在人机界面中，解码器校准对于实现与机器的有效无缝交互至关重要。然而，由于解码器离线预测能力通常并不意味着易于使用，因此重新校准通常是必要的，这是因为在校准过程中无法考虑闭环动态和用户适应性。在这里，我们提出了一种自适应界面，它利用迭代训练的非线性自动编码器来执行在线流形识别和跟踪，其双重目标是减少界面重新校准的需要并提高人机联合性能。重要的是，所提出的方法避免中断设备的操作，它既不依赖于有关任务状态的信息，也不依赖于稳定的神经或运动流形的存在，因此可以在界面操作的最早阶段应用它，此时新神经策略的形成仍在进行中。为了更直接地测试我们算法的性能，我们将自动编码器潜在空间定义为身体-机器界面的控制空间。在初始离线参数调整之后，我们评估了自适应接口与静态解码器在近似用户同时学习在潜在空间内执行伸展动作的不断发展的低维流形方面的表现。结果表明，自适应方法提高了接口解码器的表征效率。同时，它显著提高了用户的任务相关表现，表明在线共同适应过程鼓励开发更准确的内部模型。© 2021 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可 (http://creativecommons.org/licenses/by-nc-nd/4.0/) 开放获取的文章。