文献

该研究提出一种基于两层图卷积网络（GCN）的空间谐波化框架，将异构EEG记录映射到统一物理电极布局并保留运动想象信息，以解决MI-BCI数据集间电极配置差异对迁移学习的限制。研究将每个EEG试验建模为图，以GCN捕捉电极与样本间的时空关系，并通过时域、频域与空间域分析及EEGNet、FBCNet与ADFCNN下游分类评估。结果显示谐波化EEG的误差低于球面样条插值，且保留运动想象EEG的主要时谱空特征；在数据集A的会话内分类中，结合真实与谐波化EEG使EEGNet准确率从56.57%提升到66.20%、FBCNet从61.96%提升到72.54%，并支持仅源域跨数据集迁移与目标域微调。

一项预印本研究采用射频背散射与近场无线充电应对植入式脑机接口的无线连接与功耗挑战。研究指出，高分辨率微电极阵列虽提供精确的脑读取与刺激，但实现32-128 Mbps的高速率无线连接功耗过高，不适合植入电池长期使用。该方案去除植入体内的收发器电子元件，将复杂度转移至体外读取端，显著降低植入功耗，并通过磁耦合实现神经记录与刺激芯片的无线供电，从而支持全植入式脑机接口。研究者呈现了该设计场景的初步测试结果，验证了其可行性。该研究为预印本，尚未经过同行评审。

该预印本提出EasyBCI，一个两阶段LLM智能体，为6类信号规划并执行预处理管线。该研究为预印本，尚未经过同行评审。研究者称，Plan Agent把每条记录画像为纯文本数据指纹，不向模型暴露原始数据，并选择有文献依据的算子序列，Execution Agent生成、运行并自我修正代码，直至满足质量标准。在固定线性分类器的EEG评测中，五个EasyBCI骨干比人工管线保留更多任务相关可分性。作者称，EasyBCI扩展到5种额外模态，采样率跨度近三个数量级，产出带决策溯源的完整可复现管线。

该研究发布了来自24名卒中患者的多范式纵向EEG数据集，涵盖新颖的“第六指”运动想象与患手运动想象范式。研究指出，单一运动想象范式与相关EEG数据集的缺乏可能限制卒中康复中的准确解读与有效应用；该数据集覆盖训练前、训练后与随访的完整纵向康复阶段，包含原始EEG数据、预处理数据与患者临床信息。初步分析使用CSP+SVM与CSP+LDA等经典机器学习算法，两种范式间的平均分类准确率保持在约85%-86%。作者预期，该数据集将促进MI-BCI范式与卒中神经可塑性研究，并有助于开发高效的卒中康复脑机接口系统。

该研究在人体头部模型上评估Synchron公司Stentrode血管内脑机接口部署的多模态成像工作流的技术可行性。Stentrode是置于上矢状窦、邻近中央前回的镍钛自膨支架式脑机接口装置，植入需毫米级精度。工作流包括薄层CT采集、DICOM传输至外部核心实验室进行目标识别与标记、标记CT重新导入、3D旋转血管造影，以及与标记重建和术中荧光透视的配准。结果显示CT提供适合解剖分析的数据集，核心实验室成功标记预期部署区域，标记在传输与重新导入中得以保留，标注CT与3D血管造影成功融合且无明显错位或伪影。作者认为，该工作流可为Stentrode部署生成术中靶向引导，属术前非临床技术验证。

研究人员通过侧线神经电刺激实现了对自由游动鳗鱼的闭环速度控制，该生物混合系统采用比例-微分反馈控制器动态调节刺激频率，相比固定频率刺激，速度偏差分别降低 63.7%（前进）和 50.6%（后退）。

密歇根大学安娜堡分校的研究人员开发了一种名为SpikeCleaner的算法，用于在自动尖峰排序后标注神经单元的质量。该算法结合放电率、放电时间指标和波形特征，将单元分类为良好、噪声和多单元活动，旨在减少人工筛选的工作量并提高数据质量。在基准测试中，SpikeCleaner对单个单元的分类准确率达到97%，F1分数为92%。

