BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

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。

该预印本提出CORTIVA，一个用于EEG与MEG到图像检索的候选分数融合框架。研究者称，不同于现有方法先将异构视觉监督压缩为单一嵌入再排序，CORTIVA让三条解码路线对齐到异构视觉目标、独立为同一候选库打分，仅在排序前合并温度缩放的分数向量，从而保留互补证据。研究显示，在200选1的THINGS-EEG2基准上，CORTIVA在10名被试上达到Top-1准确率73.5%、Top-5达95.3%，超最强已报告基线10.3和5.4个百分点；用模态特定神经编码器时，同一融合原则在THINGS-MEG上达到Top-1为42.4%。该研究为预印本，尚未经过同行评审。

此前该产品的510(k) 许可限于30分钟以内的术中使用。延长至30天意味着可进入更长周期的临床研究，是该公司走向永久植入路径的中间节点。

人民网转述阶梯医疗最新临床进展，多名高位截瘫患者使用微创植入式脑机接口连续完成3至4小时电脑工作，任务包括电商物流协调和售货机后台标注。公司报告系统采用256通道，脑控延迟低于50毫秒。公开报道没有给出参与者总数、统一测试方案和不良事件明细，这些性能数据应保留公司归因。

该研究提出一种基于两层图卷积网络（GCN）的空间谐波化框架，将异构EEG记录映射到统一物理电极布局并保留运动想象信息，以解决MI-BCI数据集间电极配置差异对迁移学习的限制。研究将每个EEG试验建模为图，以GCN捕捉电极与样本间的时空关系，并通过时域、频域与空间域分析及EEGNet、FBCNet与ADFCNN下游分类评估。结果显示谐波化EEG的误差低于球面样条插值，且保留运动想象EEG的主要时谱空特征；在数据集A的会话内分类中，结合真实与谐波化EEG使EEGNet准确率从56.57%提升到66.20%、FBCNet从61.96%提升到72.54%，并支持仅源域跨数据集迁移与目标域微调。