BCIwiki 脑机百科 —— 全球脑机接口新闻、研究与产业数据库

西北工业大学研究团队提出面向脑电大模型的混合式分词器SEDAT，把挤压激励空间聚合、数据自适应高斯平均滤波分解、瞬时频率引导的自适应切分和傅里叶域重采样整合进一条流程，解决现有切分方法边界与神经状态不对齐、忽略通道间空间信息、难以跨范式通用的问题。该研究2026年9月1日发表于《Journal of Neural Engineering》。在覆盖运动想象、P300、睡眠分期和癫痫等范式的10个脑电数据集上，用LaBraM、EEGFormer、EEGPT和NeuroGPT这4个大模型评估，SEDAT相比固定长度窗口的分类准确率最多提高15.3%，比其他方法中最好的一个高1.2%至4.6%。

德国脑电设备商ANT Neuro于2026年9月1日宣布与瑞士fNIRS系统开发商optohive AG建立战略合作。据ANT Neuro公告，optohive的HiveOne功能近红外光谱系统将通过ANT Neuro在各地区的销售与技术支持团队提供给其服务近30年的科研用户。合作不止于分销，双方同意联合开发一套脑电与fNIRS联合记录方案，把ANT Neuro的eego脑电技术与HiveOne装进同一顶混合帽，两路数据经Lab Streaming Layer同步。公告称，optohive成立于2025年，是苏黎世联邦理工学院的衍生公司。

一支研究团队在arXiv上传预印本，提出名为EEG-AS的实例级算法选择框架，把脑电基础模型的挑选问题下沉到单条样本一级。近年脑电基础模型在各类神经解码任务上表现见长，但没有任何一个能在所有数据集、所有样本上稳居最优，而逐样本选模型这一环此前少有人做。EEG-AS用推理阶段即可获得的脑电潜在表征、手工神经生理特征以及一个锚定基础模型刻画每条样本，训练阶段学习从特权预测标记中重建其余模型不可得的行为，推理阶段直接估计这些行为，不必把候选模型逐个跑完，即可在7个脑电基础模型之间完成挑选。研究者称，公开脑电基准上的实验显示，该框架显著缩小了单最佳求解器与逐样本理想上界之间的差距。该文为预印本，尚未经过同行评审。

研究者提出名为U2Multi-UDA的统一多层级多源无监督域适应框架，用来缓解运动想象脑机接口长期存在的两个障碍，即被试之间差异大、目标域标注数据稀缺。作者称，既有方法大多只在域对齐、特征交互或模型微调其中一个层级上着力，跨域适应因此并不完整。该框架把三个层级并入同一条流水线，先由最优传输对齐源域与目标域分布，同时以互信息估计各源域对目标域的相关性权重；再抽取脑电时空特征并经多源交叉注意力融合，由相关性权重引导跨域特征融合，用伪标签强化目标域特征学习；最后以分段权重分解低秩适应完成参数高效的目标域微调，抑制过拟合。在两套公开数据集与一套自建数据集上，该方法较各自表现最好的基线平均准确率分别提升2.69、1.89、3.83个百分点，Kappa值同步改善。

研究者提出一套基于脑电的统一框架，同时完成运动想象分类、偏瘫侧检测与功能恢复预测三项任务，面向卒中患者的运动功能康复。作者称，卒中是全球长期运动残疾的主要成因之一，基于运动想象的脑机接口被视为加快康复的手段，但现有方法存在几处短板，包括患者间差异导致泛化能力不足、缺乏有效的功能评估环节、患者数据可得性有限且缺少适配的数据增强办法。该框架引入针对脑电时空特征设计的扩散模型，采用解耦的神经网络架构，配合旋转空间编码与自回归时间融合；为缓解数据稀缺，研究者另设计了两种针对卒中患者脑电特点的增强策略。作者称，多项运动想象脑机接口任务上的实验显示该方法性能与泛化能力占优，支持其用于个体化卒中康复的潜力。

一套混合脑机接口在10名受试者实时行走实验中替代下肢外骨骼的拐杖控制，SSVEP平均分类准确率达95.06%，眨眼与咬牙开关的F1分数分别为99.80%和99.22%。该系统结合稳态视觉诱发电位脑机接口与眨眼、咬牙触发的异步生物信号开关，由SSVEP选择运动模式，眨眼执行、咬牙取消指令。与拐杖控制相比，该方法系统可用性量表得分78.25对53.50，NASA任务负荷指数体力需求3.15对7.85。

人工智能正把脑机接口从特定任务的神经解码器变成能补全语言、平滑运动、调节康复支持并调整刺激的自适应系统。一位独立研究者警告，这类系统可能过度优化短期成功指标，偏离用户的长期目标。该研究者将这种闭环失效模式定义为“神经适应过拟合”，并提出按解码器证据、不确定性、临床风险、疲劳及用户目标来调节AI辅助节奏的框架，区分快速辅助、谨慎辅助与慢速辅助，覆盖通信、运动控制、神经康复和闭环神经调控等应用。文章强调，评估此类系统不应只看解码准确率和任务表现，还要看AI辅助何时自主行动、何时寻求确认、何时保留用户努力或交还控制权。

一支法国与美国的研究团队公开了名为NETBCI的纵向多模态数据集，用于研究脑机接口训练过程中的脑网络重组。作者称，控制脑机接口至今仍是一项需要习得的技能，相当一部分使用者在多次训练后依然无法掌握，造成这种个体间差异的原因仍是开放问题。NETBCI收录19名健康受试者的脑磁图（MEG）与脑电图（EEG）记录，每人在4个不同日期完成4次实验。每次实验包含2段各3分钟的睁眼静息态记录，以及6轮脑机接口任务，受试者通过持续的右手运动想象或保持静息来控制虚拟光标的位置。数据集另含匿名化的磁共振影像与行为学评分。作者称，希望这套数据的样本量与模态数量能供研究者用于脑网络重组之外的更多分析。

广东省科学技术厅发布通知，就2027年度广东省重点领域研发计划中的脑机接口专项申报指南公开征求意见。省重点领域研发计划是广东省级层面配置科研经费的主要渠道之一，在其中单设脑机接口专项，意味着该方向获得省级财政资金的独立入口，而不必与其他方向在同一专项内竞争。申报指南通常规定研究方向、资助强度与申报条件，因此指南阶段的征求意见，直接关系到下一年度这笔经费的投向。该通知发布于省科技厅官网，指南正文未登载于通知页面。

一项研究于2026年8月31日发表，使用统一脑电预处理与公共空间模式特征提取流程，在三个公开数据集上评估五种机器学习分类器，结果见《Journal of Computers, Mechanical and Management》。脑机接口系统通过分析脑电图信号在人脑与外部设备之间建立直接通讯，而作者指出脑电分类模型性能与泛化能力高度依赖数据集特性、受试者差异及评估参数。实验显示同一算法在不同数据集间表现悬殊，暴露了脑电解码研究长期存在的可比性缺口。