脑机接口康复评估临床应用专家共识

Expert Consensus on Clinical Application of Brain-Computer Interface in Rehabilitation Assessment

摘要

脑机接口（BCI）技术通过采集并解码大脑神经活动信号，为神经功能障碍患者的康复评估提供了客观、量化的生物学评估手段，有助于弥补传统评估主要依赖行为学表现的不足。随着BCI技术的快速发展，其在意识、肢体运动、吞咽、认知、言语及情感等功能障碍评估中的探索应用不断拓展，但目前仍面临技术标准不统一、评估体系不完善、循证证据不足、伦理安全问题凸显等挑战。为规范BCI技术在康复评估中的临床应用，中国康复医学会脑机接口与康复专业委员会组织康复医学、神经科学、生物医学工程等多学科专家，基于国内外最新研究进展与临床实践经验，经充分论证与意见征询，制定本专家共识。本共识系统阐述了BCI康复评估的技术基础、原则、信号处理规范、分领域评估指标体系、标准化操作流程、伦理安全保障措施及推广应用路径，明确了技术选择原则（优先非侵入式）、多学科协作机制及人才培养体系，旨在为临床实践、科研创新、教育培训及行业规范化发展提供科学指导，促进康复评估向精准化、个体化、客观化方向发展。

Abstract

Brain-computer interface (BCI) technology provides objective and quantitative biological assessment methods for the rehabilitation assessment of patients with neurological dysfunction by acquiring and decoding neural activity signals, thereby overcoming the limitations of traditional assessments that rely on behavioral performance. With the rapid development of BCI technologies, their applications in the assessment of disorders of consciousness, motor dysfunction, dysphagia, cognitive impairment, speech disorders, and affective disorders have continued to expand. However, current challenges remain, including inconsistent technical standards, incomplete evaluation systems, insufficient clinical evidence, and pressing ethical and safety issues. To standardize the clinical application of BCI in rehabilitation assessment, the Professional Committee of Brain-Computer Interface and Rehabilitation of the Chinese Association of Rehabilitation Medicine convened a multidisciplinary expert panel comprising specialists in rehabilitation medicine, neuroscience, and biomedical engineering. Based on the latest national and international research advances and clinical experience, this expert consensus was developed through extensive discussion and consultation. This consensus systematically elaborates on the technical basis, principles, signal processing protocols, domain-specific assessment indicator systems, standardized operating procedures, ethical and safety guarantees, and implementation pathways for BCI rehabilitation assessment. It clearly defines the principles of technical selection (prioritizing non-invasive methods), multidisciplinary collaboration mechanisms, and talent training systems. It aims to provide scientific guidance for clinical practice, research and innovation, education and training, and industry standardization, thereby promoting the development of rehabilitation assessment toward precision, individualization, and objectivity.

Graphical abstract

关键词

脑机接口 / 康复评估 / 功能障碍 / 神经可塑性 / 多模态信号 / 专家共识

Key words

brain-computer interface / rehabilitation assessment / functional impairment / neuroplasticity / multimodal signals / expert consensus

神经系统疾病（如脑卒中、脑外伤及部分神经退行性疾病）常导致意识、运动、吞咽、认知、言语和情感等多维度功能障碍^［1-3］。精准的康复评估是患者分层管理、个体化干预方案制定和预后判断的重要基础。当前康复评估仍主要依赖临床检查和行为学量表，在患者存在运动输出受限、意识波动或交流障碍等情况下，难以充分、客观地反映其残余神经功能状态^［4］。

脑机接口（brain-computer interface，BCI）技术通过采集和解码大脑神经信号，构建了脑与外部设备之间的直接交互通路^［5］。近年来，BCI在意识、肢体运动、吞咽、认知、言语和情感等功能评估领域的应用研究快速增长，为传统行为学评估提供了补充性的神经生理信息，在神经系统疾病相关功能障碍的评估中显示出潜在的临床应用价值^［6-7］。然而，BCI在康复评估领域的临床推广应用仍面临技术标准缺失、评估体系不完善、信号稳定性不足、循证证据匮乏，以及伦理安全风险与人才短缺等诸多挑战。同时，多学科协作和临床验证亦亟需加强^［6-8］。基于此，本共识旨在系统梳理BCI在神经系统疾病康复评估领域的现有证据，明确现阶段技术应用的基本原则、适用边界与实施建议，推动其在临床实践中的标准化实施与循证转化。

1 专家共识制定方法

为确保本共识的科学性、透明性和临床适用性，其制定过程参考相关国际指南制定规范^［9-11］，采用“证据支持的专家共识”方法，主要包括以下关键阶段：

1.1　课题确定与工作组组建

本共识由课题组发起，明确制定范围、核心问题和目标，聚焦BCI用于康复评估的术语定义、关键技术、评估体系、实施路径及伦理规范等内容。组建多学科专家工作组，成员涵盖康复医学、生物医学工程、神经科学及循证医学等相关领域，明确证据检索、评价、写作和审稿分工，并进行利益冲突声明与管理。

1.2　系统证据检索与整理

本共识采用系统检索与专家补充相结合的方式获取证据^［9-10］。检索数据库包括PubMed、EMbase、Web of Science、Cochrane Library、中国学术期刊全文数据库（CNKI）、万方数据知识服务平台等。主要检索时间范围为2016年1月1日至2026年3月31日；对于BCI定义、术语标准及奠基性研究，必要时纳入2016年前的重要文献。英文检索词主要包括“brain-computer interface”“brain-machine interface”“BCI”“BMI”“assessment”“evaluation”“diagnosis”“prognosis”“detection”等；中文关键词包括“脑机接口”“评估”“诊断”“检查”“预后”等。纳入中、英文文献，由2名研究者独立完成题目、摘要和全文筛选，意见不一致时通过讨论或由第3名研究者裁决。

1.3　证据评价与推荐形成

根据不同研究设计采用相应工具进行方法学质量或偏倚风险评价；在此基础上，采用GRADE（grading of recommendations，assessment，development and evaluations）框架对证据确定性进行分级，分为高、中、低和极低质量证据，推荐强度分为强推荐和弱推荐^［11-13］。强推荐表示该评估方法在相应临床情境下，预期临床价值明确，适用于绝大多数目标人群，可作为常规或优先选用的方法；弱推荐表示虽然可能具有一定的临床应用价值，但其适用性受证据确定性、实施条件、资源可及性及具体场景等因素影响，临床应用时需结合实际情况个体化选用^［13］。在此基础上，结合获益与风险、可行性及临床适用性等因素拟定初步推荐意见，采用改良Delphi法结合专家会议进行多轮匿名评价；当某条意见获得不少于75%的有效回复专家赞成时，视为达成共识^［14］。

1.4　草案形成与审定

在证据总结和专家讨论基础上形成共识草案，经专家组内部审读、修订及外部同行评议后定稿。根据证据充分性及临床适用性，对证据较充分的问题形成正式推荐意见；对临床重要但不能形成分级推荐的问题形成专家共识性陈述；对尚处于探索阶段的内容提出研究建议。

2 核心术语与定义

2.1　脑机接口

BCI是指通过采集脑活动信号，并将其实时或准实时转换为具有功能意义输出的技术系统，用于监测、替代、改善、增强或补充脑与外部或内部环境之间的信息交互^［5，7］。本共识所称脑活动信号包括脑电生理信号、脑磁信号以及脑活动相关的血流或血氧动力学信号等^［15］。根据采集方式，BCI可分为非侵入式、半侵入式和侵入式3类，不同类型BCI的技术特征^{［6-7，15］}见表1。

2.2　基于BCI的康复评估

基于BCI的康复评估（BCI-based rehabilitation assessment）是指在标准化任务范式或特定功能状态下，利用BCI技术采集患者脑活动信号，通过实时或准实时的特征提取、状态判别与模式解码，形成具有临床解释意义的评估输出，以补充行为学评估和临床检查，辅助判断患者的残余神经功能、功能分层、预后及疗效变化^［5-7］。其本质是将脑活动转化为可解释的神经生理评估信息，为传统行为学评估难以充分反映的神经功能状态提供补充性依据^［1，6］。

需要指出的是，现有大量研究仍属于BCI领域的相关研究基础或前期验证证据。这类研究通常在标准化任务范式下采集脑活动信号，并通过离线分析、伪在线分析或模型训练与验证，探索其在功能识别、状态分层、预后判断或疗效监测中的潜在价值，但未在当前评估过程中形成实时或准实时的输出。因此，此类研究可作为康复评估BCI的重要证据基础，但不宜与其完全等同。此外，不具备BCI核心环节、仅进行脑信号记录与离线分析的传统脑活动检测技术，一般不纳入用于康复评估的BCI范畴，如临床常规脑电检查和诱发电位检查等^［5］。

2.3　关键技术与相关术语

运动想象（motor imagery，MI）：指个体在不进行实际肢体运动的情况下，在大脑中主动模拟特定运动动作（如握拳、屈肘、行走等）的心理过程^［16］。

运动尝试（motor attempt，MA）：指个体主动尝试完成特定运动任务，即使由于运动障碍仅表现为无动作或极少动作输出^［16］。

主动范式（active paradigm）：要求受试者主动完成特定心理任务或遵循指令的范式，如MI、命令跟随等。

被动范式（passive paradigm）：指不要求受试者主动产生特定控制意图或持续执行明确指令任务，主要通过外部刺激诱发脑反应的范式，如听觉或视觉Oddball范式、姓名刺激范式等。

