0 引言
脑机接口（brain-computer interface, BCI）是一种通过解码大脑神经信号实现人与外部设备直接交互的前沿技术，是人机交互与智能增强的重要技术范式。BCI能够将脑电、脑磁或其他神经活动信号转化为控制指令，使用户无需依赖传统肢体动作即可操作计算机、机器人或其他智能终端，从而在医疗康复、辅助控制、认知增强和智能交互等领域展现出广阔应用前景
[1]。
BCI的发展历程可概括为从概念探索到技术成熟及应用拓展的连续演进。20世纪20—70年代是BCI的理论奠基期。其发展始于1924年Hans Berger首次记录到人类脑电图（EEG），为探测神经电活动奠定基础
[2]。Vidal
[3]在此基础上正式提出“脑机接口”概念，并率先实现了基于脑电的非侵入式控制。与此同时，一系列动物实验也初步验证了神经信号用于外部控制的可行性，为后续研究奠定了研究基础
[4]。20世纪80—90年代是BCI的技术突破与临床探索期。这一时期，美国神经学家肯尼迪（Kennedy）和埃默里大学医学院巴凯（Bakay）在1998年为1名锁闭综合征患者植入神经电极，并通过记录脑信号控制电脑光标，从而实现脑机通信的实验，为BCI的临床应用奠定了重要基础
[5]。2000—2010年，植入式BCI系统进入高速发展期。2012年，BrainGate系统使2名瘫痪患者用意念控制机械臂并自主饮水，标志着实用性BCI控制机械臂的一大飞跃
[6]。2017年，BrainGate联盟在与斯坦福大学合作的试验中，使受试者使用植入式BCI系统控制光标点选屏幕键盘，实现了每分钟39个字符的打字速度
[7]。2020年以来，BCI技术从实验室研究加速走向多元化的实际应用，在医疗康复、神经疾病诊疗以及消费级场景中不断拓展边界。截至2025年，“北脑一号”智能脑机系统已植入5名脊髓损伤患者体内，患者在术后训练后实现了意念控制机械臂、中文语句解码等功能，展现了国产BCI技术在信号解码精度和系统稳定性上的突破
[8]。此外，强脑科技（BrainCo）智能仿生手实现了截肢者弹奏钢琴，奏响“人机共融”的和谐乐章，展现了BCI技术在提升生活品质方面的巨大潜力
[9]。
基于上述背景，本文通过科学计量、主题建模及可视化分析方法，对2016—2025年BCI领域的研究文献进行系统梳理，重点分析研究国家和科研机构的发文趋势及合作网络、研究主题的分布特征与演进趋势，旨在全面揭示BCI的发展态势、技术趋势与前沿方向，为未来科研、临床应用及产业化探索提供参考和借鉴。
1 数据收集与研究方法
1.1 数据收集
本研究的数据来源于Web of Science（WoS）核心合集数据库。以相关主题为检索条件，限定文献出版时间为2016年1月到2025年12月，文献类型为“论文（Article）”，共检索获得相关文献11293篇。为保证数据的准确性与分析结果的可靠性，在数据获取后对原始文献记录进行了去重与规范化处理，包括删除重复记录、统一作者与机构信息格式、修正缺失或异常字段等。经过去重与数据清洗后，最终形成包含11237篇论文的有效样本数据集。
1.2 研究方法
在研究方法上，本研究采用多工具协同的混合研究框架，结合统计分析、主题建模与网络可视化方法对样本文献进行系统分析。首先，使用R语言对WoS文献数据进行预处理与统计分析，包括变量清洗、字段标准化、描述性统计以及国家、机构与合作关系等文献计量指标的计算，并利用Gephi软件构建并可视化国家间合作网络。随后，基于预训练语言模型与BERTopic等方法，对论文摘要与关键词文本进行语义表示与主题聚类，从而识别研究领域的核心主题结构及其演化特征。在此过程中，引入大语言模型等自然语言处理技术，从宏观结构与微观语义2个层面系统揭示该研究领域的发展脉络与研究热点。
2 脑机接口领域研究态势分析
2.1 发文量分析
BCI领域在近10年间呈现显著的知识产出增长态势，学术发表规模持续扩张。由
