脑机百科消息(bciwiki.com)，只用脑电头环上的两个枕叶电极（O1、O2），就能把眨眼、左扫视、右扫视和中性状态四类眼动事件区分开，测试准确率72.37%。据Neurotechnology旗下BrainAccess发布的消息，这项工作由弗罗茨瓦夫科技大学的研究人员，与卡齐米日·维利基大学、亚当·密茨凯维奇大学的合作者共同完成，相关会议论文于2026年6月发表在2026年应用电气工程进展会议（PAEE）上，论文标题为《利用集成卷积神经网络通过脑电系统进行稳健眼动模式识别的初步研究》，DOI为10.1109/PAEE71887.2026.11660679。
研究让4名健康参与者佩戴BrainAccess HALO，通过基于BrainAccess Board API编写的Python脚本，以250 Hz采样率从O1、O2两个通道采集脑电。每类信号切成2秒（500个采样点）的固定窗口，最终数据集为1,284个样本，其中1,208个用于训练、76个留作测试。训练前先用孤立森林剔除离群窗口，并施加三种数据增强：注入高斯噪声（μ = 0，σ = 0.1）模拟传感器噪声、按U(0.8, 1.2)做幅度缩放模拟电极阻抗变化、最多±30个采样点（约120毫秒）的时间平移并补零，以容忍时序上的微小错位。
团队先评估了四种端到端架构作为基线：一维卷积网络、EEGNet、LSTM和Transformer编码器。四者在同一数据上的加权准确率都在50%上下，卷积类模型优于循环和注意力类模型。随后他们把一维卷积网络训练成四个一对多的二分类专家——左扫视、右扫视、眨眼、中性对活动态——再用两种方式合并输出：一种是启发式投票，对每个专家的softmax输出设0.8的置信度阈值；另一种是堆叠泛化，冻结预训练专家，把它们的倒数第二层特征与logits拼接成联合嵌入，送入一个带64个隐藏单元、ReLU激活的MLP元分类器，由它把专家之间的冲突裁决成最终的四分类结果。
结果与直觉相反。训练到完全收敛的强专家单独表现更好，比如眨眼分类达到84.21%，而早停的弱专家只有34.21%；但聚合之后，弱专家组成的集成反而更稳。堆叠泛化在所有测试配置中都优于两种投票方案，从集成中去掉专门的中性专家还能进一步提升，最终以弱基学习器加MLP元分类器、不设中性专家的配置取得72.37%的最佳成绩。该配置在四类上表现均衡，眨眼和中性最强，左右扫视最难区分，这与从含噪脑电中做细粒度眼动判别已知的困难一致。
Neurotechnology在文章中表示，公司自己也在探索基于HALO的眼动追踪方案，属于其计划中的眼电套件的一部分，预计2027年推出。需要说明的是，这是一项初步研究，样本仅来自4名健康参与者，尚未在患者群体或更大数据集上验证。