复旦大学

一篇综述梳理了植入式脑机接口基底材料的演变：从硅等刚性材料，到可弯曲但不易拉伸的聚合物，再到本身能够拉伸的弹性体。作者关注的核心问题是，微电极与柔软脑组织的力学性质不匹配，可能持续损伤组织并引发异物反应，影响长期使用。综述重点讨论电纺纳米纤维微电极：这类结构不仅能够拉伸，还具有相互连通、通透性较高的三维网络。作者认为，这有助于应对致密薄膜对物质交换的限制。文章同时讨论高密度制造、生化调节及摆脱外部连线的集成方向，并非新器械的人体疗效验证。

运动想象脑机接口通过解码想象动作时的神经信号，让大脑与外部设备通信。一篇综述梳理了这类技术在卒中、脊髓损伤及虚拟现实康复中的应用，重点讨论其与脑电、神经反馈、功能性电刺激、机器人设备和人工智能的整合。文章指出，信号中有效信息相对噪声较弱、个体差异较大及训练耗时较长，仍是应用面临的难题。作者将深度学习、可穿戴设备、个性化康复方案和临床验证列为后续发展方向。文章属于技术与应用综述，不是一次新的临床疗效试验。

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。

脑机接口（BCI）需要从脑电信号中识别用户的运动意图，但传统深度学习模型往往参数庞大、计算开销高。研究人员提出一种名为Ghost-LENet的轻量级卷积神经网络，在BCI Competition IV-2a和IV-2b数据集上分别达到82.18%和83.05%的分类准确率，而可训练参数仅数千。该模型结合膨胀时间卷积、平稳小波变换、动态残差融合与Ghost模块，在保持高精度的同时大幅降低模型复杂度，为资源受限的BCI应用提供了新方案。

一项基于立体定向脑电图（sEEG）的研究发现，在提示性肢体运动想象任务中，低频（8-30Hz）神经活动在准备期以抑制为主，进入想象期后转为激活；高频（60-115Hz）反应更强、分布更广，部分触点还出现激活-抑制序列。研究基于10名癫痫患者的颅内记录，表明神经活动并非统一响应，而是随任务阶段和脑区动态变化，为阶段感知的脑机接口特征设计和神经康复提供了参考。