BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

该研究提出一个结合混合MothCray通道选择优化与深度学习的脑电图（EEG）脑机接口信号处理框架，预处理采用陷波滤波、独立成分分析（ICA）与时间窗分段等去噪技术，通道选择阶段使用整合飞蛾火焰优化与小龙虾优化的MothCray算法识别最具信息量的通道，分类采用适配EEG时空特征的深度神经网络架构。在BCI Competition IV数据集IIa上验证，该模型达到93.92%的准确率，优于既有方法。作者认为，基于MCO的通道选择、多域特征融合与增强的EEGNet分类器有助于减少通道数的便携设备以及家庭或诊所神经康复、辅助沟通等场景的快速布设与稳健运行。

该研究提出AutoMI，一种利用LLM多智能体自动快速迭代构建运动想象EEG分类模型的框架，通过耦合Q学习策略与确定性规则的混合决策机制，整合规划、执行与输出智能体及预定义工具，并集成经验追踪与回滚机制以避免模糊优化。在IV2a、OpenBMI和ECUST-MI三个数据集上，AutoMI构建的模型分别取得77.62%、78.08%和83.02%的准确率，较自动化优化算法分别提升18.42%、9.27%和19.25%。作者认为，AutoMI为脑机接口模型优化提供了新视角与框架设计参考，其自动迭代能力可降低对人工调参经验的依赖。

研究者称，用于想象手写解码的EEG-fNIRS融合框架FRED于2026年8月4日以预印本形式上传至arXiv，尚未经过同行评审。想象手写是非侵入式神经解码的时间丰富范式，EEG-fNIRS融合承诺互补神经信息，但融合通常是启发式的，缺乏对频段冗余的原则性处理。FRED用频率去相关时间集成做想象手写解码。研究者称，集成在公开、私有与总体测试分区上达到0.8076/0.7242/0.7492的准确率，无需测试集适配或输出约束，完整系统达到0.8498/0.7718/0.7952并在私有分区排名第4；模态审计发现fNIRS单独解码处于随机水平（总体0.2511），把fNIRS加到EEG上准确率仅变化+0.0025。

该研究记录大鼠在改良T迷宫中执行连续空间决策任务时的海马CA1群体活动，将决策过程划分为启动、奔跑与接近三个阶段，考察局部与前瞻性空间表征的动态演化。结果显示，中央臂位置细胞随动物接近选择点呈现递增的轨迹依赖性，局部theta序列一致性地过度表征实际选择；由选择臂位置细胞驱动的前瞻性表征则从奔跑期优先预测实际选择，过渡到接近选择点时更均等地表征潜在路径。整合局部与前瞻性特征改善了解码性能，未来选择预测在测试试验中达到74.4%准确率，即将进行的轨迹解码在样本试验中达到78.2%准确率。作者认为，纳入海马时空特征可改进行为解码，并为基于海马预测未来决策的认知脑机接口提供框架。

研究者提出一种仿树突分级结构的有机生物电子界面，用于与神经元整合。作者指出，脑机接口依赖活体神经元与人工材料之间紧密的电学通讯，而常规电极结构与神经组织在形态上差异明显，限制了细胞与电极的稳定耦合和长期记录；导电聚合物与微结构界面此前各自改善了神经电极的电化学与生物学性质。该研究为预印本，尚未经过同行评审，其提出的界面结构能否真正改善长期耦合稳定性有待验证。

该预印本提出一种用于实时EEG步态解码的双模块轻量级架构，旨在实现下肢外骨骼的闭环控制。研究者称，现有基于EEG的闭环控制受运动伪影和低信噪比限制，其双模块设计将任务拆分，前端PolyTVL将32通道EEG压缩为紧凑表示，后端LSTM对4个步态相位（站立、启动、执行、终止）进行分类。研究显示，闭环部署中v01（PolyTVL+LSTM）的步态启动成功率为55.3%（Rex辅助）和52.7%（自主），平均端到端处理时间70.5ms（±41.5）。作者称该手稿已被IEEE MLSP 2026接收发表。

非侵入式神经技术公司BrainPatch于2026年8月3日在其官网博客发布公告，宣布已成功完成美国联邦通信委员会（FCC）认证，公司称这是其国际扩张的一个重要里程碑。公告称，FCC认证确认其技术符合美国监管要求，BrainPatch的非侵入式神经技术由此获准在美国市场进行商业分销，可以面向美国客户、合作伙伴与投资者交付。公司表示，美国是全球最大的消费市场，完成认证让公司距离把非侵入式神经技术交到客户、合作伙伴与投资者手中的目标又近了一步。公告最后以“下一章开始了”作结，公司称获得这一市场准入，是公司国际化的新起点。

一项预印本研究提出STEAM，一种面向脑电图（EEG）解码的分层迁移框架，通过双分支时空编码器与共享软专家混合（SSMoE）模块，在EEG基础模型中协调通用表征学习与范式特定专业化，使互补的表征可通过一组紧凑的软槽交换信息。研究者称，在7个下游数据集、14个评估设置中，STEAM以有竞争力的推理成本取得最佳平均排名；其层级预训练策略可在不从头重训的情况下进一步针对目标范式提升解码准确率。该工作面向EEG基础模型的可迁移性与高效下游适配问题，属于脑机接口解码算法的基础方法研究。该研究为预印本，尚未经过同行评审。

研究者称，EEG引导的目标说话人提取框架SAGE于2026年8月3日以预印本形式上传至arXiv，尚未经过同行评审。在试验内听觉注意切换场景下，神经噪声与固有延迟会延迟或干扰注意跟踪，传统方法难以应对动态切换，常在切换点造成不连续。SAGE把试验内切换当作动态选择处理，用稳健分离器生成两条候选语音流，并用EEG引导的切换感知门控模块产生平滑融合权重、抑制切换伪影。研究者称，SAGE还集成延迟补偿对齐与不确定性驱动的保守策略，优于基线方法，达到8.67dB SI-SDR与88.24% STOI，平均切换延迟降至2.04秒。

贝勒医学院神经外科团队为8名难治性强迫症患者植入腹侧囊深部脑刺激电极，其中5人另植入双侧眶额皮层皮层脑电电极，分析治疗全程超过200小时的颅内记录。结果显示，症状严重度与瞬时痛苦的神经特征可以分离，且前者更强。但真正关键的是：只用神经信号的解码模型对两种状态都没能超过随机水平（严重度R=0.04，p=0.53；瞬时痛苦R=0.09，p=0.30）；只有把面部表情与语音的量化特征一并纳入，联合模型才把严重度解码做到R=0.73、瞬时痛苦做到R=0.34（p=0.02），且8名患者全部改善。该预印本2026年8月2日上传至medRxiv，尚未经过同行评审。