事件相关电位（event-related potentials，ERP）：指大脑对特定刺激事件（如视觉、听觉、触觉等刺激）产生的时间锁定的电生理反应，具有明确的潜伏期与幅值特征，如P300和失匹配负波（mismatch negativity，MMN）。

多模态融合（multimodal fusion）：指联合2种及以上信号采集技术［如EEG-fNIRS、EEG-功能磁共振成像（fMRI）、EEG-肌电图（EMG）等］，并在数据层、特征层或决策层进行整合分析，以利用不同模态在时间分辨率、空间定位、血氧动力学信息或外周执行信息等方面的互补性，提高评估的稳定性和信息完整性^［17］。

上述术语构成本共识中BCI康复评估相关技术与指标的基础概念框架。

推荐意见1（专家共识性陈述，不作GRADE分级）：明确康复评估BCI的基本定义与技术边界。用于康复评估的BCI应具备脑信号采集、实时或准实时特征提取与解码、输出可解释评估结果等基本要素。

3 BCI用于康复评估的技术规范

3.1　技术选择原则

BCI康复评估技术的选择需综合考虑评估目标、患者病情、安全性、信号质量及临床可行性，遵循以下原则：

3.1.1　安全性优先原则

康复评估应优先选择非侵入式、风险较低且可重复实施的BCI技术^［18］。现阶段康复评估研究与临床探索中，EEG、fNIRS及其多模态组合更具可行性^［19］。半侵入式和侵入式BCI目前主要应用于特定研究场景，不宜作为常规康复评估手段^［20］。

3.1.2　目标适配原则

应根据评估目的和功能维度选择合适的信号类型与任务范式。肢体运动功能和吞咽功能评估可优先考虑EEG［如MI、MA、运动相关皮层电位（MRCP）相关范式］或EEG-fNIRS等多模态方案^{［19，21］}；认知功能评估可结合Oddball等ERP相关范式，并以P300等ERP成分作为重要指标^［22］；意识障碍评估宜区分主动范式和被动范式；言语及情感等相关评估可根据研究基础和具体场景审慎选择相关方案^［19］。

3.1.3　信号质量保障原则

技术选择应兼顾信号质量、数据可解释性与临床实施条件。实施过程中应关注电极或探头接触质量、环境噪声控制、伪迹监测与处理、患者依从性及重复测量一致性。评估方案宜尽量简化流程，控制时长，采用短时程、分区块设计，并根据患者疲劳程度和临床状态合理安排休息或分次完成^［23］。

3.1.4　个体化适配原则

技术与任务范式的选择应结合患者年龄、认知与注意水平、意识状态、感觉通路条件、损伤类型与严重程度进行个体化调整。对于儿童或依从性较差者，可采用更具吸引力或游戏化的任务形式；对于认知受损或意识波动明显者，应优先采用结构简单、负担较低的范式，并根据评估过程中的表现动态调整任务复杂度^［24］。

推荐意见2（专家共识性陈述，不作GRADE分级）：常规康复评估宜优先采用非侵入式BCI技术，如EEG、fNIRS或多模态组合。半侵入式或侵入式BCI仅限于特定条件下开展，不宜作为常规康复评估手段。

3.2　信号采集技术规范

3.2.1　非侵入式BCI信号采集规范

3.2.1.1　EEG采集规范

EEG是BCI康复评估中最常用的信号类型，其采集应遵循以下规范。

（1）设备要求：采用符合医用电气设备标准（GB 9706系列）的EEG设备，采样率不低于250 Hz（如涉及高频γ分析或精细时序分析，建议≥500 Hz），信号分辨率≤0.1 μV，输入阻抗≥10 MΩ，共模抑制比（CMRR）≥100 dB，具备工频陷波（50 Hz或60 Hz）、滤波等功能。电极采用银/氯化银（Ag/AgCl）电极，生物相容性符合ISO 10993标准。

（2）电极放置：遵循国际10～20电极系统^［25］。在条件允许时，可根据任务需要采用更高密度布局。运动功能评估重点放置C3、C4、Cz、FC3、FC4等运动皮层区域电极；认知功能评估（P300）放置Fz、Cz、Pz等中线电极及两侧电极；稳态视觉诱发电位（SSVEP）评估放置Oz、O1、O2等枕叶视觉皮层电极；意识障碍评估需覆盖额顶区及顶枕区皮层，以保证对任务相关反应的充分采集。参考电极可采用双乳突（A1/A2）或平均参考，避免影响目标区域信号分析。

（3）阻抗控制：电极阻抗建议≤5 kΩ，最大不超过10 kΩ。采集前应清洁患者头皮，必要时使用导电膏增强导电性；采集过程中实时监测电极阻抗，及时调整。

（4）环境要求：评估环境应安静、光线柔和，温度20～25 ℃，湿度40%～60%；远离电磁干扰源，必要时使用电磁屏蔽室；减少无关人员干扰。

（5）患者准备：采集前应告知患者评估流程，缓解紧张情绪；患者应洗净头发，避免使用发胶等产品；穿着宽松衣物，采集过程中保持头部相对稳定，减少伪迹。

（6）采集参数设置：建议高通滤波0.01～1 Hz，低通滤波30～50 Hz（可根据具体任务调整）；工频陷波开启（50±1）Hz。MI任务每次准备1～2 s，任务3～5 s，休息2～3 s，每个任务重复20～30次；ERP任务应保证足够试次数以提高信噪比，单一条件通常不少于100个有效刺激^［26］。

3.2.1.2　fNIRS采集规范

fNIRS评估在同步进行运动任务时具有一定优势，采集应遵循以下规范^［27］。

（1）设备要求：符合医用标准的fNIRS设备，近红外光波长650～950 nm，采样率不低于10 Hz，空间分辨率通常为厘米级；具备血氧浓度实时计算与显示功能，数据格式兼容常用分析软件^［28］。

（2）探头放置：根据国际10～20电极系统定位，覆盖目标脑区；探头与头皮距离应尽量接近，避免毛发遮挡，必要时修剪局部毛发。

（3）信号质量控制：采集前检查探头贴合度，实时监测信噪比（建议≥5 dB），记录患者头部运动情况。

（4）环境与患者准备：避免强光直射探头；患者应保持头部相对稳定，告知患者探头无电流刺激。

（5）采集参数设置：单次评估采集静息态信号≥5 min，任务态每个任务块时长30～60 s，间隔30 s，重复3～5次；同步记录任务标记。

3.2.1.3　多模态（EEG-fNIRS）采集规范

（1）设备兼容性：确保EEG与fNIRS同步采集，时间同步误差≤10 ms^［29-30］。

（2）探头与电极布局：合理规划位置，避免相互遮挡，优先将EEG电极放置于fNIRS探头间隙^［23］。

（3）信号质量协调：EEG电极阻抗建议控制在5 kΩ以下，fNIRS探头贴合良好，同时监测2种信号质量。

3.2.2　半侵入式与侵入式BCI信号采集规范

（1）适应证：仅适用于非侵入式评估效果不佳的严重神经功能障碍患者，如高位脊髓损伤［美国脊髓损伤协会（American Spinal Injury Association，ASIA）A级］、重度意识障碍［改良版昏迷恢复量表（Coma Recovery Scale-Revised，CRS-R）评分≤8分］、肌萎缩侧索硬化症（amyotrophic lateral sclerosis，ALS）晚期等^［31］。

（2）术前评估：进行全面影像学检查明确脑区结构，评估凝血功能、感染风险等指征，排除手术禁忌证。

（3）手术操作：由神经外科医师在无菌手术室实施；术后通过影像学确认电极位置，监测并发症。

（4）信号采集：术后在临床状况稳定且经医生评估安全后（多为1～3 d）开展信号采集，设备须具备高分辨率、低噪声特性，严格遵守无菌操作规程。

（5）术后护理：监测生命体征，酌情给予抗感染、降颅压等治疗；用于康复评估的半侵入式或侵入式BCI一般是康复训练或外部系统控制场景中的嵌入式评估，通常以长期留置为目标，植入周期可为数月至数年，具体应结合病情、装置类型、信号可用性、并发症风险及伦理审批综合确定^［32］。

3.3　信号处理与解码规范

3.3.1　信号预处理规范

3.3.1.1　EEG信号预处理

参考文献［33］。① 滤波：采用有限脉冲响应滤波器，高通0.01～1 Hz（具体参数根据任务类型确定）、低通30～50 Hz（如涉及γ频段分析可适当提高），并启用工频陷波；② 伪迹去除：采用独立成分分析去除眼电、肌电伪迹，剔除异常数据段；③ 基线校正：以任务前100～200 ms为基线进行校正；④ 重参考：可采用双侧乳突信号或平均参考。

3.3.1.2　fNIRS信号预处理

参考文献［34］。① 运动伪迹去除：采用滑动窗口法、小波变换或主成分分析等方法；② 信号平滑：采用移动平均滤波；③ 基线校正：以任务块前10 s为基线进行校正；④ 剔除异常通道：剔除信噪比低于3 dB或漂移超标的通道。

