文献

Precision Neuroscience公布了一项人体中枢神经系统图谱研究，汇集12家学术医疗中心70名患者的高分辨率表面电信号记录，覆盖多个脑皮层区域、脑干及脊髓结构。公司称，图谱包含超过180小时的同步神经与行为数据，可用于研究不同患者和区域的神经活动，并展示了运动解码、口语词汇分类和8种面部表情分类等结果。这70名患者是手稿描述的队列；截至公告发布时，植入该公司系统的患者总数已超过100人，不能与图谱人数混用。相关结果来自公司披露的预印本研究，尚未经同行评审。

研究提出，不只把神经信号对应到预先定义的外部标签，而是借助大脑内在的先验约束，推断信号背后的认知状态。在涵盖5种神经记录模式、运动、感知和内部意念3个认知领域的解码实验中，该方法重新组织了神经观测的表征结构，生成的高层语义表征在不同任务间呈现一致的几何关系，并能从变化的神经观测中恢复稳定认知状态。作者据此提出，认知的相对稳定可能不需要固定的神经活动模式，而可通过对变化活动的推断来维持；这一解释应与实验观测区分。

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。

给脑磁图语音解码加上下文先验，能提高整体准确率，但一项新研究提示，这也会让一部分本可纠正的错误变得更“自信”。研究团队在两个脑磁图数据集上追踪候选词得分变化，发现一种反转：正确候选原本排在局部前列时，融合后前两名的分差越大越可能被纠正；起始排名靠后时，分差越大反而更可能维持错误。在MEG-MASC上，整体判断正误的AUROC为0.87，而区分“纠正”与“残留错误”的AUROC从0.70跌到0.39；起始排名第20位之后的错误占融合后错误的46.6%。作者建议，置信度不应只读融合后的分数，还要保留局部与上下文证据；拆分后解码器可在74.5%的时间窗内作答，高于原来的56.7%。该研究为预印本，尚未经同行评审。

植入微导线阵列的大鼠在植入后第5至12周，皮层内微刺激（ICMS）诱发的感知阈值呈指数式下降，随后在仍能感知刺激的动物中稳定维持到第30周，10个刺激电极的拟合渐近线约为每个电极1.1 nC/ph。研究期间，大鼠对条件刺激的正确反应率稳定在约90%。研究团队同时采集了阵列的电生理与电化学数据，但没有找到能跨动物解释阈值走势的稳健指标。植入部位组织的基因表达谱显示Gfap与Cd68升高、NeuN与Bdnf降低，与既往神经炎症研究一致。30周内有2只动物失去感知。

同一套脑电脑机接口换一个人、换一天使用，信号分布就会变，模型准确率随之下降，通常要让用户先做一轮带标注的校准。研究团队提出SPDAlign框架，从理论上说明由头部几何结构等因素造成的这类偏移，可以只靠对称正定矩阵空间里的线性变换还原。它先把各个数据域的均值对齐，再用一种名为Wasserstein Procrustes的最优传输技术校正整体旋转，不需要标注数据。研究者称，该方法在多个公开脑电数据集上表现具有竞争力，而且能指出起作用的频段和空间模式，便于解释。该研究为预印本，尚未经同行评审。

脑电信号会随佩戴时间、电极状态和被试状态漂移，实验室里校准好的脑机接口模型，用到日常场景往往很快就不准了。这份预印本把共空间模式（CSP）和基于黎曼协方差的方法放进同一套按时间顺序的评估流程：模型先预测，拿到真实标签后再更新参数。在4个公开数据集上，2个最大数据流里的14组模型与数据集组合中，13组准确率提升，相对冻结模型最高提升约18%。研究还用Shapley方法按时间块给数据估值，3个被分析的数据集中最近的时间块平均价值最高，较早的时间块仍保留正值——旧数据不是只能丢掉。

研究人员记录出声和想象发声时的脑电，尝试区分愤怒、快乐、中性、悲伤和愉悦五类情绪。出声实验纳入14名参与者，想象发声实验纳入21名参与者，单试次解码准确率分别为78.1%和36.4%，随机水平为20%。研究还在5名参与者想象发声时记录面部表面肌电，发现非自主肌肉活动参与形成了有助于分类的脑电频谱与空间模式，其中一种侧部通道模式在想象快乐发声时更强。这意味着，分类准确率不能全部归于脑源情绪信息，也不能把肌肉活动影响忽略为普通背景噪声。