美国研究人员利用颅内微电极阵列，在脊髓损伤患者的运动和感觉皮层中识别出不同的神经模式，这些模式可以分别编码抓握的时机和力度，为开发更精确的脑机接口系统提供了新思路。

一项新研究展示了名为EmoWrite的脑机接口系统，它通过情感分析将思维转化为文本，打字速度达每分钟6.6词，准确率90.36%。该系统由巴基斯坦和韩国的研究人员开发，在72名志愿者中进行了验证，并引入了动态键盘和视觉反馈，以提升用户体验。

一项新研究提出DSTF-Net框架，仅凭额叶脑电信号即可解码稳态视觉诱发电位（SSVEP），无需枕叶电极。该框架在20名新用户（含8名仰卧位的脑损伤患者）上完成跨被试迁移，相比基线最高提升33.47%的解码准确率。研究发表于《npj Biomedical Innovations》。

华盛顿大学的研究人员开发了一种机械柔顺、精密多孔的脑植入物，在大鼠脑中植入4周后，相比固体水凝胶棒，多孔支架周围的星形胶质细胞包裹减少，更柔软的水凝胶降低了促炎性巨噬细胞极化，并在孔隙内观察到新生血管、神经元标志物和神经发生。该研究为减少胶质瘢痕、改善植入式中枢神经系统治疗的再生效果提供了潜在策略。

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，一项关于在卒中康复中征集可解释人工智能（XAI）需求的方法学研究于2026年7月28日以预印本形式上传至arXiv，尚未经过同行评审。从卒中幸存者处征集XAI需求存在方法学挑战，直接影响AI驱动自适应康复系统的设计，但现有协议通常做二元访谈，忽视引导动态。研究从二元走向三元，在3名卒中幸存者（2名中重度失语）与3名照护者的形式化研究中，引导者使用了类比桥接、投射人格、二元强选与延长响应时间4种支架方法。研究者称，反思性分析揭示了规范偏差、假设确认偏差与在场效应3种系统性引导偏差，研究将其作为面向从业者的协议风险指南提出。

一项预印本研究提出三种回归模型（偏最小二乘回归器、多层感知机和基于注意力的回归器）从EEG信号同时解码抓取与抬举任务的多个运动学与动力学参数，并在WAY EEG GAL数据集上进行受试者特定与受试者无关评估，比较所有参数共用一个模型与每参数单独建模两种策略。研究者称，基于注意力的回归器取得最佳性能，R²为0.8、延迟29.2毫秒，显著改善多参数同时解码，但单参数解码时性能下降；多层感知机在两类解码中表现更一致但准确率较低（R²=0.49）。研究者认为，基于注意力的模型对实时多指令脑机接口系统有潜力，有助于开发更直观的控制设备。该研究为预印本，尚未经过同行评审。

一项预印本研究提出EEGForceFusion，一种联合建模连续与token化表征的混合EEG解码框架，用于抓握力解码。研究指出，连续抓握力解码受复杂时间动态、高受试者间变异与既有方法泛化有限等挑战制约；该框架整合卷积-循环表征学习、量化式token化与基于Transformer的时序建模，在统一的融合回归架构中同时捕捉细粒度神经结构与长程时间依赖。在WAY-EEG-GAL数据集严格的留一受试者交叉验证下，该框架离线设置R²为0.817、模拟实时评估R²为0.793，延迟适合实时部署。研究者认为，混合连续-token化表征对实时EEG力解码应用具有实用性。该研究为预印本，尚未经过同行评审。

一项预印本研究提出UnSPC（不确定性引导的自步循环），一种将域适应（DA）与域泛化（DG）在迭代循环中整合的框架，用于应对侵入式脑机接口长期部署中的神经漂移。研究指出，神经漂移会随时间降低解码性能并需频繁重校准，而既有方法通常只依赖DA或DG其一，难以捕捉跨神经亚域的细粒度分布偏移。UnSPC在不确定性引导的自步伪标签机制下，以噪声稳健的排序策略迭代挖掘可靠伪标签样本，并通过循环适应与泛化策略在迭代循环中逐步缓解全局与亚域漂移。研究者称，在多个神经解码数据集上的实验验证了UnSPC的有效性与稳健性，据作者称这是首个以伪标签循环整合DA与DG的方法。该研究为预印本，尚未经过同行评审。

