文献

该研究提出并构建了一套基于增强脑电图（EEG）的智能家居脑机接口方案，使用25名受试者的运动想象EEG数据集（64通道BCI2000设备采集）。研究从CNN卷积层提取特征用于训练分类器，提出的支持向量机（SVM）、卷积神经网络（CNN）与线性判别分析（LDA）模型可去除导致误分类的过度噪声与重叠，并将选定特征分为不同类别，依据Arduino UNO可处理的类别数控制智能家居设备。三种模型的整体准确率分别为99%、96%和99%。作者认为，该运动想象EEG分类方案可用于通过脑电波控制智能家居，未来可能对老年人和行动不便者有帮助。

Beijing Normal University团队开发了一种重量低于3克的低成本结构光微型显微镜，利用Ronchi光栅与时分复用激发实现HiLo成像，可在自由活动小鼠中进行光学切片。研究显示，该系统能抑制离焦背景荧光，同时保留宽场微型显微镜的速度、视野与可及性，并支持多平面成像以增加可记录神经元数量。在海马记录中，基于感兴趣区域的信号质量和空间信息读取均得到改善。团队还展示了由快速在线信号提取和实时神经解码支持的概念验证闭环脑机接口。该研究为bioRxiv预印本，尚未经过同行评审。

一项预印本研究提出，利用跨被试累计学习和迁移学习，可显著减少脑瘫儿童运动相关皮层电位（MRCP）脑机接口系统的校准需求。研究在4名脑瘫儿童的27次训练中评估了双向长短期记忆网络，发现跨被试累计学习在无需会话内校准的情况下达到91%的准确率，加入迁移学习后准确率升至93%，均优于传统校准策略。

脑机接口已经在恢复运动和沟通上取得进展，但注意力、记忆这类认知功能，解码难度不在一个量级：运动与语言依赖相对局限、稳定的神经表征，认知功能却分布在多个脑区、随时间快速变化。这篇综述认为，长期用于神经和精神疾病治疗的神经调控可以补上另一条路径，通过因果性地调节认知相关环路，已经有了初步的转化应用。作者进一步提出，把信号采集、算法分析和刺激反馈做成自适应的闭环系统，认知脑机接口不仅可能恢复心智功能，还可能成为实时监测并塑造认知的下一代神经治疗技术的基础。文章属观点性综述，没有报告新的临床试验数据。

一项预印本研究介绍Dendrite，一个开源的实时脑机接口Python应用（GPL-3.0许可），将多模态生理信号采集、解码器训练与实时推理整合在单一可修改应用中。Dendrite可同时以各自原生采样率记录多路信号并并发执行多种处理模式；解码器可从已训练模型开始或在管线运行期间实时拟合，同一批记录也可用于应用内的离线训练。每次记录、解码器与训练运行均在数据库中追踪，部署的解码器可追溯至其配置与训练来源；实验范式保持外部独立，通过网络与应用通信。研究者在内部与公开BCI数据集上对系统进行端到端验证，训练并实时更新解码器。该研究为预印本，尚未经过同行评审。

一篇bioRxiv预印本用高频伽马ECoG信号检验发现，在GPT-2语境嵌入之上加入surprisal预测因子，对语言理解神经响应的预测力几乎没有额外贡献。

一项新研究揭示了猴子额叶运动皮层在伸手任务中神经活动的时空异质性，表明运动表征在不同皮层区域和深度上分布不均，这一发现可能为未来脑机接口植入的电极定位提供参考。该研究由华盛顿大学神经技术中心的研究团队完成，使用高密度层状微电极阵列记录了两只雄性猴子的神经活动。研究发现，目标方向信息在皮层表面和深度上呈异质性分布，不同神经群体的时间动态差异显著，但任务信息量可预测神经群体的动态相似性。这一发现凸显了运动表征的时空复杂性，有助于优化脑机接口植入策略。

该研究分析20名健康受试者在4次神经反馈训练中自我调节4种皮层节律的学习轨迹，分别考察频率与空间选择性，测试了额中线Theta、枕部Alpha、单侧中央颞感觉运动节律和中央Beta。结果显示所有受试者至少能自我调节其中2种特征，但无人成功调节额中线Theta；聚类分析识别出线性增减与非线性的平台型两类学习动态。作者认为，该结果表明“无法学习者”并非跨特征普遍存在的个人特质，并展示了神经自我调节的特定特征选择性，为未来神经反馈与脑机接口训练协议的设计提供了依据。

中山大学研究者提出微创混合BCI架构，通过300至800微米颅骨微孔植入分布式微电极，大鼠实验证实信噪比优于头皮脑电。该研究为预印本，尚未经同行评审。

研究者利用癫痫监测患者的立体定向脑电图高伽马活动解码15个语义类别，分类准确率达29.8%（随机水平6.7%），为语言BCI提供了语义解码的可行性证据。该研究为预印本，尚未经同行评审。

非侵入式脑机接口面临学习效率与控制精度挑战，尤其对无经验用户。一项新研究提出感觉引导的联合学习框架，将人类运动学习与自适应机器学习结合。在31名无经验参与者中，一维在线离散准确率达86.0%，二维达77.5%，连续控制准确率分别为77.5%和66.9%。触觉引导减少用户探索、加速神经适应，样本重加权使解码器更新与人类学习轨迹对齐。该框架将脑机接口训练从被动校准转变为主动的人机联合学习，为沟通与康复提供实用可扩展的神经接口。论文由卡内基梅隆大学团队完成，发表于《自然·通讯》。