图1年度发文量分布趋势可以看出，该领域发文量保持持续增长，尤其在2022年之后增速显著提升。至2025年，年度发文量进一步攀升至1738篇，创下研究期内的最高值。这一爆发式增长与全球脑科学战略布局、植入式技术临床转化加速密切相关，尤其是美国对“脑计划”的补充经费大幅增长，并在2023年达到历史新高
[10]。在学科结构上，
图2中的工程学、计算机学及神经科学等学科始终占据较高比重，是推动整体发文规模增长的核心力量；同时，生物学、材料学、数学、心理学以及多学科交叉领域的发文量亦逐步增加，显示出研究主题不断向多学科融合和交叉拓展的特征。整体来看，BCI研究的发展融合了多个学科，该领域的研究重点亦从早期的基础方法与信号解码，逐步延伸至系统集成、伦理规范、长期稳定性与规模化应用等复杂问题，标志着该领域正逐步走向深入与多元发展的新阶段
[11]。
2.2 研究国家分析
BCI研究的国际发文规模持续攀升，但各国的发展轨迹与学术贡献呈现显著分化态势。全球共有98个国家和地区参与BCI的研究，如
表1所示，发文量前10的国家分别为中国（3582篇）、美国（1773篇）、印度、韩国、德国、日本、英国、意大利、西班牙、伊朗。如
图3所示，中国在2019年超越美国成为发文量榜首，并斩获高被引论文数量首位，标志着其从量的积累迈向学术影响力的系统性提升。这一格局的演变与主要经济体的战略布局深度耦合：美国2013年启动“脑计划”抢占先机，欧盟同期推出十年期“人脑计划”（HBP）构建脑科学协同生态，日本“Brain/MINDS”计划聚焦非人灵长类脑图谱，中国则于2016年将“脑科学与类脑研究”升格为国家重大科技项目。此外，印度侧重BCI在教育场景的转化应用，通过注意力监测设备优化学习成效，发文量位居第3
[12]。
在科研支持结构方面，不同国家BCI研究对基金资助的依赖程度存在显著差异。
表1数据显示，美国、韩国、德国、日本、西班牙及中国等创新型经济体的基金资助论文占比普遍超过85%，其中，中国与韩国的资助覆盖率更是高达90.56%和92.96%。这一特征揭示出上述国家的BCI研究已深度嵌入国家重大科技战略框架，呈现出显著的“计划导向型”与“项目驱动型”双重属性。进一步印证了资助强度与学术影响力存在显著正相关,高资助国家不仅产出规模领先，其高被引论文密度与专利技术转化率亦同步占优未来
[13]。
国际合作是推动BCI等前沿科技领域快速发展与知识共享的关键机制。总体来看，欧洲国家在国际合作方面表现更为突出，英国、西班牙和德国的国家合作论文占比分别为31.38%、21.80%和23.85%，反映出这些国家的BCI研究已深度融入全球科研网络，注重跨国、跨机构的协同创新。相比之下，我国尽管发文量和高被引论文数量均居全球首位，但国际合作论文占比仅为5.22%，明显低于欧美主要科研国家。这一现状值得重视，早前研究已表明，国家研究的影响力由全球合作深度驱动。因此，如何提升国际参与度、加强跨国协同创新，将成为我国BCI研究从规模优势向影响力优势转化的重要突破口
[14]。
从全球范围看，BCI领域的国际合作呈现出明显的集聚化特征，各国在合作网络中的参与深度与连接强度差异显著。如
图4所示，已形成一个以美国（200篇）、中国（187篇）、德国（114篇）、英国（107篇）、韩国（67篇）、意大利（63篇）、西班牙（63篇）、日本（61篇）等为核心的科研合作网络。现有研究指出，在神经科学研究中，美国是与各国合作活动最多的国家，德国和英国同样显示出强大的合作关系
[15]。进一步分析国家间的合作关系可以发现，中美合作（58次）在所有双边合作中占据主导地位，其次为中英（30次）、德韩（15次）、德国与西班牙（13次）、美韩（13次）。全球BCI合作网络已形成由少数核心国家主导的紧密结构，而少数高强度的关键双边合作（特别是中美合作）则构成了该网络的核心枢纽，主导着知识与资源的流动方向。
