英国

埃塞克斯大学团队记录14名参与者根据语言线索检索概念时的脑电，比较食物、乐器和身体部位三类概念。三个两两分类任务的平均准确率分别为73.4%、70.7%和68.2%。模型先用其他人的数据学习，再用待测参与者自己的带标签数据校准。

剑桥大学参与的一项合作研究分析人类腹侧前颞叶表面的皮层脑电网格电极数据，发现结合4-200Hz的宽频信号，可以显著解码具有程度差异的多维语义信息，而单个频段未得到显著解码结果。研究使用表示相似性学习，分析信号在不同时间和频率下的功率与相位，比较语义信息集中于单一频段、各维度分别对应不同频段，以及需要联合多个频率才能呈现三种假说。作者认为，结果支持“跨频率”编码。理解多维语义的神经表征，需要把多个频率的信息放在一起考察。这项研究尚未经同行评审。

在虚拟现实里一边看动作演示、一边在脑中想象这个动作，这样训练时，机器能否更准确地从脑电信号里读出“想动哪里”？兰州交通大学的研究团队提出一套层级图学习框架：先把头皮脑电拆成不同节律成分，筛选出关键特征，再把每次试验的脑区连接关系画成一张“图”，交给层级图卷积网络做判断。团队在自己采集的VR运动想象数据集上测试，这套方法的三分类解码准确率超过了EEGNet等常用基线模型。研究还发现，VR中的“观察加想象”能增强感觉运动脑区之间的连接，让更大范围的脑网络协同工作。摘要未给出具体准确率和受试者人数。

让受试者在跑步机上走路，和让他背着记录设备在户外自由行走，都可以叫移动脑电，但两者的自由度差得很远。2017年提出的 CoME 框架用设备移动性、受试者移动性、系统规格和通道数四个维度给一项研究打分，比如（2D, 4P, 17S, 32C）。设备移动性和受试者移动性必须分开看：头戴式系统做静息态记录，设备分很高，受试者移动性仍是0P。这个框架不是产品排行榜，分数高不等于系统更好。

研究团队把脑机接口的攻击面拆成五个方向：伪造神经信号、靠去同步规避检测、重放劫持、窃听（Vein Tapping）和嵌入式后门。他们用自建的EEGle框架跑出17个新的神经特异性攻击实例，并发现后门设计存在一条隐蔽性与有效性的取舍曲线。研究还指出，生成式AI正在拉低非专业攻击者的门槛。该研究为预印本，尚未经同行评审，作者为Zahra Tarkhani、Georgios Akkogiounoglou、Lorena Qendro、Isabel Tscherniak和Anil Madhavapeddy。论文把这一攻击类别命名为NERVE Attacks，称五个维度相互正交，合起来覆盖完整的脑机接口技术栈。团队将EEGle提供给社区，用于构建和验证这类设备的安防能力，并把风险概括为认知自主权、心理隐私和人身安全三点，具体情形包括神经数据外泄，以及脑机接口所连接的外部设备被恶意控制。

脑机接口把脑电信号翻译成指令时，系统自己能不能知道“这次判断有没有把握”？研究人员在回声状态网络（一种借鉴神经系统、擅长处理时间序列的计算模型）中加入了一个专门输出决策置信度的读出神经元，让置信度随着决策形成持续更新。在模拟决策任务中，刺激越强、越容易区分，置信度活动越高；在基于脑电的运动想象分类中，置信度活动随决策准确率升高，并能区分正确与错误的判断，在表现较好的受试者身上尤其明显。该研究为预印本，尚未经同行评审。

言语想象（SI）脑机接口的解码结果可能难以复现。一项全面评估发现，复现已发表研究的解码流程时，分类准确率平均比原始报告低11.25个百分点，差异范围在2%到39%之间；在复制分析中，仅36%的SI参与者达到统计显著性阈值，远低于运动想象（MI）数据集的91%。该研究由英国埃塞克斯大学团队完成，于2026年9月4日发表于《Journal of Neural Engineering》，是首个同时评估SI解码可重复性与可复现性的研究。结果显示，所有被评估的SI研究都存在方法学细节缺失，SI作为实用脑机接口范式的可行性可能被高估，这对依赖该范式的临床应用和后续研究具有警示意义。

