文献

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。

一篇发表于《Computers in biology and medicine》的观点综述聚焦EEG跨会话、跨个体和跨记录条件的非平稳性问题，讨论如何借鉴大脑维持功能稳定的机制来提升脑机接口模型稳健性。文章梳理突触可塑性、稳态调节、神经振荡和脉冲表征等路径，并与传统机器学习和迁移学习方法进行比较。作者提出可将生物学机制与人工神经网络结合，同时给出生物启发、生物合理和生物真实建模的操作性定义，以及持续EEG基准的最低规范。综述也指出，多种机制在EEG场景中的直接证据仍然有限，因此应明确区分实证结论、研究假设与未来方向。

该研究提出一种可注射、原位成胶的多功能水凝胶，用于解决微ECoG皮层记录中的硬膜屏障破坏、皮层微动削弱装置-组织耦合与生物污染引发异物反应等失效模式。水凝胶结合多巴胺接枝海藻酸钠与支化聚乙烯亚胺，形成抗非特异性蛋白吸附且具儿茶酚介导湿粘附的准两性离子网络，通过双重大分子交联在手术兼容条件下快速凝胶化，无需依赖可扩散的小分子单体。与128通道柔性微ECoG网格阵列整合后，该平台在3周的早期慢性期内降低了胶质激活与纤维化包裹，并保持稳定、高保真的皮层记录。作者认为，在单一界面材料中协同设计屏障修复、界面粘附与抗污保护，可改善长期功能。

该研究将负载地塞米松的二氧化钛纳米管阵列（TNA）转移到力学自适应聚合物纳米复合（NC）基底上，在小鼠模型中评估硅、NC、TNA-NC Empty和TNA-NC DEX四种植入物（每组10只）在2周和4周时对皮层内微电极神经炎症的影响。结果显示，2周时各植入物的基因表达谱大体相似，反映早期急性损伤反应；4周时表达模式分化，基于NC的植入物较刚性硅植入物表现出更少的差异表达神经炎症基因，其中TNA-NC Empty改善最明显，而地塞米松组未见额外改善，提示药物递送仍需优化。作者认为，向柔性材料添加TNA层可促进4周时神经炎症反应的消退。

事件相关电位为脑机接口提供隐式反馈与纠错信号，但基于源域被试训练的模型容易受被试间差异与采集噪声影响，泛化到未见被试时性能明显下滑。新方法MVCLDG把判别特征提取与域不变表征学习结合起来，用多尺度inception块融合原始脑电与希尔伯特变换导出的相位信息，捕获幅值与相位特征，再施加域对齐与对比学习约束，缩小跨域分布差异、压紧类内表征、拉开类间间隔。它在公开的错误相关负电位数据集和自采的语义句法违规数据集上评估，跨被试设置下优于基线与代表性域泛化方法，且无需额外目标域自适应；消融实验确认各组件有效，特征可视化显示模型关注的电极与已知神经生理头皮模式一致。该研究2026年6月27日发表于《Brain Connectivity》。

该研究在非人灵长类二维手指任务的植入式脑机接口（iBMI）数据上，评估脑肌协同能否提升解码性能与泛化。研究背景指出，大脑通过肌肉协同简化高自由度运动，协同此前已通过主成分分析（PCA）、非负矩阵分解（NMF）与去混合PCA（dPCA）等降维技术研究，并在非侵入性应用中用于降噪与改善离线解码稳定性，但其对植入记录的改善效果尚不明确。研究测试PCA、dPCA与NMF压缩去噪脑肌数据并改善跨任务泛化的效果，结果显示所有方法都能以最小解码精度损失有效压缩数据，但均未通过去噪提升性能或增强跨任务泛化。作者认为，仅提取协同并未为线性解码提供更优或更干净的控制空间，需更大样本与更多肌肉通道的进一步研究。

兰州大学、浙江大学、香港大学与中山大学的研究团队提出MindShow，一种在队列级训练设置下做多人共享fMRI到图像重建的统一生成框架，该研究2026年6月20日发表于《Medical Image Analysis》。现有基于fMRI的图像合成方法大多针对单个人，适配新个体需要大量数据。MindShow的核心是分层条件混合专家编码器，把人群共享的潜在表示与个体特有的神经特征分开，新受试者只需少量校准数据即可适配。多粒度最优传输损失让脑信号特征与预训练视觉语言模型对齐，最后由冻结的扩散模型生成图像。研究者称，MindShow提高了高层重建指标，同时保持了有竞争力的结构保真度。

该研究2026年6月12日发表于《Cell Reports Methods》，提出整合硅弹性体与聚酰亚胺薄膜优点的高密度微皮层脑电阵列，用于跨尺度脑活动研究。硅弹性体提供光学透明性并允许皮层内阵列反复穿透，聚酰亚胺实现精细光刻图形定义，两者结合可进行高通量功能映射定位靶点，并植入皮层内阵列进行密集局部采样。研究在大鼠、猫和绒猴上演示了功能映射，据此指导多区域分层记录，并演示了局部与前馈光遗传刺激以考察皮层间相互作用。研究者认为该混合微阵列是系统神经科学的有效工具。

该研究提出RLED，一种强化学习增强的EEG扩散框架，用于内源性EEG任务的适应性数据增强，重点面向运动想象与情绪识别。研究指出，开发可靠的EEG脑机接口系统通常需要大规模多样化训练数据，但受试者疲劳与个体间变异使数据收集困难。该框架整合强化学习机制动态调节扩散训练过程，在时间、频谱与类别相关特征之间取得灵活平衡。在四个数据集上的实验表明，该方法生成的高质量合成EEG信号能持续改善分类性能。作者认为，RLED可作为实际脑机接口应用中EEG数据增强与泛化的有前景工具，缓解训练数据不足对系统开发的影响。

