“神經信號的個體差異性是腦機接口領域長期面臨的一個關鍵挑戰。”唐洲平介紹，由于每個大腦的神經活動模式獨一無二，腦機接口系統需要經歷繁瑣的個性化校準過程，阻礙了該技術從實驗室成果向規模化臨床應用轉化。

此項研究中，唐洲平帶領團隊構建了一種新型混合腦機接口框架，通過融合雙模態傳感系統與智能遷移學習算法，實現精準、高效神經信息解碼。

唐洲平介紹，融合雙模態傳感系統包括腦電圖、功能性近紅外光譜兩部分，前者如同高速攝影般精確抓取運動意圖產生瞬間電脈沖，破解“何時想”難題；后者通過監測血氧變化，類似熱成像儀般精準鎖定大腦皮層活躍區域，揭示“何處想”秘密。這兩個關鍵信息被高度同步捕捉，大腦運動意圖便以前所未有的清晰度躍然眼前。

在此基礎上，團隊開發出一套遷移學習算法——其核心邏輯是為每位患者量身定制一把專屬的“萬能鑰匙”。他解釋稱，這個過程好比是為一把構造獨特的鎖(患者的大腦)，從成千上萬把鑰匙坯中，找到最接近其構造的那一把(最優模板)。隨后，系統只需對這把鑰匙坯進行少量、高效的個性化打磨，就能迅速適配患者，成功“解鎖”大腦意圖。

唐洲平介紹，團隊通過自建的腦出血患者數據集驗證發現，該路徑平均解碼準確率達74.87%，優于目前國際常用的方法。研究團隊還構建了涵蓋腦出血患者的多模態運動想象數據集，為全球同行開展協作研究提供共享資源。