2026 年 9 月
2026 年 8 月
SSVEP脑机接口出实验室难在哪，综述列出瓶颈与解法
综述分析了SSVEP-BCI系统从实验室到实际应用面临的技术、硬件和用户层面瓶颈，总结了EMG融合去噪、新材料海绵电极和混合范式等解决方案。
2026 年 7 月
植入越久信号越漂，UnSPC用伪标签循环拉回解码性能
一项预印本研究提出UnSPC（不确定性引导的自步循环），一种将域适应（DA）与域泛化（DG）在迭代循环中整合的框架，用于应对侵入式脑机接口长期部署中的神经漂移。研究指出，神经漂移会随时间降低解码性能并需频繁重校准，而既有方法通常只依赖DA或DG其一，难以捕捉跨神经亚域的细粒度分布偏移。UnSPC在不确定性引导的自步伪标签机制下，以噪声稳健的排序策略迭代挖掘可靠伪标签样本，并通过循环适应与泛化策略在迭代循环中逐步缓解全局与亚域漂移。研究者称，在多个神经解码数据集上的实验验证了UnSPC的有效性与稳健性，据作者称这是首个以伪标签循环整合DA与DG的方法。该研究为预印本，尚未经过同行评审。
把运动信号拆成速度方向速率，SSCDL解码跨天更稳
一项预印本研究提出SSCDL，一种自监督一致性增强的解缠学习框架，用于脑机接口神经解码泛化。研究先设计一致性增强神经解码器（CND），通过教师-学生一致性约束与模拟神经信号扰动，学习对神经漂移不变的稳健表征；再在互补解缠泛化机制下使用三个专用CND，借鉴神经偏好理论将运动信号解缠为速度、方向和速率，从而从多样化的神经偏好视角捕捉不变表征，显著增强跨天泛化。研究者称，SSCDL在广泛实验中取得最先进的解码性能，具有高稳健性与跨天稳定性，有望支持长期、精细的辅助应用。该研究为预印本，尚未经过同行评审。
2026 年 6 月
新框架把人群共享表示与个体特征分开，脑信号生成图像仅需少量校准
兰州大学、浙江大学、香港大学与中山大学的研究团队提出MindShow，一种在队列级训练设置下做多人共享fMRI到图像重建的统一生成框架，该研究2026年6月20日发表于《Medical Image Analysis》。现有基于fMRI的图像合成方法大多针对单个人，适配新个体需要大量数据。MindShow的核心是分层条件混合专家编码器，把人群共享的潜在表示与个体特有的神经特征分开，新受试者只需少量校准数据即可适配。多粒度最优传输损失让脑信号特征与预训练视觉语言模型对齐，最后由冻结的扩散模型生成图像。研究者称，MindShow提高了高层重建指标，同时保持了有竞争力的结构保真度。