中 / EN

BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

最近动态

2026 年 8 月

脑机接口综述:三种康复范式助中风患者恢复手部功能

卒中后手功能障碍严重限制患者独立生活,而传统康复对缺乏主动运动能力的患者往往效果有限。基于非侵入式脑电图(EEG)的脑机接口(BCI)通过实时解码运动想象时感觉运动皮层的节律信号,驱动外骨骼、功能性电刺激或虚拟现实设备,形成基于赫布学习原理的闭环反馈,从而强化或重塑受损神经通路,促进运动恢复。一篇发表于《Topics in stroke rehabilitation》的综述系统梳理了该技术的神经生理基础及三种主要康复范式:运动想象结合物理反馈、运动想象结合虚拟或多感觉反馈、以及基于稳态视觉诱发电位(SSVEP)的范式。研究证实这些方法能改善上肢功能,但临床推广仍面临信噪比低、个体差异大及“BCI失明”等挑战。
推荐理由 这篇综述把脑机接口用于卒中后手功能康复的三种主流做法放在一起比较,并明确列出了临床推广的三大障碍。对患者和家属来说,它解释了“靠想象练手”为什么可能有效;对研究者而言,它指出了解码算法和设备易用性等下一步方向。

可解释脑机接口框架:结合情感识别提升意念转语音解码

一项新研究提出一种可解释的脑机接口(BCI)框架,将情感状态识别与脑电(EEG)信号解码相结合,用于实现情感感知的意念转语音(thought-to-speech)。该框架在公开的想象语音EEG数据集上进行了测试,采用受试者独立设置,评估了分类准确率、精确率、召回率、F1分数、推理速度和可解释性。结果显示,与传统不透明模型相比,该方法持续提升了解码可靠性,并提供了清晰、具有临床意义的见解。研究为瘫痪、肌萎缩侧索硬化症、闭锁综合征等影响自然言语的患者提供了辅助沟通工具的实际基础。
推荐理由 这项研究首次将情感状态识别与脑电解码整合进一个可解释框架,用于意念转语音,在公开数据集上验证了跨受试者的解码可靠性,并提供了神经特征层面的解释。对临床而言,它指向了更具自然度和表现力的辅助沟通工具,也回应了现有BCI系统可解释性不足的痛点。

38名儿童设计自己的脑控沟通界面:他们想要动画、颜色和声音

一项针对38名8至12岁典型发育儿童的研究让他们使用P300脑机接口增强与替代沟通(P300-BCI-AAC)设计应用,创建自己偏好的图片界面,以了解儿童对这类沟通界面的设计偏好。研究发现,儿童普遍选择喜欢的颜色、动画效果(尤其是缩放动画)和声音提示;动画有助于视觉可达性和目标定位,背景颜色变化用于融入偏好色彩,视频GIF和图片覆盖层则增加个人相关性。这些发现强调了运动、颜色、个性化和视觉清晰度在儿童BCI-AAC界面中的初步重要性,为开发可定制、有吸引力的系统奠定了基础,也为未来纳入日常使用AAC的儿童及运动障碍人群的研究提供了方向。
推荐理由 这是首个让儿童直接参与设计P300-BCI-AAC界面的研究,发现动画、颜色和个性化是儿童的核心偏好,为面向儿童用户的脑机接口沟通系统开发提供了直接依据。

少用一半电极也能读准动作意图,天津大学团队用新算法做到了

天津大学团队提出一种基于图神经网络的联合优化框架,能在运动想象脑电解码中自动选出少量关键通道,同时保持与全通道相当的分类精度。研究发表于《混沌》(Chaos),在三个数据集上验证,包括BCI Competition IV 2a、High Gamma及新采集数据。这一方法有望降低脑机接口系统的复杂度,推动其在神经康复等实际场景中的应用。
推荐理由 这项研究首次将图卷积与自注意力结合,实现通道选择与分类的联合优化,在减少电极数量的同时保持解码精度。对脑机接口的实际部署而言,通道数减少意味着系统更轻便、更易穿戴,离临床和日常使用更近一步。

清华团队以流匹配对齐神经与行为,运动解码无需重新校准即适用新速度

脑机接口解码器在校准条件之外往往失灵,换个速度、换只手、换个人就不准了。清华大学团队提出名为LAND的框架,用流匹配方法将神经信号与行为动力学在潜在空间中对齐,并利用无需配对的运动学先验来约束神经流形的几何结构。在合成数据、1名四肢瘫痪患者的硬脑膜外脑机接口记录和非人灵长类动物的多电极阵列记录上,LAND在未见过的运动速度上实现了零样本泛化,并在少量微调下改善了跨肢体和跨受试者的迁移表现。该研究为预印本,尚未经同行评审。
推荐理由 侵入式脑机接口的解码器一旦离开训练条件就容易失准,这是临床应用的核心瓶颈之一。LAND框架用非配对运动数据做先验约束,在跨速度、跨肢体、跨受试者三个方向都展示了泛化能力,且验证数据包括真实的四肢瘫痪患者记录,但目前仅为预印本,临床验证尚远。