该研究利用空间蛋白质组学评估植入4周的小鼠皮层内非功能性微电极周围组织，考察载有治疗药物、可控释放的二氧化钛纳米管阵列（TNA）涂层探针周围的神经元完整性、免疫细胞激活与局部细胞因子表达。研究背景指出，皮层内微电极（IME）长期记录稳定性受神经炎症反应限制，血脑屏障破坏可致肠道源性细菌易位至植入位点并维持慢性炎症；此前工程化的TNA涂层已显著降低植入界面微生物丰度。本研究利用TNA的治疗载药与可控释放能力进一步缓解剩余神经炎症，结果显示TNA提供了可局部调控神经免疫微环境的多功能、可调界面，有望实现长期可靠的皮层内微电极记录，并为未来功能记录与刺激探针的设计提供依据。

研究者评估了氧化钌（RuOx）涂层非晶碳化硅微电极阵列用于皮层内微刺激（ICMS）的长期稳定性。在25周慢性植入期内，以啮齿类go/no-go行为范式每周测量行为学、电化学与局部电生理指标，感知阈值呈指数式下降并在植入后第九周稳定在约0.4 nC/ph每电极（16电极同时多通道刺激），行为表现始终较高（约91%），反应时间稳定，可靠的感觉感知持续至25周。研究者认为，氧化钌是适用于未来皮层内微刺激应用的耐用电极涂层材料。

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。

一项新研究利用UCI机器学习库的EEG-Eye-State数据集，通过四分位距裁剪处理异常值，结合随机森林分类模型，实现了睁眼与闭眼状态的高精度检测。模型准确率达92.49%，ROC-AUC为0.9791，交叉验证平均准确率92.86%。研究为疲劳监测和辅助技术等脑机接口应用提供了稳定且可解释的解决方案。

一项预印本研究提出SSCDL，一种自监督一致性增强的解缠学习框架，用于脑机接口神经解码泛化。研究先设计一致性增强神经解码器（CND），通过教师-学生一致性约束与模拟神经信号扰动，学习对神经漂移不变的稳健表征；再在互补解缠泛化机制下使用三个专用CND，借鉴神经偏好理论将运动信号解缠为速度、方向和速率，从而从多样化的神经偏好视角捕捉不变表征，显著增强跨天泛化。研究者称，SSCDL在广泛实验中取得最先进的解码性能，具有高稳健性与跨天稳定性，有望支持长期、精细的辅助应用。该研究为预印本，尚未经过同行评审。

加州大学欧文分校的研究者提出一套用脑电研究类别表征的任务与分析流程，并在30名受试者身上验证。受试者观看分属5个类别（动物、工具、食物、场景、交通工具）的图像与词语，并在连续出现同类物品时作出反应；研究者在个体内训练支持向量机进行分类。结果显示图像试验与词语试验都能达到显著的类别分类准确率，但图像试验明显更高：图像的所有类别两两之间均可统计区分，词语则仅有一对可区分。电极层面的分析表明，顶叶与左颞电极对图像分类的贡献大于额叶与右颞电极。该预印本2026年7月26日上传至bioRxiv，尚未经过同行评审。

英属哥伦比亚大学团队在bioRxiv发布开源基准BEND-BCI，横向评测23种神经解码方法，覆盖运动、视觉、言语和空间四类任务，跨16个真实或合成神经记录。该基准除留出预测准确率外，还比较对输入扰动的稳健性、计算成本和跨记录潜在表征一致性。加入这些维度后，解码器排名经常改变，留出准确率不能可靠识别最稳健、最省算力或跨记录最一致的模型。较简单的基线方法与参数量大得多的深度网络相当，某些情况下甚至更优。作者据此提出，解码器选型应从准确率排行榜转为在任务、资源、表征与诊断目标之间的约束决策。该预印本2026年7月26日上传至bioRxiv，尚未经过同行评审。