3.3.1.3　多模态信号预处理

同步处理并进行时间对齐，分别去除伪迹后进行特征层或决策层融合。

3.3.2　特征提取规范

3.3.2.1　EEG信号特征提取

① 时频域：采用短时傅里叶变换、小波变换提取μ/β节律功率，计算事件相关去同步/事件相关同步（ERD/ERS）；② 时域：提取ERP的幅值与潜伏期；③ 空间域：采用共同空间模式或空间滤波；④ 非线性特征：计算近似熵、样本熵等。

3.3.2.2　fNIRS信号特征提取

① 时域：提取氧合血红蛋白（HbO₂）峰值、上升斜率等；② 统计特征：计算任务态与静息态差异值、变化率；③ 空间特征：分析多通道分布模式。

3.3.2.3　多模态特征提取

采用特征拼接、特征选择或特征融合方法，构建联合特征向量。

3.3.3　解码算法规范

3.3.3.1　算法选择

① 传统机器学习：支持向量机、线性判别分析、随机森林等算法，适用于中小样本及结构化特征数据^［35］；② 深度学习：卷积神经网络、循环神经网络等适用于高维度信号，须具备足够样本量以避免过拟合^［36］；③ 集成算法：采用投票法、堆叠法可提升稳定性。

3.3.3.2　模型训练与验证

应采用严格的数据划分策略，避免同一受试者的数据同时进入训练集与测试集，防止数据泄漏。若涉及特征选择或超参数优化，宜采用嵌套交叉验证或独立测试集进行评估。模型可采用个体化训练、群体模型或迁移学习等策略，并根据患者特征与任务场景进行校准。

3.3.3.3　解码性能要求

解码性能应显著高于随机水平，并结合任务类别数、类别不平衡情况、临床用途及实时性要求综合评价^［30］。建议至少报告准确率、灵敏度、特异度、F1分数或AUC等指标及其置信区间；对于在线系统，还应报告时延、稳定性和重复测量一致性。多模态方案是否优于单一模态，应以预设分析和统计比较结果为依据，不宜设定统一提升幅度阈值。

3.4　设备与环境标准化要求

3.4.1　设备性能标准

用于临床的信号采集设备应具备医疗器械注册证，其中EEG设备应符合GB 9706.226—2021标准，fNIRS设备应符合GB 9706.271—2022标准；电极与探头的生物相容性须满足ISO 10993系列标准的相关要求。设备应按照说明书及医疗机构计量管理要求定期校准。数据处理设备应具备足够的计算能力，并安装正版软件。辅助设备中，一次性耗材应使用无菌包装，复用器具须经严格消毒；同时应配备信号质量监测装置，用于实时监测与反馈采集状态。

3.4.2　环境标准化要求

评估环境应保持安静、光线和温湿度相对稳定，减少无关刺激与人员干扰，并尽可能远离大型电机、电梯、空调主机等电磁干扰源。评估室电磁兼容性应符合GB/T 18268标准，其中工频电磁场应≤0.2 μT，射频干扰应≤1 V/m。评估室面积建议不小于15 m²，室内温度应控制在20～25 ℃，噪声水平≤50 dB。应配备急救设备及消防设施，所有电气设备须确保接地良好。数据安全方面，应采取加密存储、防火墙、访问控制等措施，数据传输过程亦应进行加密处理。

4 BCI康复评估体系构建

4.1　BCI康复评估的原则

BCI康复评估应遵循多维度整合、标准化与个体化结合、动态监测、安全优先、循证导向及伦理合规等原则，见表2。需要特别强调的是，BCI提供的主要是神经生理层面的客观信息，不能替代标准化行为学评估和临床观察，而应作为补充性工具用于交叉验证和辅助决策。上述原则有助于确保评估结果的科学性与可重复性，并为个性化康复提供依据^［37］。

4.2　评估目标与适用人群

4.2.1　评估目标

BCI康复评估的核心目标包括：① 识别任务相关脑活动模式及其异常特征，为残余神经功能判断提供补充信息；② 辅助患者分层、恢复潜力判断及预后评估；③ 动态监测神经活动或脑网络相关变化，作为疗效评估的补充性神经生理指标；④ 为个体化康复决策提供辅助依据^［7，38］。

4.2.2　适用人群

适用人群宜根据证据成熟度和临床目的分层考虑^［6］。现阶段应用价值相对较高的人群主要包括：意识障碍患者，以及需判断残余运动意图、恢复潜力或动态监测的脑卒中患者。认知障碍、言语障碍及情绪障碍等人群可根据具体问题和实施条件审慎开展，但相关证据总体仍较有限。见表3。

4.3　限制条件与慎用情形

4.3.1　不适宜开展BCI评估

① 生命体征不稳定或急性病情未控制；② 无法安全完成评估体位或无法配合评估；③ 采集部位存在严重皮肤破损或感染（针对相应模态）；④ 不具备知情同意能力且无法由其合法代理人代为决定者。

4.3.2　需谨慎开展BCI评估并调整范式

① 明显意识波动、极重度疲劳或镇静状态；② 严重视觉或听觉障碍（需调整刺激通道）；③ 明显运动伪迹、震颤或不自主运动；④ 光敏性癫痫或癫痫高危者使用闪烁刺激任务时。

4.3.3　与特定BCI模态相关的限制

① 头皮感染或伤口：可能影响EEG/fNIRS电极/探头放置；② 金属植入物或电子植入装置：需根据具体模态和设备兼容性进行个体化判断，不宜笼统列为一般禁忌。

4.4　分领域评估指标与方法

BCI康复评估可应用于意识、肢体运动、吞咽、认知、言语及情感等功能领域，但不同领域的证据成熟度和临床应用价值存在明显差异。现阶段，意识障碍相关评估和部分肢体运动功能评估的证据相对较充分；认知、言语和情感等功能评估总体仍以补充性或探索性应用为主。各领域评估均应在标准化任务范式基础上，结合行为学量表、临床资料及必要的脑网络或功能影像学信息进行综合解释。

4.4.1　BCI在意识障碍评估中的应用

意识障碍患者常因缺乏稳定的外显行为反应而增加误判风险。BCI临床价值主要在于减少漏诊、提高隐匿意识识别率，但不能替代标准化行为学评估和临床观察^［39-41］。

4.4.1.1　推荐任务范式和参考评估指标

意识障碍的BCI评估宜采用主动和被动两类范式。主动范式主要包括指令跟随和MI等任务，用于判断患者是否存在与指令一致的自主脑反应^［42］；被动范式主要包括听觉或视觉Oddball、姓名刺激等ERP任务，用于评估刺激辨别及信息加工保留情况^［43-44］。对结果不确定或需提高判断稳健性的患者，可联合EEG与fNIRS、fMRI或眼动等多模态手段进行综合评估^［45］。

评估时建议重点关注以下指标：① 主动范式下是否存在与任务时序一致且显著高于随机水平的脑反应；② P300、MMN、N100等ERP成分是否可识别；③ 结果在不同运行及重复评估中的稳定性；④ 患者是否具备进一步进入简单沟通范式的可能^［43-47］。意识障碍的康复评估指标见表4。

4.4.1.2　推荐意见

推荐意见3（弱推荐；中等质量证据）：在意识障碍患者中，宜采用标准化主动和/或被动范式进行重复评估。主动范式包括指令跟随和MI任务，被动范式包括Oddball、姓名刺激等任务；其主要目的在于检测任务相关脑反应，并为认知运动分离（cognitive-motor dissociation，CMD）识别、沟通潜力判断及预后评估提供补充信息。

推荐意见4（强推荐；中等质量证据）：BCI评估结果应与CRS-R等标准化行为学量表及临床资料联合解读。经严格质量控制和统计学检验的阳性结果可作为重要补充证据；单次阴性结果不能排除残余意识，不宜将单一BCI结果脱离临床背景单独用于意识分级或预后判断。

4.4.1.3　证据支持

现有证据主要来自任务型EEG/fMRI命令跟随研究、P300-BCI及混合BCI沟通研究，以及ERP相关预后研究^［48-50］。2024年1项多中心前瞻性研究显示，在353例意识障碍患者中，约25%的无可见命令跟随者可在任务型EEG或fMRI中检出CMD^［39］。系统综述显示，P300是意识障碍BCI研究中最常用的信号之一，相关应用主要集中于评估、沟通及预后判断^{［41，48］}。另有研究提示，MMN、P300和N100等成分对预后判断具有一定参考价值，但不同研究在人群、任务设计及判定标准方面存在较大异质性^{［43，50］}。因此，BCI更适合作为标准化行为学评估的补充工具，并应在重复评估和多模态框架下综合解释。

4.4.2　BCI在肢体运动功能障碍评估中的应用

BCI在肢体运动功能障碍评估中的主要价值，在于当患者可见运动输出受限、代偿动作较多，或临床表现与脑损伤程度不完全一致时，通过任务相关脑信号为行为学量表和临床检查提供补充性神经生理信息，用于辅助判断残余运动意图、皮层募集状态、恢复潜力及训练反应^［51-52］。

