BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

该研究2026年8月7日发表于《Journal of Neural Engineering》，分析了四名受试者的皮层脑电记录，考察大脑半球内侧壁区域对手指运动解码的贡献。结果显示，多个内侧壁亚区观察到显著高于随机水平的手指运动检测，局部运动电位与8至12赫兹、12至34赫兹频带振荡功率对解码性能贡献最强。特征动态与初级运动皮层具有共同特性，包括运动前去同步化，也表现出区域特异的正负局部运动电位调制。尽管运动检测是主要结果，两名受试者的内侧壁通道能显著区分单个手指，一名受试者对侧与同侧手指运动均可解码，但该观察基于个案，属初步结果，需要进一步研究确认跨个体普适性。

瓦博科技2026年8月7日在官网通报，其在2026年7月31日至2026年8月3日的ChinaJoy 2026期间，于骁龙馆连续四天运营神经艺术体验，与参与者共同生成超过100幅AI画作。参与者佩戴非侵入式脑电头带，观看由自身信号状态生成的画面反馈，任务相关的信号特征作为画作生成的输入之一，公司称体验不读取私人想法。现场将瓦博科技的信号采集硬件与搭载骁龙X Elite平台的笔记本配对，信号处理、模型推理与图像生成均在端侧完成。公司称，连续面向不同观众运行为设备布置、信号质量、延迟与交互设计提供了实际观察，用以检验神经意图流程在受控开发环境之外的表现。

该研究提出ReCIL，一种基于排练的类别增量学习方法用于跨被试运动想象分类，使模型可顺序学习新的MI类别而无需从头重训。ReCIL采用欧氏对齐降低跨被试EEG分布偏移，通过全局-局部重放保留旧任务知识，并借助降维进行可靠的样本相似度计算。在三个公开MI数据集上的实验显示，ReCIL在可塑性与稳定性之间取得良好平衡。据作者称，这是跨被试类别增量学习用于MI分类的首次研究，为无需从头重训即可扩展新类别的脑机接口提供了实用方案，回应了既有方法在新增类别时需重采数据或重训模型的低效问题。

据央视网2026年8月6日报道，北京海淀正加速打造脑机接口产业新高地，当地脑机接口核心企业占全国近60%。报道称，中关村（海淀）脑机接口产业集聚区在2026中关村论坛年会上正式揭牌，目前已聚集20余家脑机接口项目，并已落成AI+脑机接口标准测试验证实验室。集聚区揭牌与标准测试验证设施落地，是海淀围绕脑机接口产业布局的最新公开进展。央视网报道未披露集聚区内项目名单、核心企业的统计口径以及后续建设规划等细节。

空军军医大学研究团队在《Scientific Data》发表了一项功能性近红外光谱（fNIRS）数据集，包含55名年轻成人在约2周内完成的三次色词Stroop任务会话的额叶血红蛋白响应，每个条件超过30个试次。该数据集可用于冲突抑制研究、神经反馈训练解码器构建及大规模跨被试fNIRS模型开发，为脑机接口认知状态解码提供了新的光学神经影像数据资源。

该研究提出BiGSTF-Net多模态架构，利用EEG与功能性近红外光谱（fNIRS）的互补特性提升认知状态解码：先用异构时空特征提取器分别捕捉两种模态的时序与空间表征，再通过模态残差交互单元实现双向跨模态引导，最后由时空门控单元完成模态内特征整合，生成紧凑且具判别性的表征。在多个BCI数据集的跨会话评估中，BiGSTF-Net持续优于代表性多模态融合基线；消融实验验证了各架构组件的有效性，可视化分析显示其激活模式与EEG和fNIRS信号的已知神经生理特征一致。该工作属于多模态神经信号解码的基础方法研究。

一项预印本研究提出NeuroPB，一种通过预训练行为表征迁移来扩展神经解码规模的框架，先在大规模运动行为数据上预训练运动编码器，再以有限配对神经-行为记录将神经活动对齐到行为表征空间，随后优化神经编码器与轻量运动解码器以重建连续运动。研究者称，在多个猕猴运动数据集上，行为预训练使center-out轨迹解码R²提升11%、随机目标任务提升8%，且用机器人轨迹预训练可达到与猕猴轨迹相当的性能；固定神经数据量时性能随预训练数据规模增加而提升，仅需10%校准即可匹配从头训练。该研究为预印本，尚未经过同行评审。

一项预印本研究提出OSPDIM，一种面向在线EEG脑机接口类不平衡标签偏移的无源在线无监督域适应框架。研究指出，黎曼对齐方法（如黎曼中心化变换）在处理协变量偏移时有效，但隐含假设类别先验平衡；实际在线场景中标签分布动态变化，会使标准对齐技术在几何上错位目标数据分布。OSPDIM在黎曼流形的切空间映射中引入流形约束偏置参数，通过信息最大化优化以纠正不平衡数据流造成的几何偏斜，并在线估计与修正几何偏置而非依赖全局批统计。2D SPD矩阵仿真显示OSPDIM可纠正标准中心化失效的错位；在多个运动想象数据集上，OSPDIM显著优于标准黎曼基线，尤其在线场景中。该研究为预印本，尚未经过同行评审。