预印本研究提出MOJO训练框架，将掩码自编码与监督学习结合，用于脉冲级神经数据解码。在猴子运动皮层、小鼠多脑区记录及人类语音皮层脑电数据上，MOJO均优于纯监督训练模型，尤其在标签受限的少样本微调场景中提升明显。该方法还改善了神经元表征的可解释性，为利用无标签数据训练神经基础模型提供了新路径。该研究于2026年7月15日上传至arXiv预印本平台，尚未经同行评审。

华盛顿大学团队用半慢性植入方案结合光遗传刺激与微型皮层脑电,在猕猴身上实现数周至数年尺度的因果连接稳定测量。

加州大学河滨分校提出理论框架,解释神经解码中为何中等时间整合尺度常常是信息表征的最优选择。

研究人员开发了一款32通道事件型生物信号模拟前端芯片，采用180纳米CMOS工艺制造，支持脉冲频率调制与自适应异步Delta调制双模式编码。该芯片能根据输入信号包络实时调整编码数据率，实现高数据压缩，为脑机接口中的神经信号无线传输与在线处理提供了新方案。

混合脑机接口研究面临脑电信号空间分辨率低、数据量小且涉及隐私、以及联邦学习中数据分布不均等挑战。一篇发表于《Computing and Informatics》的论文提出名为FSDFGL的联邦图学习框架，在构建图数据时将肌电信号融入脑电信号，并在联邦学习过程中仅共享结构信息，以避免异构特征共享导致的性能下降。在TAN数据集上的实验表明，该框架在识别复杂运动意图方面具有优势。

一项预印本研究提出一种基于事件的神经解码方法用于神经假肢运动控制。研究指出，现代假肢虽由深度神经网络驱动，但高延迟、高能耗与空间需求限制了其普及：有线连接限制患者活动，无线连接又限制可传输的信息量；脉冲神经网络虽支持压缩通信与低功耗推理，但任务性能常落后于最先进深度学习模型。该研究提出的事件型门控循环单元以分级脉冲生成稀疏通信模式，在任务性能上超过经典脉冲神经网络，并配合高效训练方法与稀疏推理，为设备端神经解码提供新机会，有助于在延迟、能耗与空间受限的情况下部署假肢控制。该研究为预印本，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。

脑电研究发现，单侧下肢运动想象与运动执行会引发相似的偏侧化神经活动模式，证实上肢已知的偏侧化规律同样适用于下肢。

研究者结合脑电被动式脑机接口与眼动追踪，在动态VR游戏中实时解码用户的交互意图，在线闭环阶段准确率达69.64%。

该研究考察脑机接口电极暴露于强电磁环境时的潜在脑风险：对植入脑电极的大鼠施以核电磁脉冲（NEMP）照射，并通过多通道生理信号采集处理系统记录初级运动皮层（M1）的局部场电位，再利用MATLAB对不同照射强度下的局部场电位进行时频与功率谱分析。结果显示，200 kV/m的NEMP可抑制静息状态大鼠局部场电位的Alpha和Delta频段，且该效应与NEMP和电极之间的前门耦合有关，耦合电流刺激大鼠脑部并影响其意识状态。作者认为，该研究为脑机接口的电磁防护提供了新方向，属于BCI电极安全性的早期动物数据。

一项预印本研究展示了一种利用植入式神经接口长期监测胶质瘤进展的平台。在多种小鼠品系和胶质瘤模型中，肿瘤进展始终与肿瘤微环境的伽马频段神经活动升高相关；机器学习模型可根据慢性神经记录预测肿瘤负荷，并利用伽马神经轨迹预测个体肿瘤生长速率。该研究由Coherence Neuro Global, Inc.等机构的研究人员完成，于2026年7月9日上传至bioRxiv，尚未经过同行评审。

哈佛医学院研究人员发现，啮齿动物面部运动的光谱分析可以预测其大脑皮层活动和脑机接口任务表现，这一发现为开发更有效的神经假肢控制系统提供了新的生物学基础。该研究为预印本，尚未经过同行评审。

一项预印本研究展示，功能超声成像（fUSI）通过声学透明颅窗植入物，在一名受试者的初级感觉运动皮层内可靠解析多身体部位和单指运动的编码，映射结果与经典躯体定位一致，并能解析单次试验相关活动、支持单次试验解码与跨会话解码。对解码重要体素的分析提示不同布罗德曼分区对单指运动信息存在差异编码。研究者认为，fUSI能以亚毫米分辨率可靠描绘躯体定位组织的运动表征，在人体受试者中填补侵入性电生理与非侵入性血流成像之间的关键空白，为微创、高分辨率的脑机接口神经记录提供新方法。该研究为预印本，尚未经过同行评审。

一项预印本研究以Adaptive Thinking Mapper（ATM）模型为框架，实证评估EEG预处理策略（仅MVNN的基线管线对比整合ICA与陷波滤波的完整清洗管线）对视觉EEG解码中通道注意力表征的影响。研究通过跨泛化、噪声稳健性与谱时消融分析评估模型，并利用节点强度相关与表征相似性分析，考察数据驱动注意力权重与神经生理参考网络（GPDC、PDC、DTF）之间的结构对应。研究者称，完整预处理在保持相当解码精度与基线稳健性的同时，有效抑制了额部噪声等非神经伪迹；学习到的注意力空间组织跨管线保持稳定，仅在全球表征几何上存在细微的度量依赖差异。该研究为预印本，尚未经过同行评审。

研究团队让18名右利手参与者分别想象声音和画面，同时用脑磁图记录脑信号，再比较卷积神经网络与线性逻辑回归两种解码模型。卷积神经网络在两个任务上都高于随机水平，视觉想象的准确率超过70%。更值得注意的是，即使只用与当前任务无关的皮层区域训练，模型仍能显著解码，说明想象内容并非局限于单一感觉区，而是分布在有重叠的神经网络里。这为把听觉与视觉信息一起纳入脑机接口解码提供了实验依据。