2.3 研究机构分析
在BCI研究领域，全球科研力量的分布呈现出以中美为主的机构集中态势。据统计，共有3340个机构参与该领域研究，其中前10机构主要集中在美国（6所）、中国（3所）和瑞士（1所），合计贡献了超过32%的全球发文量（
表2）。中国科学院的1209篇（占比10.76%）的发文量、30篇高被引论文数量、WoS核心集被引频次均位居全球首位。天津大学与清华大学亦跻身前10，中国前10机构中的发文总体占比近15%，与美国（前10机构合计占比超17%）共同构成中美双强主导格局。这一高度集中的科研力量分布，在顶尖机构的标志性成果中得到充分印证：中国科学院研究团队开发出基于丝蛋白的柔性脑室内接口，可实现微创深脑神经记录
[16]；美国加州大学戴维斯分校团队开发出一种研究性BCI，有望帮助因神经系统疾病而失去说话能力的人重新“发声”
[17]；瑞士联邦理工大学（EPFL）的科研团队与洛桑大学医院等机构合作，研发看一个完整的无线脑-脊髓接口（BSI）系统，能够重建大脑与脊髓间的通信，这些突破性进展体现了头部机构的创新能级，彰显出在该领域的快速发展
[18]。
当前BCI研究体系呈现鲜明的核心-边缘分异与区域集聚特征，欧美顶尖机构通过长期稳定的协作网络形成自我强化的创新共同体。如
表3和
图5的Top机构所示，以哈佛大学医学系统（及其与麻省总医院的医工结合）、斯坦福大学与加州大学的地理-学科双重邻近，以及法国国家科学研究中心与瑞士联邦理工学院的跨阿尔卑斯山合作为代表，欧美核心圈层展现出显著的马太效应，最终优势资源的共享频次与深度持续增强
[19-20]。相比之下，中国科学院大学的合作拓扑呈现出内生性增长路径，其最高密度的协作联结指向清华大学等国内伙伴，形成了具有独立演化逻辑、以国内大循环为主体的次级集聚中心。高合作频次机构合作对象稳定且结构清晰，全球BCI研究版图或将呈现“双极共存、边缘崛起”的新格局。
2.4 研究主题分析
通过BERTopic主题模型对BCI领域相关文献的标题、摘要与关键词进行建模分析，剔除语义模糊的噪音信息后，将8322篇文献聚类为35个主题，结果如
表3所示。为进一步揭示研究主题的时序演变，我们按年份对主题分布进行量化，并通过气泡图（
图6）进行可视化呈现。基于主题内容特征，本研究进一步将这35个主题归纳为硬件层、算法层和应用层3个层次，以此对当前BCI领域的整体研究格局与重点方向进行系统性梳理与总结（
表4）。
2.4.1 硬件层研究现状与特点
硬件层研究主要聚焦于神经信号采集系统的构建与优化，涵盖神经电极结构设计、信号记录与放大系统、刺激控制装置、无线传输模块及抗干扰机制等关键技术环节。作为BCI系统的物理基础，硬件层直接决定信号获取的信噪比、稳定性与长期使用可行性。神经电极与信号记录设备构成该层研究的核心内容，相关文献达902篇（10.84%）。在特定信号范式的硬件适配方面，功能性近红外光谱（fNIRS）（4.10%）、稳态视觉诱发电位（SSVEP）（4.95%）及P300系统（2.33%）构成当前非侵入式BCI的重要技术体系。天津大学明东团队构建的fNIRS情感识别数据库依托高稳定光学采集系统，实现多情绪分类任务的可靠信号获取
[21]；中国医学科学院陈小刚团队通过优化高频SSVEP刺激频率（31~34.5 Hz），在提升视觉舒适度的同时实现153.79 bits/min的信息传输率
[22]；华东理工大学金晶针对P300拼写系统采集过程中类别分布不均问题，通过优化刺激与采样机制提升系统稳定性
[23]。上述研究体现出硬件系统对特定诱发信号获取能力的关键支撑作用。在电极与记录技术方面，干电极脑电图（EEG）设备的发展显著提升了系统便携性与临床应用可行性。罗氏制药团队通过系统比较3种干电极EEG设备与标准湿电极系统，发现其在静息态及P300任务中性能相当，同时操作效率更高
