脑机百科消息(bciwiki.com)，清华大学团队提出一种名为LAND（Latent Aligned Neural-behavioral Dynamics）的运动解码框架，旨在解决侵入式脑机接口（BCI）解码器在训练条件之外泛化能力不足的难题。该研究作为预印本于2026年8月24日上传至bioRxiv，尚未经同行评审。
当前侵入式脑机接口的解码器通常依赖有限校准条件下采集的配对数据进行训练，一旦用户的运动速度、操作肢体或受试者本身发生变化，解码精度往往显著下降。LAND的核心思路是通过流匹配方法，在潜在空间中建立神经信号到行为信号的传输映射，并利用无需配对的运动学数据提供行为动力学先验，以此约束神经流形的几何结构，促进跨域泛化。
研究团队在三类数据上评估了LAND的表现：合成神经数据、1名四肢瘫痪患者的硬脑膜外脑机接口记录，以及非人灵长类动物的多电极阵列记录。结果显示，LAND在未见过的运动速度条件下实现了零样本泛化，生成了速度调制的神经流形；在少量目标域数据微调后，跨肢体和跨受试者的迁移性能也得到改善。
该研究的作者包括Yao R.、Zheng J.、Wang Y.、Li W.、Zou X.和洪波（HONG B.）。作为预印本，其结论尚待同行评审验证，且目前的评估尚未涉及在线闭环解码场景。