BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

据人民网2026年7月28日报道，江苏南京已形成脑机接口全产业链竞争力。报道称，南京此前出台行动方案，宣布打造全国脑机接口产业创新高地，目前已搭建3+3+3脑机接口产业创新体系，整合东南大学、南京航空航天大学等高校资源打造3个省部级重点实验室，并落地南京大学脑机接口研究院、江苏脑机接口研究院、江苏省类脑智能技术创新中心三大核心平台，在脑信号编解码、专用芯片、脑成像等方向布局。2026全国脑机接口大会也在南京举行。报道将南京的竞争力概括为科研优势为基、医疗资源为核、应用场景为翼、资本生态为帆。

布朗大学研究者在bioRxiv上传预印本，提出名为Neural SS-DMP的运动解码模型。模型不直接输出手的坐标，而先从神经信号里推断一组描述动作意图的参数，再交给一个遵循物理规律的运动生成器画出完整轨迹，解码结果因此天然落在人体做得出的动作范围内。生成器还会按每个人的训练数据调整，把通用的运动规律与这个人自己的动作特点混合。作者称，两类神经记录数据上的测试显示，模型的准确率与轨迹平滑度均优于现有强方法，且在时间靠后的新记录上性能保持得更久。该研究为预印本，尚未经过同行评审，全部结果基于离线数据，未在实时控制中验证。

研究者称，一项关于在卒中康复中征集可解释人工智能（XAI）需求的方法学研究于2026年7月28日以预印本形式上传至arXiv，尚未经过同行评审。从卒中幸存者处征集XAI需求存在方法学挑战，直接影响AI驱动自适应康复系统的设计，但现有协议通常做二元访谈，忽视引导动态。研究从二元走向三元，在3名卒中幸存者（2名中重度失语）与3名照护者的形式化研究中，引导者使用了类比桥接、投射人格、二元强选与延长响应时间4种支架方法。研究者称，反思性分析揭示了规范偏差、假设确认偏差与在场效应3种系统性引导偏差，研究将其作为面向从业者的协议风险指南提出。

2026年6月23日至24日，第二届Neurotech Leaders Forum在比利时鲁汶imec园区举行，汇聚欧洲及美国的高管、投资者、研究人员和监管者，围绕临床转化、资本形成、监管策略及神经技术前沿展开讨论。弗赖堡大学教授Thomas Stieglitz在首日发表主旨演讲，强调坚持与功能主义设计。会议还探讨了女性健康与神经技术的结合、欧洲BCI企业进展，以及资本与监管挑战。多家企业展示了创新产品，如WISE SpA的Heron脊髓刺激导线、Melora Medical的经皮耳迷走神经刺激等。

洛桑联邦理工学院（EPFL）启动一项临床研究，评估皮层记录装置（ECoG）联合腰段靶向硬膜外电刺激（EES）为慢性脊髓损伤伴行动障碍患者恢复下肢自主运动功能的初步安全性和有效性。该研究旨在建立运动意图与损伤下方脊髓之间的直接桥接，有望在神经康复中改善或恢复腿部自主控制，并促进神经恢复。

里昂民选医院（Hospices Civils de Lyon）在法国注册了一项临床研究，旨在通过非侵入性脑记录解码运动想象，作为创新运动康复治疗的前提。研究将结合MRI、MEG和EEG，设计受试者特定的神经生理学模型，并指出传统BCI方法忽略了beta突发等瞬态特征。该研究将先在健康受试者中验证，再评估在卒中患者中的可行性。

一项预印本研究提出三种回归模型（偏最小二乘回归器、多层感知机和基于注意力的回归器）从EEG信号同时解码抓取与抬举任务的多个运动学与动力学参数，并在WAY EEG GAL数据集上进行受试者特定与受试者无关评估，比较所有参数共用一个模型与每参数单独建模两种策略。研究者称，基于注意力的回归器取得最佳性能，R²为0.8、延迟29.2毫秒，显著改善多参数同时解码，但单参数解码时性能下降；多层感知机在两类解码中表现更一致但准确率较低（R²=0.49）。研究者认为，基于注意力的模型对实时多指令脑机接口系统有潜力，有助于开发更直观的控制设备。该研究为预印本，尚未经过同行评审。

一项预印本研究提出EEGForceFusion，一种联合建模连续与token化表征的混合EEG解码框架，用于抓握力解码。研究指出，连续抓握力解码受复杂时间动态、高受试者间变异与既有方法泛化有限等挑战制约；该框架整合卷积-循环表征学习、量化式token化与基于Transformer的时序建模，在统一的融合回归架构中同时捕捉细粒度神经结构与长程时间依赖。在WAY-EEG-GAL数据集严格的留一受试者交叉验证下，该框架离线设置R²为0.817、模拟实时评估R²为0.793，延迟适合实时部署。研究者认为，混合连续-token化表征对实时EEG力解码应用具有实用性。该研究为预印本，尚未经过同行评审。

一项预印本研究提出UnSPC（不确定性引导的自步循环），一种将域适应（DA）与域泛化（DG）在迭代循环中整合的框架，用于应对侵入式脑机接口长期部署中的神经漂移。研究指出，神经漂移会随时间降低解码性能并需频繁重校准，而既有方法通常只依赖DA或DG其一，难以捕捉跨神经亚域的细粒度分布偏移。UnSPC在不确定性引导的自步伪标签机制下，以噪声稳健的排序策略迭代挖掘可靠伪标签样本，并通过循环适应与泛化策略在迭代循环中逐步缓解全局与亚域漂移。研究者称，在多个神经解码数据集上的实验验证了UnSPC的有效性与稳健性，据作者称这是首个以伪标签循环整合DA与DG的方法。该研究为预印本，尚未经过同行评审。

美国退伍军人事务部研发办公室（VA ORD）正推进一项高精度植入式脑机接口（BCI）研究，旨在改善四肢瘫痪或因肌萎缩侧索硬化、脊髓损伤或中风而无法言语的退伍军人及其他患者的独立性。该项目将增强深度学习神经解码器与多状态手势解码，部署到电池供电的移动BCI设备上，供患者在家中独立使用电脑和触屏移动设备。准确性与可用性将在BrainGate临床试验已入组受试者中评估。