文献

手指在大脑运动皮层里的代表区挨得很近，从头皮脑电里分辨单根手指的动作一直很难。研究团队先用同步采集的脑电与功能核磁数据学出一套频谱投影，再用核磁给出的类别几何结构去修正脑电预测。12名健康受试者的测试中，两分类动作执行的组平均准确率从66.93%升到74.53%，三分类从44.83%升到56.58%；运动想象任务上两分类从80.78%升到85.63%。推理阶段只用脑电，不需要配对的核磁数据。

严重运动障碍患者能否绕过受损的神经通路，用“想”来操控机械臂？这篇综述沿着信号链条梳理了整个过程：先从大脑运动皮层采集神经信号，再经过预处理、特征提取和神经解码，最后生成机械臂能执行的连续、离散或多自由度指令。作者比较了侵入式、非侵入式和血管内三类脑机接口在信号采集上的特点，认为信号质量、解码算法和共享控制策略三者协同优化，是让机械臂操作更自然、更可靠的关键。作者同时指出，长期稳定性、控制精度和临床安全性目前仍受限。

一项新研究提出了一种紧凑的混合深度学习模型，用于四类运动想象脑电信号的分类。该模型结合了空间卷积滤波、双向时序建模和注意力机制，在BCI Competition IV Dataset 2a数据集上取得了83.89%的平均准确率，优于传统基线方法。研究者认为，双向时序建模和注意力加权能提升脑电运动想象分类的稳健性，有助于脑机接口在运动障碍患者辅助中的应用。该模型采用端到端框架，在公开数据集上验证了其有效性，为资源受限场景下的脑机接口信号解码提供了高效方案。

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。

研究者提出名为U2Multi-UDA的统一多层级多源无监督域适应框架，用来缓解运动想象脑机接口长期存在的两个障碍，即被试之间差异大、目标域标注数据稀缺。作者称，既有方法大多只在域对齐、特征交互或模型微调其中一个层级上着力，跨域适应因此并不完整。该框架把三个层级并入同一条流水线，先由最优传输对齐源域与目标域分布，同时以互信息估计各源域对目标域的相关性权重；再抽取脑电时空特征并经多源交叉注意力融合，由相关性权重引导跨域特征融合，用伪标签强化目标域特征学习；最后以分段权重分解低秩适应完成参数高效的目标域微调，抑制过拟合。在两套公开数据集与一套自建数据集上，该方法较各自表现最好的基线平均准确率分别提升2.69、1.89、3.83个百分点，Kappa值同步改善。

运动疲劳之后，大脑控制动作的区域会发生什么变化？意大利罗马大学的研究团队让20名健康年轻人连续做10组手指敲击任务，并在任务结束后60分钟内用经颅磁刺激（TMS）反复测量大脑运动皮层的兴奋性。结果显示，疲劳后运动皮层兴奋性先升高，随后逐渐回落至基线水平；且敲击速度下降越明显的人，兴奋性升高也越显著。该研究发表于2026年8月25日的《临床神经生理学》杂志，为理解神经系统疾病中的代偿反应提供了参考框架。罗马大学是意大利著名公立研究型大学，其神经科学团队长期从事运动控制与神经调控研究，此次发现为运动疲劳后的神经可塑性提供了新视角。

大脑活动可以被概括为少数几种短暂稳定的“脑电微状态”，它们按时间先后排成序列。德国研究人员尝试用这类序列充当脑机接口的“开关”：让受试者想象左手或右手动作，再用深度学习模型从微状态序列中判断想的是哪只手，把分类结果作为触发指令。借助迁移学习，模型在跨会话或跨受试者的场景下，分类准确率峰值约为89%。要达到80%的准确率，平均约需400秒校准。研究者认为，这一思路有望减少使用前的校准负担。该研究为预印本，尚未经同行评审。

运动想象脑机接口一直有两个老问题：不同人之间差别大，能分出的指令少。这项研究让使用者先用眼睛看目标完成选择，再用想象动作确认，把两步合成一步。15名健康参与者、16通道脑电的测试中，混合范式在所有通道配置下都优于单纯运动想象，最高准确率达到100%。研究还发现，注视目标本身能让脑电反应更稳定，这为减少电极数量、降低设备门槛提供了依据。

该研究2026年8月7日发表于《Journal of Neural Engineering》，分析了四名受试者的皮层脑电记录，考察大脑半球内侧壁区域对手指运动解码的贡献。结果显示，多个内侧壁亚区观察到显著高于随机水平的手指运动检测，局部运动电位与8至12赫兹、12至34赫兹频带振荡功率对解码性能贡献最强。特征动态与初级运动皮层具有共同特性，包括运动前去同步化，也表现出区域特异的正负局部运动电位调制。尽管运动检测是主要结果，两名受试者的内侧壁通道能显著区分单个手指，一名受试者对侧与同侧手指运动均可解码，但该观察基于个案，属初步结果，需要进一步研究确认跨个体普适性。

该预印本提出一种用于实时EEG步态解码的双模块轻量级架构，旨在实现下肢外骨骼的闭环控制。研究者称，现有基于EEG的闭环控制受运动伪影和低信噪比限制，其双模块设计将任务拆分，前端PolyTVL将32通道EEG压缩为紧凑表示，后端LSTM对4个步态相位（站立、启动、执行、终止）进行分类。研究显示，闭环部署中v01（PolyTVL+LSTM）的步态启动成功率为55.3%（Rex辅助）和52.7%（自主），平均端到端处理时间70.5ms（±41.5）。作者称该手稿已被IEEE MLSP 2026接收发表。