[24]。西安电子科技大学单光宝团队提出磁耦合超宽范围电感调谐技术，在95 μm×130 μm芯片面积内实现高品质因数与良好线性调谐，为微型化植入式系统提供关键支撑
[25]。无线能量传输与低功耗芯片技术的引入，也进一步推动了BCI设备的小型化与长期稳定运行能力。针对脑电信号易受眼动、肌电及环境噪声干扰的问题，硬件层亦发展出多通道同步采集与实时伪迹抑制技术。例如，浙江大学罗威团队提出的DTP-Net模型可嵌入式实现EEG高效降噪，在BCI任务中准确率提升5.55%
[26]。此外，脑磁图（MEG）与功能磁共振成像（fMRI）等高时空分辨率设备的引入，为多模态神经活动解析提供重要补充。清华大学高小榕团队构建的混合MEG-EEG系统利用MEG高信号质量优势，将信息传输率提升至312 bits/min，分类准确率由50%提高至95%
[27]。
总体来看，硬件层通过优化电极结构与记录系统、推进微型化与无线化技术、增强抗干扰能力并实现多模态融合，为BCI系统在信噪比、稳定性、舒适度及高带宽传输方面的提升奠定了坚实的物理基础，推动BCI向高精度与实用化方向持续发展。
2.4.2 算法层研究现状与趋势
在算法层面，当前研究高度聚焦于脑电信号解码与智能建模方法的特征，包括脑电信号分类、模式识别、深度学习模型以及跨任务的泛化算法等关键技术。其中，基于脑电图的运动想象分类是算法层研究的核心方向，文献数量达到2273篇（27.31%）。该类研究以提取稳定、可区分的脑电特征为目标，围绕时频分析、空间滤波及深度神经网络等方法不断优化解码精度与鲁棒性。例如，复旦大学宋梁团队提出的DGSSL方法通过自回归判别器对抗训练与双重建任务协同优化，有效提升了以人为中心活动识别中的表示学习与领域对齐能力
[28]；美国佐治亚州立大学Mohammad H Rafiei团队系统梳理了自监督学习在脑电图分析中的应用，探讨了如何整合跨实验范式的无标注EEG数据以应对数据稀缺与标注成本高的挑战，并提出了该方向的实际实施建议与未来展望
[29]。近年来，卷积神经网络、图神经网络及生成对抗网络等模型被广泛应用于脑电分析，以刻画脑区间的复杂功能连接并缓解小样本问题。例如，中国科学院大学胡宏林团队提出轻量级图神经网络NexusNet，在3个运动想象数据集上实现SOTA性能（78.78%~94.12%准确率），且仅需3440个参数和88万次运算量，为资源受限的物联网场景下部署MI-BCI提供了可行方案
[30]。韩国研究人员提出GITGAN无监督域适应框架，通过筛选高质量源数据进行生成式被试间迁移，在保留目标数据完整性的同时显著提升BCI性能
[31]。此外，针对实际应用中个体差异显著的挑战，面向情绪识别的领域自适应、想象语音解码等新兴方向，反映出BCI正逐步从运动控制拓展至语言与情感等高阶认知功能。例如，深圳大学梁臻团队提出PR-PL迁移学习框架，在SEED和SEED-IV数据集上分别实现2.04%和2.58%的情感识别性能提升
[32]。加州大学Maitreyee Wairagkar团队通过植入式BCI解码使肌萎缩侧索硬化症（ALS）患者腹侧前运动皮层的想象语音神经意图，实现可实时调控音调的即时语音合成,首次证明了将语音想象转化为富有表现力言语的可行性
[33]。
整体上，算法层研究以提升脑电解码性能为核心，围绕特征提取、模型优化与跨域适应等关键问题持续深入。当前趋势体现为：一方面，轻量化网络、自监督学习等先进方法不断融入，致力于在提升精度的同时增强系统的实用性与泛化能力；另一方面，研究范畴正从运动想象等基础范式，逐步延伸至情感、语言等高级认知任务，推动BCI向更自然、更复杂的人机交互方向发展。
2.4.3 应用层研究现状与特点
