北京理工大学

脑机接口的硬件和算法进步很快，但“到底能从脑信号里读出多少意图、误差最低能降到多少”一直缺少系统的理论回答。这篇论文把整个脑机接口系统看成一个闭环的随机过程：人产生意图，大脑把意图编码成神经活动，设备采集信号，算法做统计判断，再把结果反馈给使用者。在此基础上，研究者用信息论和统计决策理论推出几条基本定理，分别描述意图在什么条件下可以被解码、可观测信息的上限、最优解码误差的下限，以及闭环学习能否收敛；又总结出信噪比、类别可分性、信号随时间漂移等因素带来的约束。作者以四类SSVEP脑机接口（让用户注视不同频率闪烁目标的范式）作为理论案例，演示这套框架如何落到具体设计建议上。该工作为纯理论推导，未报告新的实验数据。

一项预印本研究提出一种基于条件流匹配的自适应EEG生成框架，用于缓解脑机接口应用中的数据稀缺并支持大规模神经建模。研究指出，既有流式方法假设样本内各通道与各时间段共享单一全局时间进程，忽视了并非所有EEG时刻都同等重要；该框架引入位置自适应时间调度，跟踪逐位置重建误差以调节流匹配轨迹中位置特定的时间进程，并整合分解时空注意力与频率对齐的多分辨率谱一致性损失，以建模体传导引起的跨通道依赖并补偿EEG的幂律谱偏差。在三个采集协议与任务语义不同的EEG数据集上，该框架一致优于最强基线，将TS-FID最高降低62.2%，下游分类准确率提升最高6.77个百分点。该研究为预印本，尚未经过同行评审。