浙江大學腦機智能全國重點實驗室、南湖腦機交叉研究院郝耀耀、王躍明團隊于2026年3月14日在國際頂級期刊《Nature Communications》發(fā)表研究成果《Cortical representation of multidimensional handwriting movement and implications for neuroprostheses》。研究首次系統(tǒng)揭示了大腦運動皮層對手寫動作多維參數(shù)的編碼規(guī)律，為高性能意念手寫腦機接口（BCI）提供了全新的理論框架及技術路徑。

手寫堪稱人類最精細且最熟練的運動技能之一。近年來，基于手寫想象的腦機接口領域取得突破性進展：癱瘓患者僅憑“意念”即可在屏幕上輸出文字，通信速率也隨之大幅提升。然而，現(xiàn)有系統(tǒng)大多將手寫簡化為紙面上的二維（2D）軌跡（即X軸與Y軸的速度變化），并假設大腦僅編碼這些二維信息。

但真實的手寫過程遠不止于此：我們會提筆、落筆，調(diào)整握力，改變筆尖對紙面的壓力，甚至在兩筆之間劃出空中的三維弧線。這些“額外”的信息是否同樣被大腦編碼？它們對解碼手寫意圖是否具有價值？這些問題此前一直懸而未決。

近日，浙大團隊通過最新研究給出了顛覆性答案：大腦對手寫運動的編碼，是一套包含三維空間軌跡、握力變化、筆壓調(diào)節(jié)在內(nèi)的“立體指令集”，遠比我們想象的復雜。

01【研究內(nèi)容】

從“二維”到“多維”：破解大腦的書寫密碼

■ 記錄癱瘓患者的腦內(nèi)神經(jīng)活動信號：

研究團隊在一名因脊髓損傷導致四肢癱瘓的患者左側運動皮層植入兩個微電極陣列（Utah陣列）?；颊咴谝曈X引導下嘗試用右手書寫字符（包括數(shù)字與簡單漢字），同時記錄其單個神經(jīng)元的活動（SUA）。

■ 采集健康人的多維手寫數(shù)據(jù)：

為獲取精確的手寫運動參數(shù)，團隊邀請了6名健康受試者，通過高精度設備同步采集他們書寫相同字符時的多維數(shù)據(jù)，涵蓋筆尖三維速度（X/Y/Z軸）、握力、筆壓及前臂8通道肌電信號（EMG）。這些數(shù)據(jù)經(jīng)過平均處理后，形成“標準手寫模板”。

■ 將運動模板與神經(jīng)活動對齊：

健康人的手寫運動模式具有高度一致性，癱瘓患者想象書寫時的神經(jīng)活動，理應對應相似的運動參數(shù)。于是，團隊將神經(jīng)活動與這些多維模板展開聯(lián)合分析，探究每個神經(jīng)元究竟“喜歡”編碼哪些參數(shù)。

02【核心發(fā)現(xiàn)】

筆畫和提筆，大腦“區(qū)別對待”

研究首先發(fā)現(xiàn)，手寫過程中，“筆畫”（筆尖接觸紙面）與“提筆”（筆尖在空中移動）是兩種截然不同的行為，大腦對二者的編碼方式亦大相徑庭。

當團隊用傳統(tǒng)的二維速度模型分析神經(jīng)活動時，發(fā)現(xiàn)同一神經(jīng)元在筆畫階段表現(xiàn)出明確的方向調(diào)諧（例如朝某些方向書寫時放電更頻繁），但在提筆階段幾乎無方向選擇性。這表明，僅依靠二維速度模型無法解釋提筆階段的神經(jīng)活動機制。若強行用單一模型同時擬合筆畫與提筆過程，將導致解碼筆跡中的提筆方向嚴重失真，最終造成字符結構錯亂（例如本應上下結構的漢字變成左右分離）。

而若分別構建“筆畫模型”與“提筆模型”，解碼精度則顯著提升：筆畫相似度從0.63提高至0.69，提筆相似度從0.72躍升至0.86。這清晰表明：大腦對筆畫與提筆的神經(jīng)表征存在本質(zhì)差異，需分別建模。