4.4.2.1　推荐任务范式和参考评估指标

肢体运动功能障碍的BCI评估宜优先采用标准化MI或MA范式，必要时可结合被动运动、感觉提示或外周执行信息，以提高任务可执行性和结果解释力。上肢评估可围绕手指、腕、肘或肩部等动作设计任务；下肢相关范式可在特定场景下探索应用，但现阶段证据相对较少。对MI能力不确定者，建议在正式评估前进行任务可执行性预评估^［53-54］。在模态选择方面，EEG仍是最常用技术路径，可用于观察μ/β节律调制及MRCP等任务相关脑活动；在需要补充皮层血氧动力学信息或观察半球募集差异时，可结合fNIRS或采用EEG-fNIRS多模态方案^{［51，55］}。

评估时建议重点关注以下指标：① 任务态神经指标，如对侧感觉运动皮层μ/β节律ERD/ERS、MRCP时序特征，以及必要时的HbO₂与脱氧血红蛋白（HbR）变化；② 静息态或背景神经指标，如定量脑电图（qEEG）功率比值及连接性指标；③ 整合性指标，如解码性能、跨运行一致性、重复评估趋势，以及与EMG和行为学量表之间的对应关系^［55-56］。肢体运动功能的康复评估指标见表5。

4.4.2.2　推荐意见

推荐意见5（强推荐；中等质量证据）：对需开展运动相关BCI评估的患者，宜优先采用标准化MI或MA范式。建议重点关注任务相关的μ/β节律ERD/ERS、MRCP特征，并在条件允许时结合fNIRS、EMG及行为学量表进行综合判定。

推荐意见6（弱推荐；低质量证据）：现阶段肢体运动功能相关BCI评估可优先应用于卒中后上肢功能障碍患者，尤其适用于需判断残余运动意图、恢复潜力或进行动态监测的中重度患者。对下肢功能评估可根据具体场景审慎开展，相关证据总体仍较有限。

4.4.2.3　证据支持

目前肢体运动功能障碍领域仍以BCI相关研究基础和训练场景中的嵌入式评估证据为主，严格符合“基于BCI的康复评估”定义的研究相对较少。现有较一致的证据主要集中在以下2个方面：① EEG/qEEG具有一定分层与预后价值。系统综述与Meta分析提示，EEG指标与卒中后改良Rankin量表（mRS）、美国国立卫生研究院卒中量表（NIHSS）及FMA等结局相关，可在标准临床评估之外提供增量预测信息；δ/α比值（DAR）和（δ＋θ）/（α＋β）比值（DTABR）等qEEG指标与卒中后功能障碍程度及预后亦存在相关性^{［52，56］}。② MI/MA相关BCI研究提示，任务相关脑活动变化可用于反映训练反应和神经可塑性变化。随机对照研究和Meta分析显示，MI-BCI作为常规康复的补充，可改善部分运动功能和日常生活活动能力，并伴随功能连接或其他神经活动指标的变化^{［55，57］}。但需要指出的是，这类证据多来自训练系统内嵌评估输出，而非纯评估型BCI研究。

总体而言，BCI在肢体运动功能障碍评估中的优势在于：当可见动作不足、代偿较多或量表变化滞后时，可提供更早期的神经生理信息，帮助识别残余运动意图、观察皮层募集模式并监测干预相关变化。其局限在于：MI能力个体差异明显，任务依从性受认知水平、疲劳程度和伪迹影响，输出指标尚未标准化，且神经生理指标与真实功能结局并非一一对应。因此，现阶段BCI更适合作为行为学评估和临床检查的补充工具，而不宜单独替代功能结局评估^{［51，55-57］}。

4.4.3　BCI在吞咽功能障碍评估中的应用

BCI在吞咽功能障碍评估中的潜在价值，在于当常规床旁评估、量表或影像学检查难以充分反映吞咽相关中枢驱动状态时，通过任务相关脑活动提供补充性的神经生理信息，用于辅助判断吞咽相关运动意图、皮层募集状态及干预反应^［58-59］。

4.4.3.1　推荐任务范式和参考评估指标

吞咽功能障碍的BCI评估可采用自主吞咽任务（唾液吞咽或指令吞咽）、吞咽想象任务（适用于重度患者）、吞咽准备-执行分期任务（结合肌电触发信号）。对于吞咽时相划分需求较高的患者，建议优先采用EEG-EMG联合方案；存在明显运动伪迹或需提高空间分辨率时，可考虑EEG-fNIRS多模态评估。现有研究提示，吞咽MI与实际吞咽在中央区和顶区存在部分相似的脑活动模式，为其作为间接评估路径提供神经生理学依据，但现阶段仍主要停留在机制验证和范式优化阶段^{［56，60］}。

评估时建议重点关注以下指标：① 任务态神经指标，如中央区和顶区的α/β节律变化，以及必要时的高频活动变化；② 半球侧化和功能连接特征，用于观察吞咽网络募集是否异常；③ 整合性指标，如跨试次一致性、重复评估趋势，以及与临床吞咽量表、床旁筛查和影像学检查结果之间的一致性。采用fNIRS路径时，还可关注任务相关HbO₂与HbR变化及网络连接特征^［61-63］。吞咽障碍的康复评估指标见表6。

4.4.3.2　推荐意见

推荐意见7（弱推荐；低质量证据）：建议在条件允许时，将BCI技术应用于吞咽功能评估。可采用EEG或多模态BCI技术（如EEG-EMG、EEG-fNIRS），结合自主吞咽或吞咽想象任务，分析μ/β节律调制、运动相关皮层电位及血氧动力学变化，以评估吞咽相关皮层激活及神经控制能力。

推荐意见8（强推荐；中等质量证据）：应联合传统吞咽功能评估方法进行综合判定。建议将BCI评估结果与VFSS、FEES及临床量表（如SSA、FOIS）结合解读，不建议单独依赖神经电生理指标进行吞咽功能分级或预后判断。

4.4.3.3　证据支持

目前，吞咽功能障碍领域严格符合“基于BCI的康复评估”定义的证据仍较少，现有研究以神经机制探索、任务特征识别和前期验证为主。2016年的1篇综述系统总结了吞咽执行与吞咽MI相关的EEG、fNIRS、fMRI等研究，提出吞咽MI检测可能成为吞咽障碍康复的重要路径^［64］。近年来的原始研究进一步支持吞咽障碍存在可检测的皮层活动和网络异常。2023年的系统综述与Meta分析提示，卒中后吞咽障碍与感觉运动皮层、岛叶、小脑、丘脑、基底节及相关白质通路异常有关^［59］；2025—2026年的EEG和fNIRS研究显示，卒中后吞咽障碍患者在吞咽任务中可表现出α/β去同步异常、侧化异常、功能连接异常以及γ频段功率和相位同步异常^［61-62］。1项基于EEG分析的研究发现，健康受试者吞咽MI与实际吞咽在中央区和顶区存在弱但显著的相关性，为吞咽MI作为间接评估路径提供了生理学依据^［60］。

总体而言，吞咽功能障碍的BCI评估已具备一定神经机制基础和方法学可行性，但成熟的临床评估系统和高质量验证研究仍不足。因此，现阶段更适合在具备条件的中心作为补充性、探索性评估手段开展，而不宜作为常规评估路径推广。

4.4.4　BCI在认知功能障碍评估中的应用

BCI在认知功能障碍评估中的价值，主要体现在当传统神经心理测验受运动输出受限、言语表达障碍、疲劳、觉醒波动或协作不足影响时，可通过任务相关脑活动提供补充性的神经生理信息，用于辅助判断注意、信息加工速度、工作记忆和执行功能等认知过程是否受损，并为功能分层和随访监测提供客观依据^［65-66］。

4.4.4.1　推荐任务范式和参考评估指标

认知功能障碍的BCI评估宜根据目标认知域选择标准化任务范式。现阶段，ERP相关范式仍是最常用的、可重复性相对较好的路径，其中听觉或视觉Oddball/P300范式主要用于注意分配、目标检测和信息加工速度评估；Stroop、Go/No-Go、Flanker等范式适用于抑制控制和执行功能评估；N-back及其他工作记忆任务可用于工作记忆和短时记忆评估。在fNIRS路径中，前额叶任务（如词语流畅性任务、工作记忆任务）及静息态功能连接分析应用较多。对严重运动或言语受限患者，可在具备条件时探索采用较低运动、低言语依赖的输出型任务系统^［65-66］。

评估时建议重点关注以下指标：① ERP指标，如P300潜伏期和波幅，必要时关注N200、P200、N100等成分；② 频域和连接性指标，如θ/α/β节律功率变化及功能连接特征；③ fNIRS指标，如前额叶任务相关HbO₂与HbR变化、激活范围和静息态连接特征；④ 整合性指标，如跨试次一致性、重复评估稳定性以及与认知筛查量表或神经心理测验结果之间的一致性^［65-67］。认知功能的康复评估指标见表7。