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。

一项预印本研究提出一种基于条件流匹配的自适应EEG生成框架，用于缓解脑机接口应用中的数据稀缺并支持大规模神经建模。研究指出，既有流式方法假设样本内各通道与各时间段共享单一全局时间进程，忽视了并非所有EEG时刻都同等重要；该框架引入位置自适应时间调度，跟踪逐位置重建误差以调节流匹配轨迹中位置特定的时间进程，并整合分解时空注意力与频率对齐的多分辨率谱一致性损失，以建模体传导引起的跨通道依赖并补偿EEG的幂律谱偏差。在三个采集协议与任务语义不同的EEG数据集上，该框架一致优于最强基线，将TS-FID最高降低62.2%，下游分类准确率提升最高6.77个百分点。该研究为预印本，尚未经过同行评审。

研究者称，一项关于贝叶斯完全池化用于跨被试运动想象EEG分类的大规模研究于2026年7月25日以预印本形式上传至arXiv，尚未经过同行评审。脑机接口长期追求免校准运行，但分类器通常只按判别能力评测，忽视预测概率是否校准良好。该研究在20个数据集上比较贝叶斯完全池化模型与频率学派基线，做跨被试左手对右手运动想象EEG分类，6条频率学派管线各配对一条特征工程相同、用MCMC后验采样拟合的贝叶斯管线。研究者称，贝叶斯完全池化带来统计显著但非实践显著的可靠性改善和预测不确定性增加，Brier分数、分辨力与判别无显著差异，贝叶斯管线能耗约为频率学派管线的13倍。

一项基于注册库的横断面分析显示，全球儿科脑机接口（pBCI）临床试验仅有11项，覆盖7个国家，其中8项评估非植入式设备、3项评估植入式系统。非植入式试验中位入组29人、中位持续56天，植入式试验中位入组8人、中位持续365.3天。仅4项研究只纳入儿科受试者，其余同时招募成人和儿童。研究者指出，当前pBCI临床研究范围有限，儿童在BCI研究中可能未得到充分优先考虑。

研究团队开发了一种处理多通道发作间期颅内脑电的深度学习架构，用于在不依赖发作期记录和人工标注的情况下定位致痫区。模型结合Morlet小波时间Transformer编码器与空间注意力编码器，在7个独立中心的50.5小时数据上评估，覆盖161名患者和17,012个通道。留一中心交叉验证得到汇总AUROC为0.778，95%置信区间为0.748至0.808，各留出中心的区分能力均高于随机水平。结果显示，跨中心、跨植入方式的表现与既有电生理基线相当，但仍需前瞻性临床验证。该研究为medRxiv预印本，尚未经过同行评审。

研究者称，动态人脸重建的几何引导神经解码框架fMRI2Face于2026年7月24日以预印本形式上传至arXiv，尚未经过同行评审。研究发布全高清fMRI视频数据集fMRI-Face与几何引导神经解码框架fMRI2Face，均面向从fMRI重建动态人脸的问题。研究者称，fMRI2Face从脑活动中派生两个互补神经控制量，即脑源外观上下文与可变形3D面部控制，并通过带辅助潜变量补全的神经控制视频扩散，实现从脑活动直接重建高保真面部视频。

传统听觉频率辨别测量依赖受试者的主动行为反应，易受主观因素干扰。基于脑机接口技术，研究者设计了个性化快速序列听觉呈现范式，招募11名健康参与者，提出多尺度时空双注意力网络（MS-STAMNet），用于弱听觉诱发反应的单试次解码。结果显示，MS-STAMNet的平均未加权平均召回率为(69.67±6.12)%，AUC为0.7618±0.07，优于EEGNet和PLNet等基线模型。回归分析显示神经解码与行为表现分离，表明模型能捕捉未触发显性意识的隐性频率偏差特征。