在应用层方面，主要聚焦BCI在医疗健康、智能控制与人机交互等场景中的实际落地。其中，中风患者运动功能与大脑研究以1446篇（17.38%）的文献数量位居应用层首位，体现了BCI在神经康复领域的核心价值。相关研究通过结合运动想象、功能电刺激及康复机器人，实现对受损神经通路的重建与功能恢复。美国匹兹堡大学Aaron P. Batista团队揭示了运动皮层神经群体活动在时间维度上受到内在动力学强约束，这一发现直接关联中风后运动功能障碍的本质机制
[34]。此外，脑控机器人与轮椅、驾驶员状态监测等方向，展示了BCI在辅助控制与智能交通中的应用潜力。上海交通大学朱向阳和孟建军团队联合通过融合SSVEP与眼电信号的混合BCI框架，将切换时间显著缩短至1.19 s，使虚拟轮椅控制成功率提升至81.67%，为脑控机器人设备的连续流畅控制提供了新范式
[35]；加拿大女王大学Angkan, P团队发布CL-Drive数据集，通过采集21名受试者在驾驶模拟器中多模态生理信号（EEG、ECG、EDA、眼动）及9级认知负荷主观标注，为驾驶员认知负荷评估提供机器/深度学习基准分类结果
[36]。随着技术逐步走向现实环境，BCI的伦理问题、安全认证与隐私保护也成为研究重点，反映出应用层由技术验证向社会化应用转变的趋势。荷兰蒂尔堡大学Shin, Mincheol团队探讨了聊天机器人人性化会触发恐怖谷效应增强用户怪异感，进而削弱信任度与购买意愿，为电商情境下智能代理设计提供重要实践指引
[37]；暨南大学龙锦益团队提出了一种在线无源迁移学习框架OSFTL，可在不访问源域原始数据和无需目标域校准的情况下，通过动态加权融合源模型与在线训练的目标分类器，实现隐私保护的EEG信号分类
[38]。与此同时，面向认知评估、情绪调节及娱乐交互的探索，进一步拓展了BCI的应用边界，正逐渐向教育、消费行为及情感计算等非传统医疗场景延伸，呈现出跨学科、多应用并行发展的趋势。加拿大蒙特利尔大学Beauchemin, Noemie团队揭示BCI在改善基于记忆的学习体验方面具有潜在的适用性和可行性
[39]；意大利巴里理工大学Lofu, Domenico团队提出的NeuralPMG框架通过融合手势交互与BCI实时检测的专注/放松心理状态，提供了简化和加速的音乐创作方法
[40]。
BCI应用层研究呈现出以医疗康复为核心，向智能控制、日常交互等多场景快速扩散的态势。当前发展不仅注重提升控制性能与系统实用性，也日益关注其社会化应用中必然面对的伦理、安全与隐私挑战。未来，随着技术与心理学、设计学、艺术等学科的深度融合，BCI有望在更广阔的民生与消费领域开辟出创新性的人机共生应用。
2.5 研究主题趋势分析
为刻画各主题在时间维度上的演化趋势，本研究以年度主题占比为因变量，以出版年份为自变量构建线性回归模型，并提取回归结果中的关键统计指标进行解释。
表5中的各变量含义如下：回归系数（
β值）表示主题占比随年份变化的平均增减幅度，即每增加1年，该主题在全部文献中的占比变化量。若该值为正，说明主题占比随时间上升；为负则表示下降。回归系数的标准误反映估计值的不确定程度，数值越小，说明估计越稳定。
P值为显著性水平，用于判断趋势是否具有统计学意义。本研究以
P < 0.05作为显著标准，当
P值小于该阈值时，说明该主题的时间趋势并非随机波动，而是具有统计学支持的系统性变化。基于2016—2025年各主题年度占比的线性回归分析结果，脑机接口领域在近10年呈现出明显的结构性分化特征，共识别出8个显著上升主题、7个显著下降主题，其余主题整体保持相对稳定。
在算法层面，共有6个主题表现为显著上升热点，且整体回归系数均为正，表明算法相关研究在近10年中持续扩张。其中，基于脑电图的运动想象分类主题回归系数最高（β = 0.0154, P< 0.001），显示该方向在脑机接口研究中仍占据核心地位，并呈现出稳定而显著的增长趋势。与此同时，想象语音的解码研究和图神经网络在脑电图中的应用增长显著，反映出研究范式正由传统特征提取与分类方法，向深度学习和复杂网络建模方向演进。此外，基于脑电图的情绪识别、对抗生成网络及其应用以及情绪识别中的领域自适应等主题的上升，表明算法研究在方法多样化和跨场景泛化能力方面持续深化。