4.4.4.2　推荐意见

推荐意见9（弱推荐；低质量证据）：认知功能BCI评估宜基于认知域特征及患者基线认知水平分层选择标准化任务范式。评估前建议结合简明精神状态检查量表（MMSE）、蒙特利尔认知评估量表（MoCA）等认知筛查工具进行初步分层，必要时辅以详细神经心理学评估，并根据注意、记忆、执行功能等不同认知域选择相应标准化任务。任务复杂度宜与患者当前认知能力相匹配，并可根据任务表现和脑反应特征进行动态调整，不建议使用非结构化或未经验证的任务设计。

推荐意见10（弱推荐；低质量证据）：认知功能BCI评估结果应结合年龄、教育程度、文化背景及疾病阶段进行综合解释。建议逐步建立分层参考数据库，以提高评估的准确性和临床适用性。不宜将单一BCI指标脱离临床背景单独用于认知诊断、严重程度分层或预后判断。

4.4.4.3　证据支持

目前认知功能障碍领域的证据主要来自ERP和fNIRS相关研究，严格符合“基于BCI的康复评估”定义的成熟输出型系统仍较少。现有较系统的证据主要集中于轻度认知障碍和阿尔茨海默病相关研究。2024年的1篇系统综述与Meta分析显示，轻度认知障碍患者在P200、N200、P300等ERP成分的潜伏期和波幅方面与健康对照存在较稳定差异，提示ERP可作为认知障碍的客观补充指标^［65］。在fNIRS方面，前额叶任务相关血氧动力学变化和静息态连接特征在区分主观认知下降、轻度认知障碍、阿尔茨海默病与正常老化方面显示出一定潜力，但不同研究在任务设计、通道布局、分析方法和外部验证方面仍存在较大异质性^［68-69］。尽管这些研究大多属于离线或伪在线分析，但是它们为“认知障碍BCI评估”提供了较强的前期验证证据。

总体而言，BCI在认知功能障碍评估中的优势在于：可在传统量表受限时提供更客观的认知加工证据，并有望用于辅助分层和动态随访。其局限在于：当前输出型系统较少，任务和算法异质性高，认知域之间边界复杂，且神经生理异常与日常生活功能之间并非一一对应。因此，现阶段BCI更适合作为传统认知评估的补充工具，而不宜单独替代认知诊断和功能结局评估。

4.4.5　BCI在言语功能障碍评估中的应用

BCI在言语功能障碍评估中的潜在价值，主要体现在当传统语言评估明显依赖口语表达、书写、手部操作或较长时间配合，而患者又存在失语、构音障碍、重度运动受限或疲劳明显时，可通过任务相关脑活动提供补充性的神经生理信息，用于辅助判断语言理解、语义加工、语音表征及进入辅助沟通路径的可能性^［70-72］。

4.4.5.1　推荐任务范式和参考评估指标

言语功能障碍的BCI评估现阶段宜优先采用两类任务范式：第1类为语言理解或语言加工范式，包括听觉或视觉Oddball、Go/No-Go、词汇-语义判断及自然语音聆听等，主要用于评估语言理解、信息加工速度和语义整合能力；第2类为想象言语或内言语范式，主要用于在口语表达明显受限时，探索患者是否仍保留语音表征和语言生成相关的脑活动。对采用fNIRS路径者，可补充前额叶和颞叶相关血氧动力学变化及连接特征^［71-72］。

评估时建议重点关注以下指标：① ERP指标，如P300以及必要时的N400、P600等成分；② 自然语音相关脑网络指标，如语音包络追踪、诱发反应功能连接和网络拓扑特征；③ 想象言语相关指标，如跨试次一致性、重复评估稳定性及其与行为学语言量表之间的对应关系。对临床解释而言，结果的稳定性和可重复性通常比单次分类准确率更为重要^［73］。言语功能的康复评估指标见表8。

4.4.5.2　推荐意见

推荐意见11（弱推荐；低等质量证据）：言语功能BCI评估应优先保证任务可理解性及感觉通路基本可用。在实施相关评估前，应确认患者听觉或视觉通路基本可用，并确保任务指令清晰、负担适宜；对明显感觉通路受损者，不宜直接采用相应刺激范式。

推荐意见12（弱推荐；低等质量证据）：言语功能BCI评估结果不宜基于单一指标作定性判断。建议结合ERP成分、节律或网络特征，以及失语量表、沟通功能评估和临床资料综合解释；不宜仅依据单一电位幅值、单次分类结果或单一连接指标判断语言功能保留程度或恢复潜力。

4.4.5.3　证据支持

言语功能障碍领域目前仍以BCI相关基础性研究和前期验证研究为主。1项关于失语症电生理研究的综述提示，ERP和相关电生理技术能够从不同层面反映语音、语义、句法及自然语音加工异常，但现有范式、指标和报告方式异质性较大，临床应用边界尚未统一^［70］。关于想象言语的系统综述显示，基于EEG的想象言语是当前言语BCI研究的重要方向，但研究重点仍主要集中在分类方法、特征工程和数据集构建，临床评估型应用尚处于早期阶段^［71］。更接近临床评估方向的研究主要集中于卒中后失语的客观脑标志物构建。近年来的研究显示，自然语音聆听任务下的EEG诱发反应功能连接、脑网络模式及自然语音神经追踪与卒中后失语表型相关，提示其可能成为客观评估指标^［72-73］。

总体而言，BCI有望在传统语言评估受限时提供客观的脑标志物，尤其适用于探索自然语音理解、语义加工和想象言语表征等行为上难以直接观察的过程；但当前输出型系统证据仍少，语言功能本身具有多维且高度分布的特点，现有范式和指标尚未标准化，且神经生理异常与真实沟通能力之间并非一一对应。因此，现阶段BCI更适合作为传统语言评估的补充工具，而不宜单独替代失语诊断和沟通功能评估。

4.4.6　BCI在情感障碍等其他功能障碍评估中的应用

在情感障碍及其他主观症状相关功能障碍领域，BCI的潜在评估价值主要在于：当传统量表受主观报告偏倚、运动或言语输出受限、认知负荷或疲劳影响时，脑信号可提供补充性的神经生理信息，用于辅助判断情绪状态异常、抑郁或焦虑症状分层及治疗反应变化^［74-76］。其他方向如疼痛、睡眠状态及自杀风险相关脑功能异常，目前仍以探索性研究为主，尚不宜作为成熟常规评估路径^［77-78］。

4.4.6.1　推荐任务范式和参考评估指标

情感障碍相关BCI评估现阶段宜优先采用以下2类路径：① 静息态EEG或fNIRS，用于观察前额叶及相关网络的基线活动、频谱特征、功能连接及不对称性；② 情绪诱发或情绪识别范式，包括视觉或听觉情绪刺激、情绪Oddball、情绪图片及自然情境情绪诱发任务，用于评估对正负性刺激的加工偏向、唤醒度变化和情绪调节相关脑反应。在fNIRS研究中，词语流畅性任务等前额叶任务应用较多^［75-76］。

评估时建议重点关注以下指标：① EEG频谱和连接性指标，如α/β节律功率、额叶不对称性、功能连接和复杂度特征；② ERP及情绪诱发反应；③ fNIRS前额叶血氧动力学指标，如任务相关HbO₂与HbR变化及静息态或动态功能连接。

4.4.6.2　推荐意见

推荐意见13（弱推荐；低质量证据）：对存在情绪症状或其他主观功能障碍，且常规量表评估明显受主观报告偏倚、运动或言语输出受限、协作不足等因素影响的患者，可在具备条件的机构探索采用基于EEG或fNIRS的标准化任务范式作为辅助评估手段，重点用于补充判断情绪状态异常、抑郁或焦虑症状分层、治疗反应变化，以及疼痛等主观症状的客观脑功能线索。其结果应结合标准量表和临床资料综合解释，不宜单独替代常规临床评估。

4.4.6.3　证据支持

现有证据主要来自抑郁相关EEG/fNIRS生物标志物研究及情绪识别相关脑信号研究。1项系统综述显示，EEG常用特征包括功率谱、功能连接和复杂度指标，但研究仍普遍存在小样本、外部验证不足和临床转化有限等问题^［74］。基于fNIRS的研究提示，抑郁患者常表现为前额叶血氧动力学反应减弱，且与症状严重度和治疗反应存在一定关联；词语流畅性任务相关前额叶低激活是目前较常见的发现之一^［75-76］。对于老年抑郁，EEG、fNIRS和眼动等指标可提供一定客观线索，但总体证据仍有限，且结论并不完全一致^［73］。

情感BCI和EEG情绪识别研究已显示，通过脑信号识别情绪状态在技术上具有可行性，但多数研究仍服务于人机交互、情感计算或方法学开发，而非成熟的临床精神评估系统^［79］。在疼痛方向，EEG-BCI研究和综述提示，基于脑信号的疼痛分类和检测对无法可靠自述疼痛的人群具有潜在价值；但该方向仍高度依赖数据集、算法和实验条件，距离常规临床应用尚有明显距离^［77-80］。总体而言，本领域更适合作为传统精神评估和主观症状评估的补充工具，提供研究性和增量性证据，而不宜单独替代标准临床评估路径。