手寫是多維運動，大腦編碼遠超二維

既然二維模型無法充分解釋提筆動作的神經(jīng)解碼機制，那么究竟有哪些關鍵參數(shù)參與其中呢？研究團隊通過對三維運動數(shù)據(jù)的深入分析發(fā)現(xiàn)，提筆階段的筆尖并非簡單地在二維平面上畫直線，而是在三維空間中形成了一條具有overshoot特征的曲線軌跡，在空中劃出一道優(yōu)美的弧線。

在此基礎上，團隊構建了線性-非線性泊松（LNP）編碼模型，系統(tǒng)考察了不同運動參數(shù)組合對神經(jīng)活動的解釋能力。針對筆畫書寫階段：在二維速度（Vxy）模型的基礎上，若加入握力、筆壓或肌電信號等參數(shù)，模型的編碼性能會得到顯著提升。而在提筆階段：加入Z軸速度、握力或肌電信號，均能有效提升編碼性能。尤為關鍵的是，若從全模型中移除Z軸速度參數(shù)，提筆階段的編碼性能顯著下降，這一結果直接證明了Z軸信息在提筆動作編碼中的不可或缺性。

這些結果量化地證明：大腦運動皮層不僅編碼二維速度信息，還同步編碼了垂直運動、握力、肌電等多種維度信息。神經(jīng)元并非僅對單一參數(shù)進行調(diào)諧，而是對多個維度的信息進行混合編碼。

多維解碼賦能，讓字符識別更精準

既然大腦編碼了如此豐富的信息，那么在解碼環(huán)節(jié)利用這些多維信息，能否有效提升文字識別率？團隊就此展開了驗證：他們借助長短期記憶網(wǎng)絡（LSTM），從神經(jīng)活動中解碼出不同的參數(shù)組合，再與健康人構建的字符庫進行動態(tài)時間規(guī)整（DTW）匹配，從而識別出最可能對應的字符。

結果清晰表明：僅解碼二維速度（Vx,Vy）時，識別率僅為29.22%。加入Z軸速度后，識別率提升至約42%。進一步加入筆壓參數(shù)，識別率升至49.96%——較二維基線提升超70%。值得關注的是，同時加入握力與筆壓并未帶來顯著的額外提升，表明二者存在一定的信息冗余；但毋庸置疑的是，加入任意一個額外維度，都能顯著優(yōu)化識別效果。

這一結果表明，大腦中的多維信息不僅真實存在，還能被有效提取，為構建更精準的意念打字系統(tǒng)提供了關鍵支撐。

03【總結展望】

為臨床腦機接口裝上“立體眼睛”

“這項研究好比為腦機接口領域裝上了‘立體眼睛’，”論文通訊作者郝耀耀研究員解釋道，“過去我們只看到了二維的筆跡軌跡，現(xiàn)在發(fā)現(xiàn)大腦實際在輸出三維的運動指令與力度信息。只有接收并理解這些多維信號，才能真正實現(xiàn)高效且自然的意念書寫?！?/p>

該研究的創(chuàng)新之處不僅體現(xiàn)在突破性發(fā)現(xiàn)上，更在于其開創(chuàng)的方法論：通過健康人群的多維運動數(shù)據(jù)構建“標準模板”，再將其映射到癱瘓患者的神經(jīng)活動上，從而揭示出后者所隱含的豐富運動意圖。這一范式可廣泛應用于其他運動想象的腦機接口研究，為開發(fā)更智能的神經(jīng)假體提供堅實的理論基礎。

文信息：

https://www.nature.com/articles/s41467-026-70536-7

來源 | 南湖腦機交叉研究院

浙大科技園啟真腦機智能產(chǎn)業(yè)化基地是在浙大控股集團領導下，由浙江大學科技園發(fā)展有限公司與杭州未來科技城管委會共建，圍繞腦機智能產(chǎn)業(yè)主體，輻射腦機+生命健康、腦機+智能制造、腦機+新一代信息技術、腦機+新材料等領域的專業(yè)化特色產(chǎn)業(yè)基地，由杭州啟真未來科技發(fā)展有限公司負責全面運營。

基地依托浙江大學在腦機智能方面的學科優(yōu)勢，以腦機智能作為核心科技支撐，貫徹浙江大學國家大學科技園“有組織科技成果轉化、有靶向科技企業(yè)孵化、有體系未來產(chǎn)業(yè)培育”的服務體系，致力于打造腦機智能領域具備成果顯示度、區(qū)域影響力的產(chǎn)業(yè)化高地。