文献

奥尔堡大学作者开展的一项概念验证研究，让10名没有脑机接口使用经验的健全参与者，通过实际舌部运动或想象舌部运动控制二维光标。系统识别运动相关脑活动，再由状态机提供上、右、下、左四个方向选项。实际运动条件下，所有参与者均成功控制，完成率为96.0 ± 4.9%；运动想象条件下，7名参与者实现控制，完成率为41.0 ± 36.2%。成功试次的平均完成时间分别为30.8 ± 17.6秒和66.5 ± 26.8秒，后者仅来自至少成功一次的7人。实际运动可能引入的肌电伪迹尚未排除。这是健全参与者中的可行性测试，并非严重运动障碍人群的疗效验证。

匹兹堡大学与卡内基梅隆大学研究人员让2名四肢瘫痪参与者一边通过皮层内脑机接口移动二维光标并点击，一边完成工作记忆任务，考察注意力负荷变化是否影响控制表现。脑电指标和难度评分提示，双任务增加了注意力负荷，但各双任务条件下的接口表现总体稳健。其中，P2在轻度负荷下的试次完成时间和归一化路径长度，比中度负荷下小幅但显著增加。作者提出，两人的信号质量差异可能影响结果；这一解释尚不能视为已确立的因果关系。

墨尔本大学研究人员让一名植入Stentrode血管内脑机接口的参与者尝试手写英文字符，利用脑信号随时间变化的轨迹进行离线和在线分类。在4次在线测试中，每次包含每个字符20-30次试次及80-180次休息试次，表现最佳的3分类模型平均休息召回率为87%，字符召回率和精确率分别为65%和59%。研究还发现，将各试次调整为相同时长后，分类表现显著优于直接使用原始试次。结果支持进一步研究时间信息在运动解码中的作用，但目前仅来自一名参与者和少量类别。

四川大学华西医院参与的一项合作研究，将健康神经记录与生物物理约束结合，用于解读受病变影响的运动脑信号。在胶质瘤浸润运动皮层患者的高密度皮层脑电手势分类任务中，研究报告分类准确率有所改善，运动指令表征与健康典型表征的相关性从r＝0.66升至r＝0.94。作者将模型的变化解释为一种“反向加权”策略，降低高功率病理噪声的权重，并把空间注意力重新指向发挥功能代偿作用的区域。这是改善受损神经网络解码的概念验证，不代表患者运动功能已经恢复。

南洋理工大学研究者将脑电与肌电的时序关系融入手势识别网络。在12人和20人两个数据集的跨使用者测试中，准确率分别为87.6%和89.2%，比最强对照方法高9.4和9.1个百分点。适应新使用者时无需带标签的个人数据，研究对象为健康年轻成人。

印度理工学院德里分校、全印度医学科学研究所和昆士兰大学研究人员记录10名健康受试者在5种阻力下完成弯举时的脑电。受试者内留一试验评估的分类准确率为97.2%，跨受试者评估最高为93.0%，错误主要出现在相邻阻力之间。

研究人员提出一种上肢运动想象脑电解码框架，在三个数据集上检验模型对不同受试者的适用性。该方法结合电极之间的连接关系、人工设计的时频特征和空间、时间特征学习。在PhysioNet数据集的三个上肢类别任务中，使用5个电极时，留一受试者验证准确率为96.01%；在BCI IV-2b数据集上，使用3个电极时，同一验证方式的准确率为93.35%。作者报告，该方法与代表性图方法相比表现具有竞争力，同时需要更少的可训练参数和脑电电极。这些结果来自数据集评估，不等于已验证在线控制或临床应用效果。

蔚山大学一项研究分析两个独立公开数据集，考察人们按提示想象动作时，不同脑区的脑电节律何时开始减弱，以及何时出现可区分动作类别的信息。结果显示，脑区的变化存在先后顺序；区分动作的信息在提示后0.60-0.75秒增长最快，并在随后0.3秒内趋于饱和。在两个数据集的每名参与者中，这一转变在时间上都更接近感觉运动区的节律变化起点，而非提示出现时刻。不过，按各脑区自身起点选取信号片段，并未比重新分配的时间窗获得更好的分类表现。作者认为，这一顺序可帮助定位分析时段，而非直接充当分类特征。

