the EEG alpha power and functional connectivity[J]. Sci Rep, 2023, 13(1): 9489.

[50] Lev MH. The long-term effects of spaceflight on human brain physiology[J]. Radiology, 2020, 295(3): 649-650.

[51] Yin Y, Liu J, Fan Q, et al. Long-term spaceflight composite stress induces depression and cognitive impairment in astronauts-insights from neuroplasticity[J]. Transl Psychiatry, 2023, 13(1): 342.

[52] Schmoigl-Tonis M, Schranz C, Müller-Putz GR. Methods for motion artifact reduction in online brain-computer interface experiments: a systematic review[J]. Front Hum Neurosci, 2023, 17: 1251690.

[53] Dai Y, Duan F, Feng F, et al. A fast approach to removing muscle artifacts for EEG with signal serialization based ensemble empirical mode decomposition[J]. Entropy, 2021, 23(9): 1170.

[54] Islam MK, Rastegarnia A, Yang Z. Methods for artifact detection and removal from scalp EEG: a review[J]. Neurophysiol Clin, 2016, 46(4/5): 287-305.

[55] Lubomudrov AA, Efanov VV, Gorovtsov VV, et al. Electromagnetic interference generated in a spacecraft during static charge accumulation[J]. Sol Syst Res, 2019, 53(7): 543-548.

[56] Oh J, Nam KW, Kim WJ, et al. Flexible dry electrode based on a wrinkled surface that uses carbon nanotube/polymer composites for recording electroencephalograms[J]. Materials, 2024, 17(3): 668.

[57] Santosa H, Zhai X, Fishburn F, et al. Quantitative comparison of correction techniques for removing systemic physiological signal in functional near-infrared spectroscopy studies[J]. Neurophotonics, 2020, 7(3): 035009.

[58] Grandy TH, Werkle-Bergner M, Chicherio C, et al. Peak individual alpha frequency qualifies as a stable neurophysiological trait marker in healthy younger and older adults[J]. Psychophysiology, 2013, 50(6): 570-582.

[59] McEvoy L, Levänen S, Loveless N. Temporal characteristics of auditory sensory memory: neuromagnetic evidence[J]. Psychophysiology, 1997, 34(3): 308-316.

[60] Hupfeld KE, McGregor HR, Reuter-Lorenz PA, et al. Microgravity effects on the human brain and behavior: Dysfunction and adaptive plasticity[J]. Neurosci Biobehav Rev, 2021, 122: 176-189.

[61] Xavier Fidêncio A, Grün F, Klaes C, et al. Hybrid brain-computer interface using error-related potential and reinforcement learning[J]. Front Hum Neurosci, 2025, 19: 1569411.

[62] Covi E, Donati E, Liang XP, et al. Adaptive extreme edge computing for wearable devices[J]. Front Neurosci, 2021, 15: 611300.

基金资助

“脑科学与类脑研究”国家科技重大专项(2021ZD0202000┫。This work was supported by the “Brain Science and Brain-Inspired Research” National Science and Technology Major Project)

“脑科学与类脑研究”国家科技重大专项(China ┣2021ZD0202000)

RIGHTS & PERMISSIONS

开放获取(Open access)：本文遵循知识共享许可协议，允许第三方用户按照署名-非商业性使用-禁止演绎4.0(CC BY-NC-ND 4.0)的方式，在任何媒介以任何形式复制、传播本作品(https://creativecommons.org/licenses/by-nc-nd/4.0/)。