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。

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。