文献

研究者称，一项用fMRI实时重建人类视觉感知的研究于2026年7月23日以预印本形式上传至arXiv，尚未经过同行评审。基于fMRI的实时闭环神经反馈已取得重要科学与临床进展，但实时fMRI的分析方法落后于fMRI解码的最先进水平，主要受计算因素制约，多数先进解码管线无法装进实时处理窗口。研究提出计算密集型最先进管线MindEye2的实时兼容改造版本，并证明该设置下仍可实现可靠的细粒度解码。研究者称，借助开源可扩展云平台RT-Cloud完成一次实时扫描，在图像呈现给受试者后数秒内解码单试次视觉感知，并用模拟分析记录了离线到实时性能变化的驱动因素。

一项预印本研究提出一套可解释指标，分别量化脑机接口（BCI）相关脑活动在时间、空间和频率维度上的变异性，并在两个运动想象BCI数据集（共133名受试者）中考察这些指标与BCI性能的关系，通过受试者内与跨受试者分类实验进行验证。研究者称，在多数条件下观察到-0.2至-0.4的负相关，提示较低变异性与较高BCI性能相关；指标还显示深度学习与基于黎曼的分类器对变异性的稳健性存在差异，前者相关性更弱。该框架可在试验内、试验间与试验组间等多个层级量化变异性，为理解EEG变异性、评估分类器敏感性以及基于变异性设计更稳健的BCI提供了可解释工具。该研究为预印本，尚未经过同行评审。

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。

一项新研究提出融合稳态运动视觉诱发电位（SSMVEP）和肌电（EMG）的混合脑机接口，通过并行架构将指令空间从15个目标扩展至60个，多模态信息传输率达62.33比特/分钟，优于单模态最高42.49比特/分钟。研究采用深度学习进行多模态信号解码，在保持分类精度的同时，为严重运动障碍患者提供了更易用的控制途径。

SpikeGadgets的模块化堆叠头级支持跨10个脑区共1024通道的慢性记录，匹兹堡大学的MePhys平台使用992个电极触点覆盖猕猴整个半球，莱斯大学预印本描述了一款定制ASIC支持5376个同步记录通道。

一项预印本研究评估可微分逻辑门网络（Diff-Logic）作为资源受限脑机接口的低延迟EEG分类硬件方案，将模型编译为纯布尔电路。研究在4个EEG数据集、2类任务（二分类痴呆筛查与3分类情绪识别）上，将Diff-Logic与等容量的多层感知机（MLP）和二值神经网络基线进行对比。研究者称，Diff-Logic在痴呆筛查上取得80.2%的Macro F1，较MLP基线高6.8%；在功耗受限设备上部署时MLP延迟高2.3倍、模型体积大14倍，而Diff-Logic推理时间在模型规模扩大10倍时几乎不变。该研究为预印本，尚未经过同行评审。

脑机接口（BCI）需要从脑电信号中识别用户的运动意图，但传统深度学习模型往往参数庞大、计算开销高。研究人员提出一种名为Ghost-LENet的轻量级卷积神经网络，在BCI Competition IV-2a和IV-2b数据集上分别达到82.18%和83.05%的分类准确率，而可训练参数仅数千。该模型结合膨胀时间卷积、平稳小波变换、动态残差融合与Ghost模块，在保持高精度的同时大幅降低模型复杂度，为资源受限的BCI应用提供了新方案。

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。

芬兰Aalto University团队在一项MEG词语启动实验中，把经典N400诱发反应与语义向量解码放在同一框架下比较。25名芬兰语母语者阅读语义相关程度不同的词组后，不相关启动词引发更高的N400反应，并为语义解码器提供了最佳训练样本。研究者称，语义信息从刺激开始后约100至500毫秒均可解码，但在N400峰值过后，脑活动不再稳定映射到与语境无关的语义向量。这项结果提示，N400时间窗结束可能标志着神经表征由词语特异信息转向更广泛语境。该研究为bioRxiv预印本，尚未经过同行评审。

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。

一项早期可行性研究随访5名脊髓损伤参与者，每人感觉皮层植入两块Blackrock NeuroPort微电极阵列。2至10年植入期间，系统累计发送超过1.68亿次皮层内微刺激，总植入随访达到27年，没有报告严重不良事件或对电极健康的直接负面影响。到随访时仍有64%±13%的电极可稳定诱发触觉，其中1名参与者植入10年后仍有60%的电极有效。

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。