研究人员提出一种名为“意图矩阵”的控制框架：先对脑电信号分类，读出使用者想做的腿部动作，再与外骨骼自身传感器的数据融合，生成发给底层执行机构的控制指令。按论文描述，人与外骨骼通过读取意图实现协作，发生在使用者先自行启动肢体动作之后。研究称结果初步表明该方法可支持EXOS-1外骨骼用于康复训练。论文摘要未报告受试者人数或分类准确率，仍属早期可行性工作。

不同人的脑电信号差异很大，同一个人的脑电也会随时间漂移，所以脑机接口换一个新用户，往往要重新采集数据、重新训练。杭州电子科技大学的研究团队提出名为TSMD-Net的算法，训练时完全不用新用户的数据，而是先把多名已有受试者的脑电特征对齐，再把分别针对每个人学到的判别经验汇总到一个统一的分类器里。在三个公开脑电数据集上，它读出“想动哪只手”这类意图的平均准确率分别为70.21%、77.82%和79.53%。

研究汇集前70名植入解剖顺应性薄膜神经接口患者的高分辨率表面电生理记录，在共同解剖框架中构建人类中枢神经系统功能图谱。接口放置于超过100个位置，累计涵盖超过100,000个电极部署，记录范围包括运动、感觉、语言等功能区域，以及脑干和脊髓。跨参与者汇总后，记录呈现手指表征的空间排列、运动相关频段变化及任务调节的神经群体活动。研究还演示了实时神经假体控制，以及对口语、面部运动和情绪表情相关皮层活动的解码。这是跨患者整合记录的图谱路径，并非在单个患者中同时读取整个中枢神经系统。本研究为预印本，尚未经同行评审。

非侵入式脑机接口想要读出连续的手臂动作，难点之一是单个受试者的数据里与任务相关的信号太少。研究人员用生成对抗网络（一种能“仿造”数据的人工智能模型），从功能相关的其他皮层区域合成初级运动皮层的人工信号，再拿去扩充训练数据。在受试者做伸手够物任务时记录的脑磁图数据上，扩充后的运动解码性能提高约10%（p < 0.05），即使没有真实的初级运动皮层信号，提升依然保持。方法还被用到一个运动想象脑机接口竞赛数据集上，用于提高分类准确率。

多数瘫痪辅助技术只走一个方向：读出大脑意图，再驱动肢体。这项研究把方向变成了双向。一名完全四肢瘫痪的参与者植入皮层内脑机接口，系统从运动皮层读出动作意图，驱动肌肉电刺激完成抓握；手上的力传感器再把触觉信息通过刺激感觉皮层送回大脑。另有一路脊髓刺激与感觉输入配对，用于促进神经可塑性。参与者能够自己进食，也能抓起易碎物品。更引人注意的是，停止刺激后，肘部屈曲力量和手腕感觉的改善仍然持续，提示系统可能在重新训练神经通路，而不只是替代它们。

瘫痪患者用脑机接口控制外部设备，难点之一是配对的神经信号与动作数据太少，解码模型很难训练充分。常规做法是针对具体任务学习从神经活动到运动学参数的映射，这类数据的稀缺直接限制了模型能力。研究团队提出BrainVLA框架，借用已在大量机器人数据上预训练的视觉-语言-动作模型：先构建包含神经活动、动作信号、语言指令和渲染视觉观测的配对数据集，通过LoRA微调把OpenVLA-OFT策略适配到目标动作空间，再把神经活动与语言表征对齐，从中提取“想做什么”的意图信号，由该模型结合视觉画面生成可执行的动作。在两个动作维度不同的神经运动数据集上，该框架的跨会话解码R²和任务成功率均优于所评估的基线方法，训练数据效率也较高。该研究为预印本，尚未经同行评审。

脑机接口换一天使用时，脑电信号会发生漂移。常规分类器不论把握大小都照样给出指令，错误指令可能让设备做出意外动作。美国圣母大学计算机科学与工程系的研究人员在《Journal of Neural Engineering》上报告，他们给运动想象脑机接口加了一道“门”：用共形预测判断把握不够时，就不发指令。研究以DeepConvNet为基础分类器，比较了多种门控策略。在54名受试者的OpenBMI数据集上，错误指令比例从37.5%降至9%至16%；在9名受试者的BCI Competition IV Dataset 2a上，从35.5%降至6%至8%。代价是发出的指令变少。研究据此给出了按容错程度选择校准数据与门控策略的框架，结果均来自离线公开数据集。