布朗大学研究者在bioRxiv上传预印本，提出名为Neural SS-DMP的运动解码模型。模型不直接输出手的坐标，而先从神经信号里推断一组描述动作意图的参数，再交给一个遵循物理规律的运动生成器画出完整轨迹，解码结果因此天然落在人体做得出的动作范围内。生成器还会按每个人的训练数据调整，把通用的运动规律与这个人自己的动作特点混合。作者称，两类神经记录数据上的测试显示，模型的准确率与轨迹平滑度均优于现有强方法，且在时间靠后的新记录上性能保持得更久。该研究为预印本，尚未经过同行评审，全部结果基于离线数据，未在实时控制中验证。

研究者称，多会话运动想象EEG信号分类框架ATCNet-CIAM于2026年7月26日以预印本形式上传至arXiv，尚未经过同行评审。基于运动想象的EEG被广泛用于非侵入式脑机接口，但跨会话与跨被试的稳健解码仍是核心挑战。ATCNet-CIAM结合时间卷积、通道注意力与CIAM模块做多会话运动想象EEG分类。研究者称，标准协议下ATCNet-CIAM在BCI IV-2a达到86.32%准确率、在BCI IV-2b达到87.96%，WBCIC-MI被试内2类与3类任务分别达到89.46%和83.64%；该稿已被ISRSD 2026会议接收。

研究者称，小鼠初级运动皮层以S形状态转换机制编码运动速度，由两个功能不同的神经元群实现，且该框架可扩展到局部场电位（LFP）频带功率。研究用慢性32通道层状阵列记录8只小鼠在电动跑台上的皮层外活动，共5,889个单单元、384通道，无监督聚类将单元分为速度正相关（70.8%）与速度负相关（29.2%）两组，两群共享约2.3米每分钟的速度阈值。解码方面，占少数的速度负相关神经元群经逆S形变换后解码精度显著更高，且跨动物泛化良好。研究者认为该发现为稳定、免标定的脑机接口设计提供启示。

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》。

一项发表于《Computers in biology and medicine》的研究使用跨频双谱分析，考察自然伸手抓握过程中规划与执行阶段的非线性脑电活动。研究者从复双相干矩阵提取幅度和相位特征，并结合分类、置换特征选择和受试者内统计检验。结果显示，执行阶段的非线性耦合强于规划阶段，主要由β频段和γ频段相互作用驱动。精细抓握与力量抓握的解码表现则在两个阶段相近，提示抓握类型表征可能在规划时形成并持续到执行。双谱特征相较传统分析方法在抓握类型判别和多类别分类中表现出一致优势，为未来脑机接口和神经假体研究提供了新的运动解码特征。

脑机接口换一个人使用，往往要先采一段新数据重新校准，因为每个人的脑电信号差异很大，而且会随时间漂移。研究团队提出名为SPD-DANN的方法，把脑电特征放在一种更贴合其非线性结构的数学空间里，即对称正定矩阵流形，再用对抗学习提取不随个人变化的共性特征，目标是让模型无需逐人校准就能解读新用户的运动想象，即在脑中想象手脚动作时产生的脑电信号。研究人员在4个脑机接口数据集上测试，称该方法优于多种现有的无监督域适应技术。摘要未给出具体准确率数字，结果均为离线数据集测试。

两名四肢瘫痪患者只需“尝试”动动手指，植入大脑运动区的电极就能读出他们想按哪个键，在一块虚拟的标准QWERTY键盘上双手打字。这项研究由美国麻省总医院、布朗大学、哈佛医学院等机构的团队完成，他们看中的是键盘打字这种人们早已熟悉、信息率又高的沟通方式。打字节奏由患者自己掌握，最快每分钟110个字符，约合22个单词，单词错误率为1.6%，作者称这一准确率接近健全人打字水平，信息通量也高于目前最先进的手部运动解码方案。系统只需约30句校准语句就能准确识别手指动作，再借助一个5-gram语言模型修正整句输出。两名参与者分别因渐冻症和脊髓损伤瘫痪。对已经会用键盘的人来说，这是一种直观、无需重新学习的沟通方式。

研究人员提出名为MSHANet的深度学习模型，用来从头皮脑电信号中读出人“想象”的肢体动作，这类信号常用于中风或脊髓损伤后的康复训练。论文指出，运动想象脑电具有非线性动态特性，且不同人之间差异大，限制了解码准确率。模型由时空特征提取、交互头自注意力、动态挤压—激励注意力和时间卷积网络四部分组成，在三个公开数据集上的单人内解码准确率分别为83.56%、89.75%和75.66%，跨人测试为69.93%、81.85%和79.67%。团队还设计了一种把电极空间位置写进输入数据的编码方法，在BCI-2a数据集上让单人内和跨人准确率分别提高2.83%和2.91%。结果均来自离线公开数据，尚未在患者身上实时验证。

脑机接口每次使用前通常要让用户先做一轮校准，因为同一个人不同时间、不同人之间的脑电信号差异很大，这种差异来自个体差异和环境因素，是神经解码的主要难题。2026年1月发表的一项研究提出了运动想象脑电解码框架RUNet，试图省掉校准这一步。它先用静息状态下的脑电数据做无监督预训练，学习不随场次和个体变化的特征，再用任务数据做再训练，并借助黎曼流形上的数学映射压低不同场次、不同人之间的信号漂移。在BCI Competition IV 2a数据集上，这一框架的平均跨会话准确率为87.19%，跨被试准确率为68.09%；在PhysioNet数据集上，跨被试准确率为78.14%。结果全部来自离线数据集测试，尚未在实时使用中验证。