综上，BCI用于康复评估在不同功能领域的证据成熟度存在明显差异。意识障碍领域证据最充分，基于主动和被动范式的评估可辅助识别隐匿意识及命令跟随相关脑反应，是当前临床转化相对充分的应用场景。肢体运动功能障碍评估领域，MI/MA相关指标可为残余运动意图识别、皮层募集状态评估及干预相关变化监测提供增量信息，但尚不能作为独立决策依据。吞咽、认知、言语及情感障碍等领域虽已有一定研究基础，但总体仍以补充评估、前期验证或探索性应用为主。

4.5　评估流程标准化

BCI康复评估的核心在于识别传统行为学评估和临床量表可能存在的“评估盲区”，可据此判断是否需要进入BCI评估路径。对纳入该路径的患者，应在标准化行为学评估和临床资料基础上，结合具体评估目标制定个体化方案。阳性结果提示存在任务相关脑反应或残余功能，阴性结果不能排除残余功能，必要时应结合重复评估或多模态方法进一步验证。具体流程见图1。该流程旨在体现BCI作为补充性评估工具的定位，而非替代常规行为学评估。

BCI康复评估的规范化流程可概括为以下4个阶段。第1阶段为评估前准备与方案制定：组建多学科团队，明确职责分工，系统收集病史、影像学资料及既往评估结果，判断适用对象与慎用情形，完成知情同意沟通，并根据临床问题确定评估目标、功能维度、信号模态、任务范式及个体化实施方案。第2阶段为正式评估实施：在患者准备充分和环境条件适宜的前提下，按照预设流程完成BCI康复评估，并同步开展信号质量控制和不良反应监测；对需分段完成的任务，应合理安排休息，以减少疲劳和注意波动的影响。第3阶段为数据处理与结果解释：根据预设流程完成特征提取、结果输出、质量控制及在必要时的离线分析复核，结合行为学量表、临床表现及其他辅助检查进行多学科综合解读，形成规范化评估报告。第4阶段为动态评估与随访：根据患者病情变化和康复阶段安排重复评估或阶段性随访，并将结果用于康复目标调整和干预优化，形成“评估-干预-再评估”的闭环管理。纳入长期随访数据库，以支持个体化康复决策及持续质量改进。

5 伦理与安全保障

伦理与安全保障是BCI康复评估规范应用的重要前提。在伦理层面，BCI康复评估应遵循尊重、有利、不伤害和公正等基本原则。评估前应向患者或其法定代理人充分说明评估目的、基本流程、潜在风险、结果解释边界及数据使用方式，并取得知情同意。对于意识障碍、重度认知障碍或儿童等特殊人群，应由法定代理人或监护人参与决策；对具备一定表达能力者，应尽可能尊重其本人意愿和参与程度^［81］。需特别强调的是，BCI评估结果属于神经层级信息，其解读应科学谨慎，避免过度承诺，避免将单次阳性结果简单等同于明确预后改善，亦避免将阴性结果单独解释为缺乏残余功能或恢复潜力^［20］。

在数据管理层面，脑活动数据及相关临床资料的采集、存储、使用和共享应遵循合法、正当、必要和最小化原则，采取去标识化、加密和分级授权等措施保护个人隐私与数据安全，并符合相关法律法规及伦理审查要求。技术推广过程中，还应关注不同地区和不同人群的可及性差异，警惕样本偏倚、算法偏差及解释不透明带来的不公平风险。

在安全管理层面，常规康复评估宜优先采用非侵入式技术。用于临床评估的设备应符合相应医疗器械管理要求，并定期维护、校准和质量核查；用于科研的系统，应在伦理审批和风险控制前提下规范使用。操作人员应接受相应培训，熟悉设备原理、任务范式、信号质量控制、伪迹识别及异常情况处置。评估过程中应根据患者状况加强安全观察；对于高风险对象或特殊场景，应重点监测光敏性癫痫、显著疲劳、情绪激惹及其他不良反应。相关机构宜建立设备故障、患者突发状况和数据安全事件的处置预案，确保评估全程安全、规范、可追溯。

6 临床应用与推广

6.1　临床实施条件

BCI康复评估的临床应用应坚持循证导向、规范实施与风险可控并重。现阶段开展相关工作的机构，宜具备明确的适用场景、基本设备条件、伦理与数据管理机制，以及由康复医学、神经科、神经电生理和工程技术人员参与的多学科协作模式^［26］。评估结果应纳入标准化报告和随访流程，并与行为学量表、临床资料及康复决策相衔接，以提高评估结果的可解释性和临床实用性。

6.2　人员培训与能力建设

BCI康复评估的规范实施有赖于临床与工程团队的协同配合。相关人员应接受与其岗位相适应的培训，内容宜包括设备操作、任务范式实施、信号质量控制、结果判读、伦理与数据安全等方面。不同层级医疗机构可结合自身能力逐步开展培训和能力建设，形成从基础操作到综合判读的连续培养路径。现阶段宜以规范化培训、质量控制和持续能力提升为重点，逐步完善分层培训和能力评价机制。

6.3　科研转化与推广路径

鉴于BCI康复评估整体仍处于发展阶段，未来应重点加强多中心、大样本、长期随访研究，推动标准化任务范式、最小数据集、结构化报告及评价指标体系的建立^［82-83］。鼓励医疗机构、科研院所和企业开展协同创新，推进设备优化、算法改进与临床验证。在条件允许的地区，可逐步探索区域协作、远程支持和数据共享机制，以提升技术可及性和推广效率。对于医保支付、产业支持及政策配套等问题，宜在充分开展临床价值和卫生经济学评价基础上逐步推进。

7 总结与展望

BCI技术在康复评估中的临床价值和发展潜力已逐步显现，但整体仍处于持续发展和逐步转化阶段^［84］。现有证据提示，BCI可为传统行为学评估提供补充性的神经生理信息，在意识障碍和肢体运动功能障碍等领域显示出较高应用潜力，而在吞咽、认知、言语及情感等领域仍需进一步积累证据并完善标准化路径。未来，BCI康复评估的发展重点在于推动设备智能便携化、多模态融合和人工智能赋能，促进评估与干预协同^［26］；拓展适用疾病、功能维度和实施场景^［46］；完善标准体系，强化产学研医协同创新^［85］；并持续应对依从性、稳定性、可及性和伦理安全等挑战^［86］。

本共识基于当前可获得证据和临床实践经验形成，旨在为BCI技术在康复评估中的规范应用提供参考。随着相关研究深入和证据更新，本共识亦需结合学科发展和临床需求变化适时修订，以进一步推动BCI康复评估向规范化和精准化方向发展，更好地服务于神经功能障碍患者的康复评估与临床决策。

共识专家组成员（按姓氏笔画排序）：

王长明（首都医科大学临床工程系）、王永慧（山东大学齐鲁医院）、王萍芝（山西白求恩医院）、王毅军（中国科学院半导体研究所）、王康玲（南方医科大学珠江医院）、王浩冲（西安交通大学）、王祥龙（南方医科大学珠江医院）、孔瑛（中南大学湘雅二医院）、公维军（首都医科大学附属北京康复医院）、白玉龙（复旦大学附属华山医院）、白定群（重庆医科大学附属第一医院）、白洋（南昌大学附属康复医院）、冯珍（南昌大学附属康复医院）、史宇（南方医科大学珠江医院）、江宁（四川大学华西医院）、许东升（上海中医药大学）、许建文（广西医科大学第一附属医院）、李金贤（新疆维吾尔自治区人民医院）、李勇强（江苏省人民医院）、李源莉（上海中医药大学）、李贞兰（吉林大学第一医院）、沈滢（南京医科大学第一附属医院）、宋振华（海口市人民医院）、吴文（南方医科大学珠江医院）、吴霜（贵州医科大学附属医院）、杜厚伟（福建医科大学附属协和医院）、张杨（山东中医药大学附属医院）、陈树耿（复旦大学附属华山医院）、林强（中山大学附属第七医院）、欧海宁（广东省中医院）、单春雷（上海交通大学医学院）、杨帮华（上海大学）、郑海清（中山大学附属第三医院）、侯景明（中国人民解放军陆军军医大学第一附属医院）、贾杰（复旦大学附属华山医院）、倪国新（厦门大学附属第一医院）、倪隽（福建医科大学）、徐蓉（南京大学医学院附属鼓楼医院）、陶倩（暨南大学）、袁华（空军军医大学第一附属医院）、黄丹（同济大学附属养志康复医院）、曾庆（南方医科大学珠江医院）、詹鸿锐（中山大学附属第五医院）、樊涛（南方医科大学珠江医院）、潘家辉（华南师范大学）、魏全（四川大学华西医院）。

参考文献

[1] KAZAZIAN K， MONTI M M， OWEN A M. Functional neuroima-ging in disorders of consciousness：towards clinical implementation ［J］. Brain，2025，148（7）：2283-2298.

[2] ABRAHAMS S. Neuropsychological impairment in amyotrophic lateral sclerosis-frontotemporal spectrum disorder ［J］. Nat Rev Neurol，2023，19（11）：655-667.

[3] AUBINET C， GILLET A， REGNIER A. Disorders of consciousness，language and communication following severe brain injury ［J］. Psychol Belg，2025，65（1）：169-188.

