BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

卒中后手功能障碍严重限制患者独立生活，而传统康复对缺乏主动运动能力的患者往往效果有限。基于非侵入式脑电图（EEG）的脑机接口（BCI）通过实时解码运动想象时感觉运动皮层的节律信号，驱动外骨骼、功能性电刺激或虚拟现实设备，形成基于赫布学习原理的闭环反馈，从而强化或重塑受损神经通路，促进运动恢复。一篇发表于《Topics in stroke rehabilitation》的综述系统梳理了该技术的神经生理基础及三种主要康复范式：运动想象结合物理反馈、运动想象结合虚拟或多感觉反馈、以及基于稳态视觉诱发电位（SSVEP）的范式。研究证实这些方法能改善上肢功能，但临床推广仍面临信噪比低、个体差异大及“BCI失明”等挑战。

一项新研究提出一种可解释的脑机接口（BCI）框架，将情感状态识别与脑电（EEG）信号解码相结合，用于实现情感感知的意念转语音（thought-to-speech）。该框架在公开的想象语音EEG数据集上进行了测试，采用受试者独立设置，评估了分类准确率、精确率、召回率、F1分数、推理速度和可解释性。结果显示，与传统不透明模型相比，该方法持续提升了解码可靠性，并提供了清晰、具有临床意义的见解。研究为瘫痪、肌萎缩侧索硬化症、闭锁综合征等影响自然言语的患者提供了辅助沟通工具的实际基础。

一项针对38名8至12岁典型发育儿童的研究让他们使用P300脑机接口增强与替代沟通（P300-BCI-AAC）设计应用，创建自己偏好的图片界面，以了解儿童对这类沟通界面的设计偏好。研究发现，儿童普遍选择喜欢的颜色、动画效果（尤其是缩放动画）和声音提示；动画有助于视觉可达性和目标定位，背景颜色变化用于融入偏好色彩，视频GIF和图片覆盖层则增加个人相关性。这些发现强调了运动、颜色、个性化和视觉清晰度在儿童BCI-AAC界面中的初步重要性，为开发可定制、有吸引力的系统奠定了基础，也为未来纳入日常使用AAC的儿童及运动障碍人群的研究提供了方向。

天津大学团队提出一种基于图神经网络的联合优化框架，能在运动想象脑电解码中自动选出少量关键通道，同时保持与全通道相当的分类精度。研究发表于《混沌》（Chaos），在三个数据集上验证，包括BCI Competition IV 2a、High Gamma及新采集数据。这一方法有望降低脑机接口系统的复杂度，推动其在神经康复等实际场景中的应用。

一项预印本研究将参数化量子电路作为残差侧车模块集成进ResNet-50主干，用于31类神经群体解码（想象手写分类）。在受控条件下，主干梯度训练的侧车变体在3/4种子中提升了准确率，并一致降低了与基线特征的线性CKA相似度，表明表征发生了结构性重组。研究未声称量子计算优势。

运动想象脑机接口一直有两个老问题：不同人之间差别大，能分出的指令少。这项研究让使用者先用眼睛看目标完成选择，再用想象动作确认，把两步合成一步。15名健康参与者、16通道脑电的测试中，混合范式在所有通道配置下都优于单纯运动想象，最高准确率达到100%。研究还发现，注视目标本身能让脑电反应更稳定，这为减少电极数量、降低设备门槛提供了依据。

异步稳态视觉诱发电位（SSVEP）脑机接口在真实控制中潜力很大，但脑电信号与固定相位模板之间的相位偏移常拖累性能。研究者观察并验证了相位滑动振荡现象，据此提出异步分类方法PSO-AC，把脑电重构为不同初始相位的序列，经同步压缩小波变换提取相位解耦特征，再由概率时序模型区分控制与非控制状态。离线实验（22人）中，2秒数据下平均判别准确率达94.2%，优于现有基线；9分类任务在不同时间延迟下也保持优势。在线机械臂实验中，每次成功试验的命令成本从4.30降至1.14，指令触发更稳定、控制效率更高。论文2026年8月21日发表于《国际神经系统杂志》。