BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

脑电信号会随佩戴时间、电极状态和被试状态漂移，实验室里校准好的脑机接口模型，用到日常场景往往很快就不准了。这份预印本把共空间模式（CSP）和基于黎曼协方差的方法放进同一套按时间顺序的评估流程：模型先预测，拿到真实标签后再更新参数。在4个公开数据集上，2个最大数据流里的14组模型与数据集组合中，13组准确率提升，相对冻结模型最高提升约18%。研究还用Shapley方法按时间块给数据估值，3个被分析的数据集中最近的时间块平均价值最高，较早的时间块仍保留正值——旧数据不是只能丢掉。

研究人员记录出声和想象发声时的脑电，尝试区分愤怒、快乐、中性、悲伤和愉悦五类情绪。出声实验纳入14名参与者，想象发声实验纳入21名参与者，单试次解码准确率分别为78.1%和36.4%，随机水平为20%。研究还在5名参与者想象发声时记录面部表面肌电，发现非自主肌肉活动参与形成了有助于分类的脑电频谱与空间模式，其中一种侧部通道模式在想象快乐发声时更强。这意味着，分类准确率不能全部归于脑源情绪信息，也不能把肌肉活动影响忽略为普通背景噪声。

ISAE-SUPAERO的一项研究测试了结合半干式脑电采集与视觉刺激的脑机接口。30名参与者完成标准屏幕上的11类键盘打字任务，系统使用33秒校准数据，准确率为99.8%，平均解码时间为4.3秒。在两次在线打字测试之间的2分钟观看视频空闲条件下，未出现误指令。研究还开展了虚拟现实概念验证，在线准确率为100%，平均解码时间为5.6秒。参与者主观报告两种条件下视觉舒适度较高、周边干扰较少，但虚拟现实中的疲劳更高；短时空闲测试不能代表长期使用表现。

研究人员提出一种名为“意图矩阵”的控制框架：先对脑电信号分类，读出使用者想做的腿部动作，再与外骨骼自身传感器的数据融合，生成发给底层执行机构的控制指令。按论文描述，人与外骨骼通过读取意图实现协作，发生在使用者先自行启动肢体动作之后。研究称结果初步表明该方法可支持EXOS-1外骨骼用于康复训练。论文摘要未报告受试者人数或分类准确率，仍属早期可行性工作。

不同人的脑电信号差异很大，同一个人的脑电也会随时间漂移，所以脑机接口换一个新用户，往往要重新采集数据、重新训练。杭州电子科技大学的研究团队提出名为TSMD-Net的算法，训练时完全不用新用户的数据，而是先把多名已有受试者的脑电特征对齐，再把分别针对每个人学到的判别经验汇总到一个统一的分类器里。在三个公开脑电数据集上，它读出“想动哪只手”这类意图的平均准确率分别为70.21%、77.82%和79.53%。

普通脑电帽要靠导电膏穿过头发、贴紧头皮，用久了接触变差、信号变弱。德克萨斯大学奥斯汀分校团队做了一套可拉伸的脑电采集平台MindStretcH：用剪纸式镂空的弹性网格贴合不同头型，用可变形的液态金属导线连接，再配上可拆换的锥形水凝胶电极穿过头发接触头皮。在纵向运动想象记录和多次在线脑机接口实验中，研究人员报告任务相关的脑电活动保持一致，记录质量没有可测量的下降。团队认为它可在实验室、临床和家庭中长期重复使用，但摘要未披露受试者人数与使用时长。

血管内脑机接口不用开颅，但电极要穿过人人走向不同的脑静脉才能就位，目前靠医生手动操作导管。研究团队训练了一套自主导航的机器人控制算法，让它从颈部的右颈内静脉一路走到头顶的上矢状窦。在仿真中，它在训练用的血管结构上成功率较高，在没见过的血管结构上明显下降。在X光透视引导的体外血管模型上，20次实物运行成功14次。团队还测试了一个能提前预警导航失败的模块，供人工监督使用。该研究为预印本，尚未经同行评审。

唤醒度是大脑和身体的紧张、警觉程度。多数基于唤醒度的脑机接口靠脑电（EEG）来读，但唤醒本质上受自主神经调节。研究人员用一个公开的模拟飞行任务数据集做离线分析，发现心率、心率变异性、呼吸、皮肤电活动和瞳孔直径这些外周生理信号训练出的解码器，受试者内曲线下面积（AUC）达到93.0%，高于仅用脑电的85.2%和原始滤波器组共空间模式解码器的79.8%。只有外周信号解码器重现了唤醒度与表现之间的倒U型关系。研究还发现，脑电神经反馈并未改变整体唤醒轨迹，其作用可能来自任务关键时刻的调节。该研究为预印本，尚未经同行评审。

注视不同频率闪烁的目标时，大脑视觉皮层会产生同频的脑电响应，即稳态视觉诱发电位（SSVEP），脑机接口可据此判断用户想选哪个目标。这类系统通常需要用户先花时间做校准，数据越多越准，但也更易疲劳。研究团队提出一种名为SCR-FTSDNN的深度卷积神经网络，把脑电信号转到频域后再提取时间与空间特征，并加入空间与通道重建模块。在Benchmark和BETA两个公开数据集上，作者报告该方法识别准确率和稳定性优于多种现有方法，在校准数据有限时优势尤为明显。论文摘要未给出具体数值，结果来自离线公开数据集测试。