BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

肌肉活动产生的电信号会在很宽的频率范围内盖过头皮脑电，把分析和脑机接口需要的神经信息淹没。研究人员提出名为P2P Trans的条件对抗去噪模型，它把U形编码器解码器、瓶颈处的多头自注意力、交叉注意力引导的跳跃融合与PatchGAN判别器结合在一起。在基于EEGdenoiseNet、覆盖-7至2 dB共10个信噪比水平的合成数据上，它与5种卷积编码器解码器基线模型比较，取得最高平均相关系数0.8645和最低平均频谱误差0.3596，干扰越重优势越明显。不过它在逐点波形还原上并不领先，说明压低频谱噪声与保真波形之间存在取舍。该研究为预印本，尚未经同行评审。

脑电信号很容易被眨眼、肌肉活动和心跳混入的干扰（伪迹）污染，进而拖累脑机接口读取意图的准确率。西北工业大学自动化学院与软件学院的研究团队提出名为Diff-ADN的单通道去噪框架，先按污染严重程度重建信号，再由扩散模型引导做一次残差修正，可处理眼电、肌电、心电及混合伪迹。在-7至+2 dB的污染水平下，重建信号与干净脑电的平均皮尔逊相关系数在0.839到0.936之间。在4个公开运动想象数据集上，去除心电伪迹后解码准确率回升4.88至5.59个百分点，单项最大回升21.90个百分点。处理一段2秒脑电在测试CPU上只需12.52至17.08毫秒。研究同时发现，波形重建得更好，并不等于解码准确率同步回升。

从头皮脑电和脑磁图这类非侵入式记录中解码单个词汇，一直是脑机接口领域的难题，因为信号弱、时间分散，且混杂着声学、词汇和语义结构。深度学习已能从颅内记录中解码语言，但将这一能力推广到非侵入式记录仍是未解课题。由Yueyang Li、Shuran Chen、Wai Ting Siok和Nizhuan Wang提出的HDND（分层动态神经解码）框架将词汇解码视为逐步精炼而非一步到位的标签检索，在涵盖英语、荷兰语、普通话和粤语的七个脑电与脑磁图数据集、九种实验条件下，参与者平均平衡Top-10点估计值均高于匹配的上下文词汇解码基线，其中八项条件下取得所有对比方法中的最高均值。该研究为预印本，尚未经同行评审。

人在看别人做动作时，负责运动的大脑皮层也会跟着活跃。那么，瘫痪患者看着自己用脑控制的机械手或虚拟手时会怎样？研究人员在植入皮层内脑机接口的用户观看人手、机器人手和类手圆点等虚拟对象做抓握动作时，记录了运动皮层单个神经元的放电。结果显示，被观看的对象越像人，运动皮层的活动越强，这一规律在整体神经元群和单个神经元上都能看到，参与者自己对“像不像人”的主观感受也与神经活动相关。不过，当用户自己尝试做手部动作时，运动皮层活动基本不受所看对象外观的影响，提示脑控外部设备的直观性可能不会因设备是否像人而明显受损。

中风数月乃至数年后，手臂还能不能靠“想”来练回来？葡萄牙研究人员让7名慢性卒中患者一边想象动作，一边由脑机接口实时读取脑电信号并给出反馈，另设一组只给假反馈作对照，两组都接受为期四周的标准物理治疗。结果显示，接受真实反馈的患者至少有一项功能指标的改善超过临床上被认为有意义的最小幅度，握力最为明显，脑电活动也更趋左右对称。该研究为病例系列，样本很小，只能说明方法可行、效果尚属初步。

便携脑电设备通道少，能捕捉的皮层信息有限，情绪解码一直是难点。厦门理工学院团队提出时空频谱非对称融合网络（STSANet），利用额颞区同源电极之间的非线性半球偏侧化特征，在SEED公开数据集和自采数据集上分别达到86.80%和87.43%的情绪识别准确率。研究还验证了便携式Xmuse设备与专业级Enobio设备的频谱能量分布具有一致性，表明该方法有望在消费级脑电硬件上运行。该研究为预印本，尚未经同行评审。

重庆大学电气工程学院团队提出端到端神经网络MTANet，用于提升运动想象脑电的解码精度。该模型包含脑电inception注意力模块和并行时序注意力模块，前者提取并加权脑电信号中的时间-频率-空间耦合特征，后者用多条并行时间卷积网络处理不同特征序列的加权片段。在3个公开数据集的离线测试中，MTANet均优于7种现有模型：BCI Competition IV数据集IIb平均准确率89.47%，数据集IIa为83.39%，BCI Competition III数据集IIIa为77.06%。研究尚未在在线脑机接口场景中测试。

预训练脑电基础模型日益被视为脑机接口的通用编码器，但近期基准测试对其迁移效果的评价并不一致。两个主流脑电基础模型LaBraM和CBraMod在BCI Competition IV-2a四类运动想象数据集上，采用验证锁定协议评估后，所有配置均不及传统监督学习模型，包括经验证集选择的微调方案。研究进一步发现，基础模型与任务特定解码器通常使用不同的输入管道进行评估，构成关键混淆因素。将三个监督架构切换到基础模型所用的宽带输入后，准确率变化方向因架构而异：ATCNet提升0.078，EEG Conformer下降0.088，且经多重比较校正后均不显著。这意味着用单一对照模型来衡量基础模型的性能差距可能不可靠。该研究为预印本，尚未经同行评审。

研究提出一种新模型，尝试减少不同参与者之间脑电信号差异对运动想象分类的影响。模型结合更全面的深层特征表示与域适应学习，让分类器学习不同参与者之间可共用的信息。研究在4个基准数据集上进行测试，平均准确率分别为84.34%、89.59%、73.32%和87.75%；作者报告，其表现优于所比较的先进深度域适应模型。研究还通过消融实验评估两个核心模块的作用。这些结果来自数据集分类测试，说明的是跨被试识别表现，不能直接视为在线脑机接口控制或康复疗效的证据。

人看到一张图片时，大脑会留下可测量的电信号和磁信号，能否据此反推他看的是哪张图？多数现有方法只把脑信号和图像的一个整体特征做匹配。这项研究改用视觉模型中间层的全部局部图块特征，设计了一个轻量的残差补丁适配器（RPA）。在公开的THINGS-EEG2脑电数据集上，同一受试者内的Top-1识别准确率为95.4%，跨受试者为35.5%；在THINGS-MEG脑磁图数据集上分别为65.2%和6.7%。作者称在两个数据集上均达到当前最佳水平。分析显示，颜色、纹理等低层视觉特征与高层语义同样重要。该研究为预印本，尚未经同行评审。