西南医科大学等分析16项试验,卒中脑机康复上肢评分改善

西南医科大学等团队报告纳入16项随机对照试验、1761人的卒中脑机接口康复荟萃分析。与常规康复相比,主要上肢运动量表FMA-UE的标准化均数差为0.49,95%置信区间0.26至0.73;ARAT为0.53,95%置信区间0.14至0.91。不同结局仅合并部分试验。10至15次和20至30次训练之间未检出显著差异,不能据此认定更多次数更好。14项试验存在参与者及实施者盲法高偏倚风险,多数试验每组少于30人。
推荐理由 主要量表的合并差异与训练次数亚组比较回答不同问题。两种次数方案都出现改善,却未检出方案间显著差异,不能用效应量大小直接制定增加训练次数的建议。

量子启发混合神经网络用于神经解码:受控消融研究

一项预印本研究将参数化量子电路作为残差侧车模块集成进ResNet-50主干,用于31类神经群体解码(想象手写分类)。在受控条件下,主干梯度训练的侧车变体在3/4种子中提升了准确率,并一致降低了与基线特征的线性CKA相似度,表明表征发生了结构性重组。研究未声称量子计算优势。
推荐理由 这项研究首次将参数化量子电路作为残差侧车模块集成进ResNet-50主干,用于31类神经群体解码,并进行了九种变体的消融实验。结果显示主干梯度训练变体在多数种子中提升准确率,并显著改变表征结构,但未声称量子计算优势。

Arctop发布RLbF框架:用脑电信号训练大语言模型

Arctop发布了一篇论文配套文章,介绍其“基于脑反馈的强化学习(RLbF)”框架。该框架利用实时脑电测量,解码出工作负荷、压力等认知状态,作为奖励信号来训练大语言模型。文章称,这一方法能让模型在对话中感知听者的认知状态,并实时调整表达方式,从而改善沟通效果。目前,该框架已在其应用“Isaac”中部署,但仅使用单一维度(认知负荷)进行自适应。与传统RLHF依赖事后主观反馈不同,RLbF利用脑电信号提供连续、非自愿的反馈,使模型能实时感知话语对听者大脑的影响。这一方法首次将脑信号用于语言模型训练,但尚处于早期部署阶段,仅支持单一维度,且具体技术细节未完全公开。
推荐理由 Arctop发布的这篇配套文章介绍了其基于脑电反馈的强化学习框架RLbF,属于脑机接口研究范畴,且已在实际产品中部署。该框架首次将脑信号用于语言模型训练,与传统RLHF相比,提供了连续、非自愿的反馈信号,可能改善AI沟通的实时适应性。目前仅支持单一维度,且技术细节未完全公开,离广泛应用还有距离。

借助皮层内脑机接口反馈,动物可在数百毫秒尺度上稳定前额叶神经活动

卡内基梅隆大学研究团队开发了一种皮层内脑机接口,使动物能够利用视觉神经反馈将前额叶皮层的神经群体活动维持在预设目标附近。人在执行任务时觉醒水平会随时间波动,觉醒过低对应困倦、过高对应压力状态,这些变化偏离最佳任务表现并体现为神经活动的波动。实验结果显示,动物通过逐时刻的神经反馈,在秒到数百毫秒的时间尺度上减少了神经波动,且觉醒相关的神经活动调节与脑机接口使用存在关联。研究团队认为神经反馈可能有助于增强或恢复对神经活动的调节能力,在觉醒调节受损的临床场景中具有潜在应用前景。该研究为预印本,尚未经同行评审,目前仅在动物模型中完成。
推荐理由 这项研究将侵入式脑机接口从运动解码拓展到觉醒状态的主动调节。动物不是用脑信号控制光标,而是借助实时反馈学会稳定自己的前额叶活动。若机制在人类验证,可能为注意力缺陷、焦虑等觉醒调节障碍提供新的干预思路,但目前仅为动物实验预印本。

德国团队用脑电微状态序列解码左右手运动想象,迁移学习后准确率约89%

大脑活动可以被概括为少数几种短暂稳定的“脑电微状态”,它们按时间先后排成序列。德国研究人员尝试用这类序列充当脑机接口的“开关”:让受试者想象左手或右手动作,再用深度学习模型从微状态序列中判断想的是哪只手,把分类结果作为触发指令。借助迁移学习,模型在跨会话或跨受试者的场景下,分类准确率峰值约为89%。要达到80%的准确率,平均约需400秒校准。研究者认为,这一思路有望减少使用前的校准负担。该研究为预印本,尚未经同行评审。
推荐理由 多数运动想象脑机接口直接处理多通道原始脑电,这项研究先把信号压缩成少数几种脑状态的时间序列再做分类。它瞄准的是脑机接口使用前校准耗时的问题,但目前只做了左右手二分类,平均仍需约400秒校准,且尚未经同行评审。

© 2026 BCIwiki.com 产业简报 主题索引 提交线索 订阅本站 修订记录 关于我们