[4] GIACINO J T， KATZ D I， SCHIFF N D，et al. Practice guideline update recommendations summary：disorders of consciousness report of the guideline development，dissemination，and implementation subcommittee of the American Academy of Neurology；the American congress of rehabilitation medicine；and the national institute on disability，independent living，and rehabilitation research ［J］. Arch Phys Med Rehabil，2018，99（9）：1699-1709.

[5] SLUTZKY M W， VANSTEENSEL M J， HERFF C，et al. A brain-computer interface working definition ［J］. Nat Biomed Eng，2025，9（6）：792.

[6] YOUNG M J， LIN D J， HOCHBERG L R. Brain-computer interfaces in neurorecovery and neurorehabilitation ［J］. Semin Neurol，2021，41（2）：206-216.

[7] CHAUDHARY U， BIRBAUMER N， RAMOS-MURGUIALDAY A. Brain-computer interfaces for communication and rehabilitation ［J］. Nat Rev Neurol，2016，12（9）：513-525.

[8] BOCKBRADER M A， FRANCISCO G， LEE R，et al. Brain computer interfaces in rehabilitation medicine ［J］. PMR，2018，10（9）：S233-S243.

[9] CHEN Y L， YANG K H， MARUŠIĆ A，et al. A reporting tool for practice guidelines in health care：the RIGHT statement ［J］. Ann Intern Med，2017，166（2）：128-132.

[10] BROUWERS M C， KHO M E， BROWMAN G P，et al. AGREE Ⅱ：Advancing guideline development，reporting and evaluation in health care ［J］. J Clin Epidemiol，2010，63（12）：1308-1311.

[11] GUYATT G H， OXMAN A D， VIST G E，et al. GRADE：an emerging consensus on rating quality of evidence and strength of recommendations ［J］. BMJ，2008，336（7650）：924-926.

[12] HULTCRANTZ M， RIND D， AKL E A，et al. The GRADE Working Group clarifies the construct of certainty of evidence ［J］. J Clin Epidemiol，2017，87：4-13.

[13] ANDREWS J， GUYATT G， OXMAN A D，et al. GRADE guidelines：14. Going from evidence to recommendations：the significance and presentation of recommendations ［J］. J Clin Epidemiol，2013，66（7）：719-725.

[14] DIAMOND I R， GRANT R C， FELDMAN B M，et al. Defining consensus：a systematic review recommends methodologic criteria for reporting of Delphi studies ［J］. J Clin Epidemiol，2014，67（4）：401-409.

[15] CHEN J F， YU K W， BI Y F，et al. Strategic integration：a cross-disciplinary review of the fNIRS-EEG dual-modality imaging system for delivering multimodal neuroimaging to applications ［J］. Brain Sci，2024，14（10）：1022.

[16] TONIN A， SEMPRINI M， KIPER P，et al. Brain-computer interfaces for stroke motor rehabilitation ［J］. Bioengineering，2025，12（8）：820.

[17] LEE H T， SHIM M， LIU X H，et al. A review of hybrid EEG-based multimodal human-computer interfaces using deep lear-ning：applications，advances，and challenges ［J］. Biomed Eng Lett，2025，15（4）：587-618.

[18] LIU X Y， WANG W L， LIU M，et al. Recent applications of EEG-based brain-computer-interface in the medical field ［J］. Mil Med Res，2025，12（1）：14.

[19] MENG J J， WEI Y X， MAI X M，et al. Paradigms and methods of noninvasive brain-computer interfaces in motor or communication assistance and rehabilitation：a systematic review ［J］. Med Biol Eng Comput，2025，63（8）：2209-2233.

[20] MILLER K J， ABOSCH A. A moment of reckoning for implanted brain-computer interface studies ［J］. Neurosurgery，2025，97（2）：277-280.

[21] PEREIRA J， SBURLEA A I， MÜLLER-PUTZ G R. EEG patterns of self-paced movement imaginations towards externally-cued and internally-selected targets ［J］. Sci Rep，2018，8：13394.

[22] GUPTA S， PRASAD A. Evaluation of P300 response through the visual oddball paradigm in healthy children and adolescents ［J］. Cureus，2025，17（7）：e89180.

[23] MANSOUR S， ANG K K， NAIR K P S，et al. Efficacy of brain-computer interface and the impact of its design characteristics on poststroke upper-limb rehabilitation：a systematic review and meta-analysis of randomized controlled trials ［J］. Clin EEG Neurosci，2022，53（1）：79-90.

[24] GUGER C， SPATARO R， ALLISON B Z，et al. Complete locked-in and locked-in patients：command following assessment and communication with vibro-tactile P300 and motor imagery brain-computer interface tools ［J］. Front Neurosci，2017，11：251.

[25] TATUM W O， HALFORD J J， OLEJNICZAK P，et al. Minimum technical requirements for performing ambulatory EEG ［J］. J Clin Neurophysiol，2022，39（6）：435-440.

[26] OLIVEIRA I， RUSSO M， ALMEIDA A I，et al. Recommendations for combining brain-computer interface，motor imagery，and virtual reality in upper limb stroke rehabilitation：qualitative participatory design study ［J］. JMIR Rehabil Assist Technol，2025，12：e71789.

[27] WANG N， HE Y F， ZHU S P，et al. Functional near-infrared spectroscopy for the assessment and treatment of patients with disorders of consciousness ［J］. Front Neurol，2025，16：1524806.

[28] KAWAGUCHI H，EDA H. Development of the international standard for functional near-infrared spectroscopy as medical equipment ［J］. Biomed Opt Express，2024，15（9）：5272.

[29] WEN D， LIANG B B， ZHOU Y H，et al. The current research of combining multi-modal brain-computer interfaces with virtual reality ［J］. IEEE J Biomed Health Inform，2021，25（9）：3278-3287.

[30] CHEN J N， XIA Y J， ZHOU X K，et al. fNIRS-EEG BCIs for motor rehabilitation：a review ［J］. Bioengineering，2023，10（12）：1393.

[31] LEVETT J J， ELKAIM L M， NIAZI F，et al. Invasive brain computer interface for motor restoration in spinal cord injury：a systematic review ［J］. Neuromodulation Technol Neural Interface，2024，27（4）：597-603.

[32] KHAN S， KALLIS L，MEE H，et al. Invasive brain-computer interface for communication：a scoping review ［J］. Brain Sci，2025，15（4）：336.

[33] KESSLER R， ENGE A， SKEIDE M A. How EEG preprocessing shapes decoding performance ［J］. Commun Biol，2025，8：1039.

[34] HUANG R S， HONG K S， YANG D L，et al. Motion artifacts removal and evaluation techniques for functional near-infrared spectroscopy signals：a review ［J］. Front Neurosci，2022，16：878750.

[35] CAO Y Y， DING J H， ZHAO Z X，et al. Improved filter bank common spatial pattern algorithm based on the sparrow search algorithm ［J］. Front Hum Neurosci，2025，19：1679329.

[36] LAWHERN V J， SOLON A J， WAYTOWICH N R，et al. EEGNet：a compact convolutional neural network for EEG-based brain-computer interfaces ［J］. J Neural Eng，2018，15（5）：056013.

[37] BANIQUED P D E， STANYER E C， AWAIS M，et al. Brain-computer interface robotics for hand rehabilitation after stroke：a systematic review ［J］. J Neuroeng Rehabil，2021，18（1）：15.

[38] CHEN S G， SHU X K， JIA J，et al. Relation between sensorimotor rhythm during motor attempt/imagery and upper-limb motor impairment in stroke ［J］. Clin EEG Neurosci，2022，53（3）：238-247.

[39] BODIEN Y G， ALLANSON J， CARDONE P，et al. Cognitive motor dissociation in disorders of consciousness ［J］. N Engl J Med，2024，391（7）：598-608.

[40] LO C C H， WOO P Y M， CHEUNG V C K. Task-based EEG and fMRI paradigms in a multimodal clinical diagnostic framework for disorders of consciousness ［J］. Rev Neurosci，2024，35（7）：775-787.

[41] GALIOTTA V， QUATTROCIOCCHI I， D' IPPOLITO M，et al. EEG-based brain-computer interfaces for people with disorders of consciousness：features and applications. A systematic review ［J］. Front Hum Neurosci，2022，16：1040816.

[42] LIU P， GE Q Q， DONG L H，et al. Motor imagery-based brain-computer interface for differential diagnosis in prolonged disorders of consciousness ［J］. Front Hum Neurosci，2025，19：1695730.

[43] KHUSAKUL P， VALNAROV-BOULTER I， NORONHA A，et al. Prognostic value of auditory evoked potentials in disorders of consciousness：a systematic literature review ［J］. Clin Neurophysiol Pract，2026，11：72-85.

[44] XIE Q Y， PAN J H， CHEN Y，et al. A gaze-independent audiovisual brain-computer Interface for detecting awareness of patients with disorders of consciousness ［J］. BMC Neurol，2018，18（1）：144.

[45] WANG N， CHAI X K， SONG J X，et al. Motor intention quantization for patients with disorders of consciousness by multimodal BCI combining electroencephalography and functional near-infrared spectroscopy ［J］. CNS Neurosci Ther，2025，31（12）：e70679.

[46] SCHIFF N D， DIRINGER M， DISERENS K，et al. Brain-computer interfaces for communication in patients with disorders of consciousness：a gap analysis and scientific roadmap ［J］. Neurocritical Care，2024，41（1）：129-145.

