BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

毕索大学团队比较了脑电、脑磁图、颅内脑电和功能磁共振成像中的视觉解码，发现使用同一种仪器时，参与者之间谁更容易被准确解码的差异具有可重复性；但在外部配对队列中，不同仪器未呈现共同的参与者排序。研究使用未参与训练的记录轮次和刺激身份检验分类器。注意、行为和外周信号影响记录质量，却未解释大多数稳定的个体差异。颅内记录还显示，局部类别选择性更鲜明的参与者更容易解码。作者认为，这些差异反映个体、所区分的表征与仪器之间的关系，而非单纯属于个人的固定特征。

北京大学等合作团队在清醒小鼠中，将自然电影的动态画面转换为具有时空图案的光遗传刺激，再从初级视觉皮层的反应中重建电影帧。研究比较了自然观看与人工刺激两种条件下的皮层活动，发现人工刺激诱发的宏观动态与自然视觉反应具有较高可比性，信息表征也呈现对齐。团队开发的深度学习模型能够从两种条件下的皮层信号中重建画面。这项动物实验为评估视觉皮层假体如何将图像转换为刺激模式提供了概念验证，但并不等于已证明人工刺激能让小鼠产生相应视觉体验，更不代表人体视力恢复效果。

让屏幕上的闪烁块按阶梯方式逐步升频或降频，能不能当作新的脑控指令？一项纳入15名受试者的离线脑电研究显示，这类“阶梯式”变频闪烁可以被识别，但分类准确率没有超过传统的固定频率闪烁。三种刺激方式的平均归一化准确率分别为89.7%（固定频率）、85.6%（升频）和89.5%（降频），统计上差异不显著；6–10 Hz低频刺激的准确率为90.8%，高于41–45 Hz高频刺激的80.6%。连续3条指令的平均准确率为91.5 ± 9.6%，指令序列越长准确率越低。研究者认为其价值主要在于设计更灵活的连续指令，仍需更大样本和在线闭环系统验证。

沉迷网络游戏的人，往往难以控制自己停下来。一项正在招募的临床试验，想用脑机接口神经反馈训练来改善这种认知控制缺陷：系统读取额头中线附近的θ节律脑信号并实时反馈，让参与者练习调节自身的大脑活动。研究团队还把社会奖励融入训练，作为强化物来提高干预效果和患者依从性。试验设有三组，分别为神经反馈加社会奖励的双靶点训练、只做神经反馈的训练和假反馈对照，计划纳入120名网络游戏障碍患者，主要终点预计2028年12月30日完成。

脑电信号会随时间漂移，眨眼等伪迹又常常混入其中，脑机接口要在真实环境中长期使用，就必须先解决这一问题。常用的伪迹子空间重建（ASR）方法基于方差自动抑制伪迹，但依赖由校准数据得到的静态协方差模型，信号一漂移就不够稳。研究团队提出用指数移动平均持续跟踪信号结构，把短时程协方差估计与缓慢递归更新结合起来，让模型以一快一慢两种节奏同时适应。在10名受试者、不同认知状态下的24通道脑电记录中，新方法把眨眼伪迹削减了53.1%，原始ASR为24.0%，有限记忆版本为26.7%。代价是重建偏差和频谱偏差都有所增大。该研究为预印本，尚未经同行评审。

脑机接口每接入一位新用户，都要先校准。为个人单独调出来的模型更准，可能是因为真正学到了这个人的特点，也可能只是底层的通用模型本身更强。研究人员在235名未参与训练的受试者身上测试了3个脑电基础模型（用大量脑电数据预训练的通用模型）。结果显示，为每人单独训练的轻量适配模块，平均平衡准确率比通用的群体模型高1.5至5.4个百分点，也比借用他人的适配模块高2.3至7.3个百分点。群体模型的训练量增加到原来的4倍后，个性化增益仍为正，但有所缩小。只用少量标注数据做低成本校准，效果并不稳定。该研究为预印本，尚未经同行评审。

瘫痪患者用脑机接口控制外部设备，难点之一是配对的神经信号与动作数据太少，解码模型很难训练充分。常规做法是针对具体任务学习从神经活动到运动学参数的映射，这类数据的稀缺直接限制了模型能力。研究团队提出BrainVLA框架，借用已在大量机器人数据上预训练的视觉-语言-动作模型：先构建包含神经活动、动作信号、语言指令和渲染视觉观测的配对数据集，通过LoRA微调把OpenVLA-OFT策略适配到目标动作空间，再把神经活动与语言表征对齐，从中提取“想做什么”的意图信号，由该模型结合视觉画面生成可执行的动作。在两个动作维度不同的神经运动数据集上，该框架的跨会话解码R²和任务成功率均优于所评估的基线方法，训练数据效率也较高。该研究为预印本，尚未经同行评审。

设计一个能在多种脑电任务上都表现好的解码模型，通常要靠研究人员反复试错。AutoBCI框架让两个AI智能体分工：一个负责生成并改进模型架构，另一个根据训练早期的学习曲线预测最终表现，提前挑出值得继续训练的候选。在涵盖运动想象、情绪识别和睡眠分期的14个脑电数据集上，借助Claude Opus 5.5找到的架构平均测试平衡准确率为64.16%，略高于最强基线REVE的63.87%。预测智能体只看10个训练轮次，就把预测误差从2.20个百分点降到1.36个百分点。该研究为预印本，尚未经同行评审。

脑机接口换一天使用时，脑电信号会发生漂移。常规分类器不论把握大小都照样给出指令，错误指令可能让设备做出意外动作。美国圣母大学计算机科学与工程系的研究人员在《Journal of Neural Engineering》上报告，他们给运动想象脑机接口加了一道“门”：用共形预测判断把握不够时，就不发指令。研究以DeepConvNet为基础分类器，比较了多种门控策略。在54名受试者的OpenBMI数据集上，错误指令比例从37.5%降至9%至16%；在9名受试者的BCI Competition IV Dataset 2a上，从35.5%降至6%至8%。代价是发出的指令变少。研究据此给出了按容错程度选择校准数据与门控策略的框架，结果均来自离线公开数据集。