非侵入式神经技术公司BrainPatch于2026年8月3日在其官网博客发布公告，宣布已成功完成美国联邦通信委员会（FCC）认证，公司称这是其国际扩张的一个重要里程碑。公告称，FCC认证确认其技术符合美国监管要求，BrainPatch的非侵入式神经技术由此获准在美国市场进行商业分销，可以面向美国客户、合作伙伴与投资者交付。公司表示，美国是全球最大的消费市场，完成认证让公司距离把非侵入式神经技术交到客户、合作伙伴与投资者手中的目标又近了一步。公告最后以“下一章开始了”作结，公司称获得这一市场准入，是公司国际化的新起点。

研究团队开发了一种处理多通道发作间期颅内脑电的深度学习架构，用于在不依赖发作期记录和人工标注的情况下定位致痫区。模型结合Morlet小波时间Transformer编码器与空间注意力编码器，在7个独立中心的50.5小时数据上评估，覆盖161名患者和17,012个通道。留一中心交叉验证得到汇总AUROC为0.778，95%置信区间为0.748至0.808，各留出中心的区分能力均高于随机水平。结果显示，跨中心、跨植入方式的表现与既有电生理基线相当，但仍需前瞻性临床验证。该研究为medRxiv预印本，尚未经过同行评审。

一项预印本研究提出CNN-LSTM-RL两阶段解码框架，用强化学习对CNN-LSTM连续运动想象解码器的输出做残差运动学校正。RL智能体离线训练、不直接使用EEG输入，而是基于预测的运动学轨迹优化相对目标轨迹的运动准确度。研究者称，与单独使用CNN-LSTM相比，CNN-LSTM-RL将2D平均相关系数从0.5076提升到0.7181，VR场景从0.6420提升到0.7780，RMSE分别降低40.2%和38.2%。研究者认为，该框架通过离线残差强化学习校正运动学误差，无需额外神经数据即可增强3D脑机接口运动想象解码，对神经康复、假肢与虚拟交互有潜在价值。该研究为预印本，尚未经过同行评审。

该研究提出RLED，一种强化学习增强的EEG扩散框架，用于内源性EEG任务的适应性数据增强，重点面向运动想象与情绪识别。研究指出，开发可靠的EEG脑机接口系统通常需要大规模多样化训练数据，但受试者疲劳与个体间变异使数据收集困难。该框架整合强化学习机制动态调节扩散训练过程，在时间、频谱与类别相关特征之间取得灵活平衡。在四个数据集上的实验表明，该方法生成的高质量合成EEG信号能持续改善分类性能。作者认为，RLED可作为实际脑机接口应用中EEG数据增强与泛化的有前景工具，缓解训练数据不足对系统开发的影响。

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。

该研究提出DPMS-Net，一种采用动态卷积在时间、空间与频率多维度挖掘判别线索、并结合通道与时间注意力机制的运动想象分类深度网络，并引入频谱域分析组件，挖掘EEG谱中隐藏的细微振荡特征，为分类提供更丰富证据。研究在两个公开数据集与一个卒中患者自采数据集上评估，在BCI Competition IV 2a和2b数据集上分别取得83.93%和88.38%的受试者依赖分类准确率；在卒中患者数据集上，受试者依赖准确率为67.67%。作者认为，DPMS-Net具有高效解码能力与稳健性，可用于神经康复脑机接口系统。

研究者论述BCI技术在电极寿命和生物相容性方面的最新进展如何应对嗅觉植入物领域的关键技术挑战。

《Neuron》发表Neuropixels Ultra探针研究。新探针采用5微米见方的记录位点，中心间距为6微米，共有6144个位点，可同时读取384个通道。在小鼠视觉皮层实验中，神经元检出量提高两倍以上。更高空间分辨率还帮助研究人员区分轴突与胞体信号，并改善三类皮层中间神经元的分类。研究主要是动物实验，没有报告同步记录1万个神经元。