ISAE-SUPAERO的一项研究测试了结合半干式脑电采集与视觉刺激的脑机接口。30名参与者完成标准屏幕上的11类键盘打字任务，系统使用33秒校准数据，准确率为99.8%，平均解码时间为4.3秒。在两次在线打字测试之间的2分钟观看视频空闲条件下，未出现误指令。研究还开展了虚拟现实概念验证，在线准确率为100%，平均解码时间为5.6秒。参与者主观报告两种条件下视觉舒适度较高、周边干扰较少，但虚拟现实中的疲劳更高；短时空闲测试不能代表长期使用表现。

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%。

普通脑电帽要靠导电膏穿过头发、贴紧头皮，用久了接触变差、信号变弱。德克萨斯大学奥斯汀分校团队做了一套可拉伸的脑电采集平台MindStretcH：用剪纸式镂空的弹性网格贴合不同头型，用可变形的液态金属导线连接，再配上可拆换的锥形水凝胶电极穿过头发接触头皮。在纵向运动想象记录和多次在线脑机接口实验中，研究人员报告任务相关的脑电活动保持一致，记录质量没有可测量的下降。团队认为它可在实验室、临床和家庭中长期重复使用，但摘要未披露受试者人数与使用时长。

唤醒度是大脑和身体的紧张、警觉程度。多数基于唤醒度的脑机接口靠脑电（EEG）来读，但唤醒本质上受自主神经调节。研究人员用一个公开的模拟飞行任务数据集做离线分析，发现心率、心率变异性、呼吸、皮肤电活动和瞳孔直径这些外周生理信号训练出的解码器，受试者内曲线下面积（AUC）达到93.0%，高于仅用脑电的85.2%和原始滤波器组共空间模式解码器的79.8%。只有外周信号解码器重现了唤醒度与表现之间的倒U型关系。研究还发现，脑电神经反馈并未改变整体唤醒轨迹，其作用可能来自任务关键时刻的调节。该研究为预印本，尚未经同行评审。

注视不同频率闪烁的目标时，大脑视觉皮层会产生同频的脑电响应，即稳态视觉诱发电位（SSVEP），脑机接口可据此判断用户想选哪个目标。这类系统通常需要用户先花时间做校准，数据越多越准，但也更易疲劳。研究团队提出一种名为SCR-FTSDNN的深度卷积神经网络，把脑电信号转到频域后再提取时间与空间特征，并加入空间与通道重建模块。在Benchmark和BETA两个公开数据集上，作者报告该方法识别准确率和稳定性优于多种现有方法，在校准数据有限时优势尤为明显。论文摘要未给出具体数值，结果来自离线公开数据集测试。

汽车如果能读出驾驶者的脑电信号，在他忙不过来时自动接手部分操作，人们愿意用吗？这项在线实验招募了1201名参与者，每人观看12种动画驾驶场景中的1种。场景里，一套佩戴式、非侵入的脑机接口检测到驾驶者负荷过高，随即启动辅助。结果显示，参与者对这项技术的接受程度随场景不同而有系统性差异。当脑机接口辅助的是与驾驶直接相关的功能时，接受度更高；场景中的驾驶者是残障人士时，接受度也更高。研究比较的2种自动化启动方式之间没有差异。

人的情绪很难单靠脑电读准：脑电信号容易受噪声干扰，而语言模型能读懂文字里的情绪，却看不到大脑里隐含的变化。这项研究把两者结合起来，用脑电数据和多语言文本共同判断情绪。作者报告，融合模型的情绪识别准确率为89.7%，高于单用脑电的75%和单用文本的79%，F1分数为0.88，平均推理延迟180毫秒，可用于实时识别。摘要未说明受试者人数与所用数据集。

脑电基础模型在预训练时通常只见过固定的一套电极布局，换一种电极排布就难以直接沿用。研究人员提出轻量级适配器CortexBridge，把脑电特征与电极坐标、脑图谱坐标结合，将任意电极布局映射到一个共享的皮层潜在空间，相当于先把信号对齐到大脑皮层，再交给预训练模型，模型本身不做改动。在公开基准库MOABB的5个脑机接口数据集上，配合EEGPT、LaBraM、CBraMod这3个参数冻结的基础模型测试，15次评估中有13次性能提升，平衡准确率平均分别提升0.80%、0.70%和3.26%，12类稳态视觉诱发电位分类最大提升13.02%。该研究为预印本，尚未经同行评审。

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。

色觉检查通常依赖受试者主观作答，而脑机接口可以直接读取大脑对颜色差异的反应。受试者注视在两种光源间交替闪烁的刺激，两种颜色看起来差别越大，脑电中的稳态视觉诱发电位就越强。已有系统在色彩空间里均匀取样、同一位置重复测量取平均，准确但耗时。研究团队提出闭环系统MetaIDNet，用高斯过程回归和神经网络决定下一步测哪里。离线实验中，它在保持精度的同时把评估速度提高70%；在线实验中，它在速度不变时把精度提高40%。离线和在线实验分别只有10名和8名参与者。