在应用层面，主题演化呈现出明显的分化特征。一方面，脑机接口中的认证与安全隐私主题表现为显著上升，随着脑机接口系统复杂度和实际应用需求的提升，安全性与隐私保护问题逐渐成为新的关注重点；另一方面，中风患者运动功能与大脑研究和肌萎缩侧索硬化症研究呈显著下降趋势，说明传统以特定疾病为核心的应用型研究在文献结构中的相对占比逐步降低，相关研究可能正向临床转化或与其他技术主题发生融合。
在硬件层面，主题整体表现为“少量上升、多数下降”的特征。其中，脑磁图技术及其应用呈现出轻度但显著的上升趋势，表明高时空分辨率神经信号采集技术仍具一定发展潜力。然而，神经电极与信号记录技术、P300拼写器与拼写应用、神经反馈与功能磁共振调节以及体感与感觉刺激研究等主题均呈显著负向趋势，显示硬件与经典范式相关研究的增长速度明显放缓。
总体而言，从技术层级视角看，脑机接口领域在近10年中呈现出由硬件与经典应用驱动向算法智能化与系统安全性关注转移的演化特征
[41]。算法层主题普遍呈现显著上升趋势，是推动领域持续扩展的主要动力；应用层主题则表现出由传统疾病导向向系统级与社会技术问题拓展的转变；而硬件层主题整体趋于收敛，反映出基础采集技术逐步成熟、研究重心向上游算法与下游应用迁移的结构性变化。这种“少数显著上升+少数显著下降+多数稳定支撑”的结构格局，说明脑机接口领域并非简单规模扩张，而是在内部发生方向重组与技术重心迁移，呈现出由基础范式驱动向智能算法与复杂应用场景深化演进的趋势。
3 总结与讨论
通过对近10年BCI领域文献的计量分析与主题建模，本研究得出以下主要发现。
从学术产出角度来看，BCI领域呈现出持续增长的态势，尤其是2022年以后发文量增速显著，2025年达到1738篇的峰值。工程学、计算机科学及神经科学为核心学科，同时生物学、心理学、材料学及多学科交叉领域的发文量逐渐增加，显示出BCI研究正呈现高度跨学科特征。
在国家与机构层面，中国在发文量与高被引论文数量上均位居全球首位，美国和英国等科研大国是主要的对外合作伙伴，表明我国在BCI研究处于国际领先水平，并具有较强国际影响力。全球主要科研机构呈现集中分布，形成了以中国科学院和美国加州大学为主的科研机构，并呈现“欧美核心圈自我强化、中国内生增长为主”的双极格局，并可能向“双极共存、边缘崛起”的国际合作与竞争格局。
在研究主题方面，本研究基于BERTopic模型，经UMAP降维和HDBSCAN算法在嵌入空间中进行密度聚类，自动识别出35个稳定的主题（模型参数min_cluster_size = 30，min_samples = 30），并进一步归纳为硬件层、算法层和应用层3大关键层次。硬件层聚焦于神经电极设计、fNIRS、SSVEP及P300等技术的发展，体现出高精度、多模态信号采集的趋势；在算法层，脑电运动想象分类、深度学习及跨任务泛化算法等研究集中体现了信号解码与智能建模的核心需求；应用层研究主要涉及中风康复、脑控机器人、驾驶员状态监测及情绪识别等场景，显示出BCI技术正逐步从实验室验证向现实应用落地拓展，同时伦理、安全与隐私问题日益受到关注。
总体而言，本研究通过文献计量与主题分析，为理解BCI领域的学术发展态势、研究热点与未来趋势提供了系统性参考，对科研人员、政策制定者及产业界均具有一定的指导价值。然而，本研究仍存在一定局限性。首先，数据来源仅限于Web of Science核心合集数据库的论文记录，未涵盖临床试验、专利、产业报告及非学术数据，未来研究可拓展数据来源以更全面反映BCI技术在实际应用和产业化方面的发展状况。其次，本研究主要基于标题、摘要和关键词进行文本分析，分析粒度以词语为单位，未来研究可对全文进行深入挖掘，并结合全文分析方法，进一步提升对研究主题、技术细节及应用场景等语料的分析深度。
PDF
(4207KB)
