由Surrey大学、Oxford大学和认知神经技术公司的研究人员开发的人工智能（AI）个性化脑刺激系统，可安全地在家中增强注意力。该系统设计用于适应个体特征，可帮助人们在学习、工作或其他需要高度集中精力的任务中提高专注力。这项研究发表在npj Digital Medicine上，基于一种专利方法，该方法结合非侵入性脑刺激和自适应 AI，以最大化其效果。该技术使用经颅随机噪声刺激（tRNS）——一种温和且无痛的脑电刺激形式——以及一种 AI 算法，该算法根据个体特征（包括注意力和头大小）学习个性化刺激。

通过根据这些特征调整刺激强度，该系统能够在不进行昂贵的核磁共振扫描的情况下识别最佳设置，使个性化方案具有可扩展性和成本效益。

该 AI 系统使用 103 名年龄在 18 至 35 岁之间的人的数据进行训练，这些人在使用符合欧盟标准的头戴设备和基于平板电脑的持续注意力任务中完成了 290 次居家训练。随后，该系统在一项涉及 37 名新参与者的双盲研究中进行了评估。接受个性化 AI 引导刺激的参与者表现明显优于标准刺激或安慰剂刺激。在最初注意力水平较低的人群中，观察到了最显著的改善。

实验流程示意图图a：参与者通过快递收到神经刺激器后，自行测量头围，并在平板电脑上完成基线持续注意力任务。相关数据上传至云端个性化贝叶斯优化（pBO）平台，该平台生成的个性化神经刺激方案可通过云端门户实现远程实施。参与者先完成美国空军研究实验室37设计的20分钟空中交通管制任务（无刺激组），随后接受20分钟定制化神经刺激。

图b：估计性能（持续注意力任务中的改善率）以基线 A′ 和当前刺激强度（电流强度，mA）为变量绘制。

图c：为估计性能（持续注意力任务中的提升比例）以电流强度（mA）和头围（cm）为变量绘制。图b和c中的性能数据采用标准化尺度，使其符合高斯分布特征。浅色区域表示较低的估计性能，深色区域则对应最佳性能区间。由于系统维度较高，无法直接呈现电流强度、A′ 值与头围三者的性能关系可视化。

图d-f ：基于合成数据的计算机模拟研究，对比了噪声水平 σ²=1、2、3时pBO、随机搜索（Random Search）和非个性化行为优化（non-personalized BO）的性能表现。随着噪声强度增加（图d-f），pBO相对于BO和随机搜索的优势逐渐减弱。其中，pBO-tRNS算法在基线分数较低的参与者中展现出更优性能：在低分组别中观察到显著神经刺激效应，而高分组别则未见明显效果。纵轴表示性能变化百分比，0代表基线无变化。误差条表示均值标准误差。

研究人员表示："我们的现代世界不断争夺我们的注意力。这项工作的令人兴奋之处在于，我们已经证明，使用个人化系统可以在家中独立安全有效地提升认知能力。这为以可访问、自适应和可扩展的方式改善持续注意力、学习和其他认知能力开辟了新的可能性。

研究突出了人工智能和可穿戴神经技术在实现个性化现实世界认知增强方面的日益增长的作用，在教育、培训和未来临床应用方面具有潜在应用。

研究发现没有严重的副作用，刺激过程中的频率和严重程度与安慰剂期间无差异。人工智能还有助于避免可能损害性能的刺激水平——这是以前非个性化方法无法实现的。

参考文献：

Cohen Kadosh, R., Ciobotaru, D., Karstens, M.I.et al. Personalized home based neurostimulation via AI optimization augments sustained attention. npj Digit. Med. 8, 463 (2025). https://doi.org/10.1038/s41746-025-01744-6