在嘈杂的房间里，大脑会专注听其中一个人说话，这被称为“鸡尾酒会问题”。助听器和脑机接口如果能从脑电信号中读出用户在听谁，就知道该放大哪个声音。研究人员提出名为NEUROTOKEN的单一网络，用条件流匹配方法给候选声源打分。在KU Leuven、DTU和NJU三个公开数据集上，以5秒时间窗计算，识别聆听对象的分段准确率比最强的非生成式基线高出9%至16%，受试者间差异缩小约3倍。研究还发现，以往报告的95%至97%方向判别准确率，在训练与测试严格分开试次后会下降17%至45%。该研究为预印本，尚未经同行评审。

研究人员开发了一款名为BrainNet Studio的一体化工具包，把脑网络从构建、特征提取、预测建模到可视化的整套流程放进同一个框架。脑网络描述的是不同脑区之间在结构和功能上的联系，而现有工具大多只处理静态网络，难以刻画这些联系随时间的变化。该工具包集成了27种算法，涵盖深度学习、图神经网络和时空序列模型，并用大语言模型生成可由研究人员核查的连接摘要。开发者称它可服务于认知神经科学、脑疾病探索性研究和脑机接口研究。该研究为预印本，尚未经同行评审。

让屏幕上的闪烁块按阶梯方式逐步升频或降频，能不能当作新的脑控指令？一项纳入15名受试者的离线脑电研究显示，这类“阶梯式”变频闪烁可以被识别，但分类准确率没有超过传统的固定频率闪烁。三种刺激方式的平均归一化准确率分别为89.7%（固定频率）、85.6%（升频）和89.5%（降频），统计上差异不显著；6–10 Hz低频刺激的准确率为90.8%，高于41–45 Hz高频刺激的80.6%。连续3条指令的平均准确率为91.5 ± 9.6%，指令序列越长准确率越低。研究者认为其价值主要在于设计更灵活的连续指令，仍需更大样本和在线闭环系统验证。

脑电信号会随时间漂移，眨眼等伪迹又常常混入其中，脑机接口要在真实环境中长期使用，就必须先解决这一问题。常用的伪迹子空间重建（ASR）方法基于方差自动抑制伪迹，但依赖由校准数据得到的静态协方差模型，信号一漂移就不够稳。研究团队提出用指数移动平均持续跟踪信号结构，把短时程协方差估计与缓慢递归更新结合起来，让模型以一快一慢两种节奏同时适应。在10名受试者、不同认知状态下的24通道脑电记录中，新方法把眨眼伪迹削减了53.1%，原始ASR为24.0%，有限记忆版本为26.7%。代价是重建偏差和频谱偏差都有所增大。该研究为预印本，尚未经同行评审。

脑机接口每接入一位新用户，都要先校准。为个人单独调出来的模型更准，可能是因为真正学到了这个人的特点，也可能只是底层的通用模型本身更强。研究人员在235名未参与训练的受试者身上测试了3个脑电基础模型（用大量脑电数据预训练的通用模型）。结果显示，为每人单独训练的轻量适配模块，平均平衡准确率比通用的群体模型高1.5至5.4个百分点，也比借用他人的适配模块高2.3至7.3个百分点。群体模型的训练量增加到原来的4倍后，个性化增益仍为正，但有所缩小。只用少量标注数据做低成本校准，效果并不稳定。该研究为预印本，尚未经同行评审。

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。

设计一个能在多种脑电任务上都表现好的解码模型，通常要靠研究人员反复试错。AutoBCI框架让两个AI智能体分工：一个负责生成并改进模型架构，另一个根据训练早期的学习曲线预测最终表现，提前挑出值得继续训练的候选。在涵盖运动想象、情绪识别和睡眠分期的14个脑电数据集上，借助Claude Opus 5.5找到的架构平均测试平衡准确率为64.16%，略高于最强基线REVE的63.87%。预测智能体只看10个训练轮次，就把预测误差从2.20个百分点降到1.36个百分点。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。

毕索大学团队比较了脑电、脑磁图、颅内脑电和功能磁共振成像中的视觉解码，发现使用同一种仪器时，参与者之间谁更容易被准确解码的差异具有可重复性；但在外部配对队列中，不同仪器未呈现共同的参与者排序。研究使用未参与训练的记录轮次和刺激身份检验分类器。注意、行为和外周信号影响记录质量，却未解释大多数稳定的个体差异。颅内记录还显示，局部类别选择性更鲜明的参与者更容易解码。作者认为，这些差异反映个体、所区分的表征与仪器之间的关系，而非单纯属于个人的固定特征。