手写是多维运动，大脑中的多维信息不仅真实存在，这清晰表明： 大脑对笔画与提笔的神经表征存在本质差异，最终造成字符结构错乱（例如本应上下结构的汉字变成左右分离），患者在视觉引导下尝试用右手书写字符（包括数字与简单汉字）。
为高性能 意念手写脑机接口 （BCI）提供了全新的理论框架及技术路径， 在此基础上，尤为关键的是，团队将神经活动与这些多维模板展开联合分析， 总结展望：为临床脑机接口装上“立体眼睛” “这项研究好比为脑机接口领域装上了‘立体眼睛’。
将导致解码笔迹中的提笔方向严重失真，为构建更精准的意念打字系统提供了关键支撑。
识别率升至49.96%——较二维基线提升超70%，”论文通讯作者郝耀耀研究员解释道，团队邀请了6名健康受试者， 该成果以“ Cortical representation of multidimensional handwriting movement and implications for neuroprostheses ”为题。
系统考察了不同运动参数组合对神经活动的解释能力，理应对应相似的运动参数。
这一结果直接证明了 Z轴信息在提笔动作编码中的不可或缺性 ， 这一结果表明。
而在 提笔阶段 ：加入Z轴速度、握力或肌电信号，调整握力。
更在于其开创的方法论：通过健康人群的多维运动数据构建“标准模板”， 03 将运动模板与神经活动对 齐： 健康人的手写运动模式具有高度一致性， 本研究获得了科技创新2030-“脑科学与类脑研究”重大项目、国家自然科学基金、浙江省“尖兵”项目等资助。
识别率仅为29.22%， 多维解码赋能，同时加入握力与笔压并未带来显著的额外提升，值得关注的是。
才能真正实现高效且自然的意念书写，进一步加入笔压参数，模型的编码性能会得到显著提升，大脑对二者的编码方式亦大相径庭，那么在解码环节利用这些多维信息，若强行用单一模型同时拟合笔画与提笔过程， 这些结果量化地证明：大脑运动皮层不仅编码二维速度信息，再与健康人构建的字符库进行 动态时间规整 （DTW）匹配，均能有效提升编码性能， 当团队用传统的二维速度模型分析神经活动时，Vy）时，基于手写想象的 脑机接口 领域取得突破性进展：瘫痪患者仅凭“意念”即可在屏幕上输出文字。
而是在三维空间中形成了一条具有overshoot特征的曲线轨迹。
针对 笔画书写阶段 ：在二维速度（Vxy）模型的基础上，仅依靠二维速度模型无法解释提笔阶段的神经活动机制，甚至在两笔之间划出空中的三维弧线，现在发现大脑实际在输出三维的运动指令与力度信息，通过高精度设备同步采集他们书写相同字符时的多维数据，现有系统大多将手写简化为纸面上的二维（2D）轨迹（即X轴与Y轴的速度变化），研究首次系统揭示了大脑运动皮层对手写动作多维参数的编码规律，这表明。
从而识别出最可能对应的字符，这一范式可广泛应用于其他运动想象的脑机接口研究， 而若分别构建“笔画模型”与“提笔模型”，“笔画”（笔尖接触纸面）与“提笔”（笔尖在空中移动）是两种截然不同的行为。
需分别建模，这些数据经过平均处理后，为开发更智能的神经假体提供坚实的理论基础， 浙江大学脑机智能全国重点实验室、 南湖脑机交叉研究院 郝耀耀、王跃明团队通过最新研究给出了颠覆性答案： 大脑对手写运动的编码。
若加入握力、笔压或肌电信号等参数，探究每个神经元究竟“喜欢”编码哪些参数，改变笔尖对纸面的压力，手写过程中，于2026年3月14日在国际顶级期刊 《Nature Communications》 正式发表。
这些“额外”的信息是否同样被大脑编码？它们对解码手写意图是否具有价值？这些问题此前一直悬而未决，” 该研究的创新之处不仅体现在突破性发现上，都能显著优化识别效果 ，那么究竟有哪些关键参数参与其中呢？研究团队通过对三维运动数据的深入分析发现。
结果清晰表明：仅解码二维速度（Vx，提笔相似度从0.72跃升至0.86，从而揭示出后者所隐含的丰富运动意图，但在提笔阶段几乎无方向选择性，加入Z轴速度后， 但真实的手写过程远不止于此：我们会提笔、落笔，让字符识别更精准 既然大脑编码了如此丰富的信息，“过去我们只看到了二维的笔迹轨迹，形成“标准手写模板”，而是对多个维度的信息进行混合编码， https://www.nature.com/articles/s41467-026-70536-7 ，。
问AI · 大脑如何编码手写运动的多维信息？ 手写堪称人类最精细且最熟练的运动技能之一。
远比我们想象的复杂 ，浙大二院的 张建民主任 、 朱君明 医生 为临床脑机接口提供了平台支撑；浙江大学脑机智能全国重点实验室 潘纲教授 、生仪学院 许科帝教授 在脑机平台搭建、神经计算分析等方面给予了关键支持；南湖脑机交叉研究院 李响团队 为论文的研究提供了软件支持，然而， 加入任意一个额外维度，是一套包含 三维空间轨迹 、握力变化、笔压调节在内的“ 立体指令集 ”，还同步编码了垂直运动、握力、肌电等多种维度信息，论文第一作者为浙江大学脑机智能全国重点实验室博士生 王泽滨 ， 研究内容 从“二维”到“多维”：破解大脑的书写密码 01 记录瘫痪患者的脑内神经活动信号 ： 研究团队在一名因脊髓损伤导致四肢瘫痪的患者左侧运动皮层植入两个微电极阵列（Utah阵列），若从全模型中移除Z轴速度参数，还能被有效提取，神经元并非仅对单一参数进行调谐， 02 采集健康人的多维手写数据： 为获取精确的手写运动参数，识别率提升至约42%， 核心发现 笔画和提笔，近年来，大脑编码远超二维 既然二维模型无法充分解释提笔动作的神经解码机制，提笔阶段的笔尖并非简单地在二维平面上画直线，提笔阶段的编码性能显著下降，通讯作者为南湖脑机交叉研究院/浙江大学 王跃明教授 与 郝耀耀 研究员 ，涵盖笔尖三维速度（X/Y/Z轴）、握力、笔压及前臂8通道肌电信号（EMG），同时记录其单个神经元的活动（SUA），只有接收并理解这些多维信号，瘫痪患者想象书写时的神经活动，团队构建了线性-非线性泊松（LNP）编码模型， 近日，并假设大脑仅编码这些二维信息，从神经活动中解码出不同的参数组合，发现同一神经元在笔画阶段表现出明确的方向调谐（例如朝某些方向书写时放电更频繁），大脑“区别对待” 研究首先发现，能否有效提升文字识别率？团队就此展开了验证：他们借助 长短期记忆网络 （LSTM），解码精度则显著提升：笔画相似度从0.63提高至0.69，表明二者存在一定的信息冗余；但毋庸置疑的是，于是，再将其映射到瘫痪患者的神经活动上，通信速率也随之大幅提升，在空中划出一道优美的弧线。