脑机接口要给新用户用，解码器得在没见过此人数据的情况下读懂他“想象动一动手脚”时的脑电信号。研究人员提出ThinkNet框架，从数据归一化、模型挑选到多模型组合，全程不让被测者的数据参与决策，避免成绩被高估。在公开数据集BCI Competition IV-2a的四分类任务中，研究采用9折留一被试交叉验证，选出的小模型只有4.9K个参数，准确率为44.35±15.41%，单次推理耗时0.99毫秒；参数不超过25K的小模型平均准确率40.10%，高于中型和大型模型的35.09%和34.78%，由验证集把关的模型集成也优于单模型推理。研究同时发现，验证集成绩与测试成绩几乎不相关，模型挑选的可靠性仍是瓶颈。该研究为预印本，尚未经同行评审，作者注明论文已被IEEE-EMBS BHI'2026会议接收。

只靠在脑中想象动作，能否让瘫痪患者驱动外部设备、练回运动功能？这篇综述聚焦基于脑电的运动想象脑机接口，也就是让使用者想象手脚动作，由头皮电极采集大脑感觉运动皮层信号，再由算法解读成指令。作者梳理了过去十年中较实用的信号处理算法，重点讨论机器学习与深度学习如何提升系统性能和效率；同时盘点了片上系统、专用芯片、可编程芯片、可穿戴设备、物联网以及增强现实和虚拟现实等硬件与配套技术，并讨论它们与算法结合的方式，展望提高实时性的研究方向。该研究为预印本，尚未经同行评审。

研究测试了7种检测方法，考察运动想象脑机接口能否识别训练时未见过的动作类别，而不是将其强行归入已知类别。结果发现，对许多用户而言，模型面对熟悉类别时的不确定性甚至高于陌生类别，因此多种在其他机器学习领域有效的方法在这里表现不佳。研究还发现，陌生类别检测表现与已知任务表现相关：深度集成和蒙特卡洛Dropout模型的任务分类AUC达到0.9，分布外检测能力最高达0.7。作者认为，对任务表现较好的模型和受试者，拒绝不熟悉的认知状态具有可行性。

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。

人在看别人做动作时，负责运动的大脑皮层也会跟着活跃。那么，瘫痪患者看着自己用脑控制的机械手或虚拟手时会怎样？研究人员在植入皮层内脑机接口的用户观看人手、机器人手和类手圆点等虚拟对象做抓握动作时，记录了运动皮层单个神经元的放电。结果显示，被观看的对象越像人，运动皮层的活动越强，这一规律在整体神经元群和单个神经元上都能看到，参与者自己对“像不像人”的主观感受也与神经活动相关。不过，当用户自己尝试做手部动作时，运动皮层活动基本不受所看对象外观的影响，提示脑控外部设备的直观性可能不会因设备是否像人而明显受损。

研究提出一种新模型，尝试减少不同参与者之间脑电信号差异对运动想象分类的影响。模型结合更全面的深层特征表示与域适应学习，让分类器学习不同参与者之间可共用的信息。研究在4个基准数据集上进行测试，平均准确率分别为84.34%、89.59%、73.32%和87.75%；作者报告，其表现优于所比较的先进深度域适应模型。研究还通过消融实验评估两个核心模块的作用。这些结果来自数据集分类测试，说明的是跨被试识别表现，不能直接视为在线脑机接口控制或康复疗效的证据。

三名四肢瘫痪参与者在想象操作物体时，多个脑区的神经活动都表征了抓握时的整只手构型。研究还发现，后顶叶皮层可同时编码抓握与物体属性，且主要由彼此不同的神经元亚群承担。抓握相关活动随运动规划、想象执行及物体是否存在而变化；部分脑区在运动规划阶段还表征了物体形状。作者认为，区分手形与物体信息可能有助于脑机接口更稳定地控制抓握，但研究任务是运动想象，不能据此认定参与者已恢复手部功能或机器人抓握性能已获改善。该研究为未经同行评审的预印本。

研究者提出两阶段学习框架FUSE，将同步记录的脑电与脑磁信号用于运动想象分类，并在20名参与者的数据上评估。与传统手工频谱特征相比，学习得到的表征使中位分类准确率从73.4%提高至79.4%。联合使用两类信号的中位准确率也高于仅用脑磁的68.0%和仅用脑电的76.5%，但相对脑电的增幅较小。研究还测试了跨参与者迁移：超过一半的跨受试者模型，与对应的受试者专属模型相比，准确率差距在1个百分点以内。结果涉及信号分类与表征迁移，并非临床疗效验证。本研究为预印本，尚未经同行评审。