文献

可穿戴神经技术与脑机接口应用，包括辅助交互界面和临床监测，都希望用上单通道脑电，因为电极少、佩戴负担轻。但单通道脑电信号中的肌电、眼电和运动伪迹难以去除，尤其在缺少辅助通道、伪迹标签或人工挑选的干净基线片段时。SPAR-EEG框架无需这些额外条件，对每个脑电分段施加三段针对特定伪迹的衰减处理：基于变分模态分解的一段处理高频肌电爆发，基于奇异谱分析的两段分别处理眨眼样眼电瞬变和缓慢运动漂移。它在26个信噪比水平上均取得最优伪迹区信噪比改善，并在仅用FP1和FP2两个导联的P300拼写任务中把最终准确率提高7.8个百分点。

P300脑机接口拼写器常被设计成把多个各自有效的组件全部打开，默认组件越多性能越好。一项预印本研究用四组件全因子试验检验了这个假设：组件的价值是有条件的，而不是可叠加的。受试者校准是最强的单一贡献者；欧几里得对齐能在零校准设置下弥补校准的缺失；把各自有用的组件叠加起来反而可能拉低性能，作者称之为组件反协同。语言模型的支持也并非普遍有益，其效果强烈依赖底层脑电流水线的强度。

一项新研究提出一种可解释的脑机接口（BCI）框架，将情感状态识别与脑电（EEG）信号解码相结合，用于实现情感感知的意念转语音（thought-to-speech）。该框架在公开的想象语音EEG数据集上进行了测试，采用受试者独立设置，评估了分类准确率、精确率、召回率、F1分数、推理速度和可解释性。结果显示，与传统不透明模型相比，该方法持续提升了解码可靠性，并提供了清晰、具有临床意义的见解。研究为瘫痪、肌萎缩侧索硬化症、闭锁综合征等影响自然言语的患者提供了辅助沟通工具的实际基础。

一项针对38名8至12岁典型发育儿童的研究让他们使用P300脑机接口增强与替代沟通（P300-BCI-AAC）设计应用，创建自己偏好的图片界面，以了解儿童对这类沟通界面的设计偏好。研究发现，儿童普遍选择喜欢的颜色、动画效果（尤其是缩放动画）和声音提示；动画有助于视觉可达性和目标定位，背景颜色变化用于融入偏好色彩，视频GIF和图片覆盖层则增加个人相关性。这些发现强调了运动、颜色、个性化和视觉清晰度在儿童BCI-AAC界面中的初步重要性，为开发可定制、有吸引力的系统奠定了基础，也为未来纳入日常使用AAC的儿童及运动障碍人群的研究提供了方向。

手写想象脑电为脑机接口提供了一条无创的文本输入与复杂意图表达路径，但解码受低信噪比、非平稳性、跨会话分布漂移以及连续时间趋势与局部高响应模式并存等挑战制约。新网络DRDNet用平均池化与最大池化从空间脑电特征构造两个互补的时间视图，分别交给双向Mamba编码器与Transformer编码器建模，再经时间步级动态融合与长短期记忆时序聚合自适应整合。在公共手写想象脑电数据集的汉字笔画手写想象与拼音单韵母手写想象两个任务上，它平均准确率分别做到67.74%和62.51%，Cohen's kappa分别为0.5968和0.5502，优于7个代表性脑电解码基线。该研究2026年8月19日发表于《Journal of Neural Engineering》。

一项新研究提出结合脑电（EEG）与视觉注视的双模态AI模型，用于同时评估学习者的注意力和认知负荷。该模型在注意力识别上准确率达91.8%，认知负荷评估准确率为89.4%，并在公开数据集上验证了其泛化能力。研究旨在解决在线学习中单一生理信号易受环境噪声干扰的问题。

研究者称，用于想象手写解码的EEG-fNIRS融合框架FRED于2026年8月4日以预印本形式上传至arXiv，尚未经过同行评审。想象手写是非侵入式神经解码的时间丰富范式，EEG-fNIRS融合承诺互补神经信息，但融合通常是启发式的，缺乏对频段冗余的原则性处理。FRED用频率去相关时间集成做想象手写解码。研究者称，集成在公开、私有与总体测试分区上达到0.8076/0.7242/0.7492的准确率，无需测试集适配或输出约束，完整系统达到0.8498/0.7718/0.7952并在私有分区排名第4；模态审计发现fNIRS单独解码处于随机水平（总体0.2511），把fNIRS加到EEG上准确率仅变化+0.0025。

研究者称，EEG引导的目标说话人提取框架SAGE于2026年8月3日以预印本形式上传至arXiv，尚未经过同行评审。在试验内听觉注意切换场景下，神经噪声与固有延迟会延迟或干扰注意跟踪，传统方法难以应对动态切换，常在切换点造成不连续。SAGE把试验内切换当作动态选择处理，用稳健分离器生成两条候选语音流，并用EEG引导的切换感知门控模块产生平滑融合权重、抑制切换伪影。研究者称，SAGE还集成延迟补偿对齐与不确定性驱动的保守策略，优于基线方法，达到8.67dB SI-SDR与88.24% STOI，平均切换延迟降至2.04秒。

侵入式言语脑机接口能把尝试说话时的皮层活动解码成文字，现有最优系统的词错误率已低至1%，但代价是要先采集数千句训练数据，从植入设备到能顺畅沟通，中间要经过漫长的采集期。加州大学戴维斯分校团队提出一个基于Transformer的解码模型，跨6名侵入式言语脑机接口受试者联合训练。对每一名受试者，无论性别、病因或尝试发声策略如何，多用户模型的解码都优于仅用其个人数据训练的模型，相对词错误率平均降低超过50%。更关键的是，该模型在此前未参与训练的用户上，只用不到200句话微调，就实现了低于7%的词错误率。该预印本2026年7月27日上传至bioRxiv，尚未经过同行评审。

芬兰Aalto University团队在一项MEG词语启动实验中，把经典N400诱发反应与语义向量解码放在同一框架下比较。25名芬兰语母语者阅读语义相关程度不同的词组后，不相关启动词引发更高的N400反应，并为语义解码器提供了最佳训练样本。研究者称，语义信息从刺激开始后约100至500毫秒均可解码，但在N400峰值过后，脑活动不再稳定映射到与语境无关的语义向量。这项结果提示，N400时间窗结束可能标志着神经表征由词语特异信息转向更广泛语境。该研究为bioRxiv预印本，尚未经过同行评审。

多伦多大学团队用扩散模型不同时间步的隐表示作为神经语音解码的中间层,词错误率随时间步选择大幅变化。

一项发表于《Computers in biology and medicine》的研究提出动态小波基选择增强方法，用于改善非侵入式EEG想象语音分类。该方法为每个EEG片段计算小波熵，选择信息量更高的小波基，再向相应小波系数注入高斯噪声，增强后的信号由带通道激励机制的卷积神经网络分类。研究数据包含32个通道、8种刺激和10名参与者。词语与元音组合实验的最高分类准确率达到98%，Cohen's kappa为0.95，但完整类别分类的表现较低。研究者称，该方法优于传统数据增强策略和静态小波方法，为处理EEG噪声与非平稳性提供了自适应路径。