傅利叶：未来1-2年将脑机接口引入机器人康复训练，提升治疗效率

在临床康复场景中，重症患者早期因功能受限，难以自主完成训练，康复有效性也难以量化，训练枯燥并且缺乏持续激励与反馈。为了提升康复治疗效率、改善患者的生活质量，具身智能企业傅利叶探索将具身智能技术与脑机接口融合。

1月28日，傅利叶创始人兼CEO顾捷在第二届傅利叶具身智能生态大会暨张江机器人开发者先锋大会上表示，将在未来1–2年内明确规模化落地引入脑机接口技术的机器人康复训练，“当患者在训练过程中产生了运动意图，但肌肉水平又无法完成时，机器人能够通过脑机识别意图，在意识形成的当下提供恰当的助力，就完成了一次从中枢到外周的完整闭环训练。”

挑战在于，全球范围内，脑机接口和具身智能缺乏大规模的数据集，也缺乏软硬件基础设施。“我们也非常清楚，这不是一件可以被快速验证的事情。它需要足够的耐心，需要长期的数据积累，也需要跨学科的持续协作。”

傅利叶创始人兼CEO顾捷。

具身智能+脑机接口驱动主动式康复训练

“想象一下，一个中风患者大脑想着伸手，机器人就能读懂意图，带动他的手完成动作，完成从中枢驱动外周的训练方式。”顾捷表示，脑机技术的接入能够识别患者是否在主动尝试、意图是否被激活以及激活的时序与强度，并在意图最清晰的时间窗内由机器人提供恰到好处的物理辅助。“这不是10年后的概念，而是我们在未来1–2年内明确要规模化落地的产品方向，这也是脑机接口一个明确和重要的产业化方向。”

随着大模型的发展，机器人开始具备理解复杂语义、融合多模态信息、通过视觉理解环境，顾捷表示，主动式人机交互也从工程追求变成了一个确定性的技术方向。

在康复领域，传统早期康复由康复设备带动肢体运动，大脑参与度不可控，易陷入放空式训练。相比被动机械性训练，患者主动参与的人机协作训练的康复效果更好。

以脑机接口结合下肢外骨骼机器人为例，患者穿戴脑电帽并产生运动想象，多通道电极阵列实时采集脑电信号，AI算法识别患者的运动意图与动作类型，并转化为指令驱动机器人带动下肢步态训练，随之产生的本体感觉将刺激神经系统，重建神经通路。

傅利叶介绍，脑机接口技术能够弥补传统康复在早期介入、训练有效性与评估精度方面的不足，同步监测运动皮层活动、脑电频谱变化并结合力学数据，可为患者的训练专注度和康复效果提供客观、连续、可追踪的量化依据。人形机器人的情感化交互能力，让康复过程兼顾情绪反馈、交互引导与长期陪伴。

上海交通大学医学院附属瑞金医院康复医学科主任、上海交通大学医学院康复医学系主任、上海市瑞金康复医院副院长谢青表示，未来机器人经过训练后能理解患者的表情、眼神和手势等非语言信号，并据此做出响应和行动。

两个决定性的变化

“康复从来不只是技术问题。康复科不做手术、很少吃药，但对患者的坚韧和意志却有极高的要求。我们接触到的患者们，大多都要在康复科住院或门诊治疗2-3个月，治疗师和医生们需要做的，除了专业的康复训练治疗，更重要的是鼓励支持患者愿意在漫长而枯燥的训练中坚持下去。”顾捷表示。

2017年，傅利叶在内部立项启动了脑机接口结合外骨骼机器人的预研工作，通过脑电信号驱动外骨骼行走，完成了早期概念验证。顾捷透露，当时脑机接口与外骨骼结合的内部预研让团队清醒看到了工程瓶颈——信号噪声高、稳定性不足、难以规模化部署，这类技术还不足以真正进入临床体系，因此在后来的几年里将主要精力放在机器人本体的交互能力上。

但最近两年，他看到了两个决定性变化。脑机硬件快速成熟，设备越来越轻量化和模块化，非侵入式脑机接口从原先单一的EEG（脑电图）发展到现在开始使用近红外、多通道超声等各种信号采集方案，抗干扰性、便携性、准确性不断提升。

更关键的是，大模型改变了脑电信号的处理方式。顾捷表示，以前处理脑电信号主要依赖FFT（快速傅里叶变换）、频谱分析或SSVEP（稳态视觉诱发电位）等传统方法，在处理非线性、高维度的脑电信号时能力有限。但大模型可以更有效地对复杂脑电信号分类和解析，实现更精准的意图识别。

不过，挑战仍然存在。在全球范围内，脑机接口和具身智能还缺乏大规模的数据集，也缺乏软硬件基础设施。为加强跨学科协作，目前，傅利叶已联合上海交通大学医学院附属瑞金医院、复旦大学类脑智能科学与技术研究院、天桥脑科学研究院、国家地方共建人形机器人创新中心、同济大学附属养志康复医院、格式塔科技和临港实验室共同发起“脑机具身·数据引擎联合创新计划”，以核心硬件、工具链等底层技术支持探索脑机接口与具身智能体的深度融合，验证面向未来的人机交互闭环体系。

澎湃新闻记者 张静