[47] LI J C， HUANG B， WANG F，et al. A potential prognosis indicator based on P300 brain-computer interface for patients with disorder of consciousness ［J］. Brain Sci，2022，12（11）：1556.

[48] MUROVEC N， HEILINGER A， XU R，et al. Effects of a vibro-tactile P300 based brain-computer interface on the Coma Reco-very scale-revised in patients with disorders of consciousness ［J］. Front Neurosci，2020，14：294.

[49] YI Z Y， PAN J H， CHEN Z R，et al. A hybrid BCI integrating EEG and eye-tracking for assisting clinical communication in patients with disorders of consciousness ［J］. IEEE Trans Neural Syst Rehabil Eng，2024，32：2759-2771.

[50] BALLANTI S， CAMPAGNINI S， LIUZZI P，et al. EEG-based methods for recovery prognosis of patients with disorders of consciousness：a systematic review ［J］. Clin Neurophysiol，2022，144：98-114.

[51] DELCAMP C， SRINIVASAN R， CRAMER S C. EEG provides insights into motor control and neuroplasticity during stroke recovery ［J］. Stroke，2024，55（10）：2579-2583.

[52] SOOD I， INJETY R J， FARHEEN A，et al. Quantitative electroencephalography to assess post-stroke functional disability：a systematic review and meta-analysis ［J］. J Stroke Cerebrovasc Dis，2024，33（12）：108032.

[53] MARTÍNEZ-ROLANDO L， MARTÍN-CASAS P， PÉREZ-PÉREZ T. Assessment of motor imagery and its relationship to functional impairment in post-stroke patients：a descriptive cross-sectional study ［J］. J Clin Med，2024，13（19）：5929.

[54] LIU Y B， HAN Q， LI Z K，et al. Evidence of motor imagery for lower limb motor function recovery after stroke：a systematic review and meta-analysis of randomized controlled trials ［J］. Medicine，2023，102（34）：e34663.

[55] HE J， YUAN Z W， QUAN L，et al. Multimodal assessment of a BCI system for stroke rehabilitation integrating motor imagery and motor attempts：a randomized controlled trial ［J］. J NeuroEngineering Rehabil，2025，22（1）：185.

[56] VATINNO A A， SIMPSON A， RAMAKRISHNAN V，et al. The prognostic utility of electroencephalography in stroke recovery：a systematic review and meta-analysis ［J］. Neurorehabil Neural Repair，2022，36（4/5）：255-268.

[57] LIN Y H， YUAN Y， CHEN J J，et al. Motor imagery combined with brain-computer interface for stroke patients：a meta-analysis ［J］. Front Neurol，2026，17：1672882.

[58] MANIACI A， LECHIEN J R， D'AMICO E，et al. Post-cerebrovascular stroke and early dysphagia assessment：a systematic review ［J］. Acta Biomed，2022，93（4）：e2022263.

[59] QIN Y， TANG Y T， LIU X Y，et al. Neural basis of dysphagia in stroke：a systematic review and meta-analysis ［J］. Front Hum Neurosci，2023，17：1077234.

[60] QIU X， WANG Z Y， JIANG X H，et al. Neural correlation between swallowing motor imagery and execution：an EEG analysis ［J］. J Neural Eng，2026，23（1）：016003.

[61] IMAZ-HIGUERA J， GARCIA-CASADO J， YE-LIN Y，et al. Electroencephalographic characterization of sensorimotor neural activation during swallowing in dysphagic patients ［J］. Sensors，2025，25（21）：6767.

[62] WANG L Y， WANG S Q， YANG H L，et al. Post-stroke dysphagia is associated with abnormal gamma power and phase synchronisation during swallowing ［J］. Front Hum Neurosci，2026，20：1716564.

[63] WANG J， MA Y P， ZHANG H P，et al. Swallowing cortical network features under taste stimulation for patients with post stroke dysphagia：insights from a fNIRS study ［J］. Brain Res Bull，2025，223：111287.

[64] YANG H， ANG K K， WANG C，et al. Neural and cortical analysis of swallowing and detection of motor imagery of swallow for dysphagia rehabilitation-a review ［J］. Prog Brain Res，2016，228：185-219.

[65] CHE J J， CHENG N， JIANG B C，et al. Executive function measures of participants with mild cognitive impairment：systematic review and meta-analysis of event-related potential studies ［J］. Int J Psychophysiol，2024，197：112295.

[66] POLETTI B， CARELLI L， SOLCA F，et al. Cognitive assessment in amyotrophic lateral sclerosis by means of P300-brain computer interface：a preliminary study ［J］. Amyotroph Lateral Scler Frontotemporal Degener，2016，17（7-8）：473-481.

[67] YANG B， DENG X， QU X F，et al. Identification of functional near-infrared spectroscopy for older adults with mild cognitive impairment：a systematic review ［J］. Front Aging Neurosci，2025，17：1492800.

[68] LI H Y， YANG X， GONG L. Functional near-infrared spectroscopy for identifying mild cognitive impairment and Alzheimer's disease：a systematic review ［J］. Front Neurol，2025，16：1578375.

[69] WANG Z， NIU C J， DUAN Y，et al. Research on the application of functional near-infrared spectroscopy in differentiating subjective cognitive decline and mild cognitive impairment ［J］. Front Aging Neurosci，2024，16：1469620.

[70] MEECHAN R J H， MCCANN C M， PURDY S C. The electrophy-siology of aphasia：a scoping review ［J］. Clin Neurophysiol，2021，132（12）：3025-3034.

[71] RAHMAN N， KHAN D M， MASROOR K，et al. Advances in brain-computer interface for decoding speech imagery from EEG signals：a systematic review ［J］. Cogn Neurodyn，2024，18（6）：3565-3583.

[72] ALZAHRANI S， BANJAR H， MIRZA R. Systematic review of EEG-based imagined speech classification methods ［J］. Sensors，2024，24（24）：8168.

[73] DE CLERCQ P， KRIES J， MEHRARAM R，et al. Neural tracking of natural speech：an effective marker for post-stroke aphasia ［J］. Brain Commun，2025，7（2）：fcaf095.

[74] ZHAI L J， ZHAO M， ZHANG J，et al. A systematic review of EEG-based biomarkers for depression，anxiety，and bipolar disorder：trends in explainable artificial intelligence （XAI） ［J］. BMC Psychiatry，2025，26（1）：90.

[75] HO C S H， LIM L J H， LIM A Q，et al. Diagnostic and predictive applications of functional near-infrared spectroscopy for major depressive disorder：a systematic review ［J］. Front Psychiatry，2020，11：378.

[76] CATALANO L， PANICO F， TROJANO L，et al. Psychophysiological indices of late-life depression：a systematic review ［J］. Brain Res，2025，1849：149361.

[77] ALSHEHRI H， AL-NAFJAN A， ALDAYEL M. Decoding pain：a comprehensive review of computational intelligence methods in electroencephalography-based brain-computer interfaces ［J］. Diagnostics，2025，15（3）：300.

[78] LEE Y Q， TAY G W N， HO C S H. Clinical utility of functional near-infrared spectroscopy for assessment and prediction of suicidality：a systematic review ［J］. Front Psychiatry，2021，12：716276.

[79] ERAT K， ŞAHIN E B， DOĞAN F，et al. Emotion recognition with EEG-based brain-computer interfaces：a systematic literature review ［J］. Multimed Tools Appl，2024，83（33）：79647-79694.

[80] AL-NAFJAN A， ALSHEHRI H， ALDAYEL M. Objective pain assessment using deep learning through EEG-based brain-computer interfaces ［J］. Biology，2025，14（2）：210.

[81] SI J Y， LIN Z Y， GAN D G，et al. Informed consent competency assessment for brain-computer interface clinical research and application in psychiatric disorders：a systematic review ［J］. World J Psychiatry，2025，15（8）：107593.

[82] VANSTEENSEL M J， BRANCO M P， LEINDERS S，et al. Methodological recommendations for studies on the daily life implementation of implantable communication-brain-computer interfaces for individuals with locked-in syndrome ［J］. Neurorehabil Neural Repair，2022，36（10/11）：666-677.

[83] PITT K M， DIETZ A. Applying implementation science to support active collaboration in noninvasive brain-computer interface development and translation for augmentative and alternative communication ［J］. Am J Speech Lang Pathol，2022，31（1）：515-526.

[84] ALI U， KHAN J A， AHSAN M T，et al. Brain-computer interfaces in the rehabilitation of stroke and spinal cord injury：a systematic review and meta-analysis of clinical efficacy ［J］. Cureus，2025，17（10）：e94833.

[85] DOHLE E， SWANSON E， JOVANOVIC L，et al. Toward the clinical translation of implantable brain-computer interfaces for motor impairment：research trends and outcome measures ［J］. Adv Sci，2025，12（32）：e01912.

[86] SIMON C， BOLTON D A E， KENNEDY N C，et al. Challenges and opportunities for the future of brain-computer interface in neurorehabilitation ［J］. Front Neurosci，2021，15：699428.

基金资助

珠江医院院长基金项目(yzjj2024zhzd01)