一项基于立体定向脑电图（sEEG）的研究发现，在提示性肢体运动想象任务中，低频（8-30Hz）神经活动在准备期以抑制为主，进入想象期后转为激活；高频（60-115Hz）反应更强、分布更广，部分触点还出现激活-抑制序列。研究基于10名癫痫患者的颅内记录，表明神经活动并非统一响应，而是随任务阶段和脑区动态变化，为阶段感知的脑机接口特征设计和神经康复提供了参考。

ChatBCI-Assist整合本地部署的大语言模型和自适应停止策略，P300拼写器在线信息传输率达105.2 bits/min，语义拼写速度30.7字符/分钟。

《Nature Communications》发表一项人脑术中记录研究。团队在16名清醒手术患者中尝试使用uFINE超柔性植入电极，11人获得有效单神经元信号，共分离出719个单神经元，单次最高同步记录135个。最初5例因手术室电噪声和导针损坏未获得有效记录。研究属于短期术中实验，不能外推为长期植入表现。

西安电子科技大学研究团队针对快速序列视觉呈现范式的单试次脑电解码，先构建了基于Transformer的DisCo-Former框架，融入3个由神经生理先验引导的部件。该研究2026年4月10日发表于《International Journal of Neural Systems》。DisCo-Former虽然超过了现有方法，但分析发现注意力持续坍缩，注意力图近乎均匀，值投影权重趋近于0。去掉Transformer编码器后得到的纯多层感知机版本DisCo-MLP，在2个数据集和3种评估方式下与Transformer版本持平或更优，受试者内解码的平均AUC约为0.94至0.98。

该研究提出一种自适应的EEG动态迁移学习框架，以减少运动想象脑机接口（MI-BCI）中的负迁移。研究指出，现有迁移学习方法常合并多个源域，源-目标相似度低时易产生负迁移，且受试者间变异进一步降低迁移学习效果。该框架先用小波变换卷积对EEG时频分解，再通过动态迁移注意力模块匹配源域与目标域样本，最后以联合损失函数减少边际与类别条件差异。在BNCI2014001、BNCI2014002和BNCI2015001数据集上验证，准确率分别为78.78%、82.11%和78.19%，平均准确率优于基线算法（提升0.13%至27.7%）。作者认为，该方法对受试者变异具有稳健性，可增强系统的实际适用性。

该研究提出DPMS-Net，一种采用动态卷积在时间、空间与频率多维度挖掘判别线索、并结合通道与时间注意力机制的运动想象分类深度网络，并引入频谱域分析组件，挖掘EEG谱中隐藏的细微振荡特征，为分类提供更丰富证据。研究在两个公开数据集与一个卒中患者自采数据集上评估，在BCI Competition IV 2a和2b数据集上分别取得83.93%和88.38%的受试者依赖分类准确率；在卒中患者数据集上，受试者依赖准确率为67.67%。作者认为，DPMS-Net具有高效解码能力与稳健性，可用于神经康复脑机接口系统。

该研究提出MAPS-CS在线SSVEP脑机接口系统，在实验过程中进行动态通道选择。研究指出，SSVEP-BCI的通道选择研究较少，而通道组合的优化对系统性能重要。该方法构建涵盖信号能量、稳定性与通道间相关的多维特征框架，量化异常并生成评分，经层次化决策整合为综合通道质量评分，据此识别并移除坏通道，实现免训练的实时通道选择。与通道集成（CE）方法相比，MAPS-CS在2秒、1.5秒、1秒和0.5秒刺激时长下将标准FBCCA的准确率分别提升3.5%、4.1%、4.4%和6.5%，在CE、二元和声搜索与TOP-K局部优化通道选择方法中表现最佳。研究确认该系统能在实验室在线实验中有效检测坏通道。

脑机接口（BCI）依赖运动想象（MI）解码来识别用户的意图，但脑电信号的非平稳性和个体差异让准确解码变得困难。研究人员提出一种名为MSARFNet的多尺度注意力重建融合网络，通过并行多尺度卷积分支提取时空特征，并利用注意力机制融合多尺度信息，增强与运动想象相关的瞬态响应。在BCI Competition IV 2a和2b两个公开数据集上，该网络的平均分类准确率分别达到84.64%和87.96%，优于多种现有方法。研究发表于2026年2月27日的《IEEE生物医学与健康信息学杂志》。

研究团队设计了一种用脑机接口控制的辅助草地滚球坡道，让严重运动障碍、无法言语的儿童也能参与这项残奥运动。6名照护者接受半结构化访谈，6名儿童完成了一份新编制的21项问卷，孩子们对用脑机接口打草地滚球表现出浓厚兴趣。研究同时梳理了当前参与体育运动的障碍与促进因素，以及推广这类技术需要解决的问题。

该研究提出函数预定义卷积神经网络（FPCNN）用于自发EEG脑机接口信号解码。研究指出，经典解码方法依赖人工特征但性能有限，神经网络方法虽有显著提升但可解释性与计算效率较低；FPCNN通过可学习的函数预定义卷积（FPC）层搜索自发EEG的关键空间频率参数，使参数具有清晰物理意义，并构建基于FPC的可训练正交检测器以捕捉复杂相位变化信号。在三个自发EEG数据集上，FPCNN较最先进方法分别提升2.09%、3.08%和3.41%，且其非GPU环境的单轮训练与测试时间仅需67.96和19.36秒。作者认为，该方法的计算与时间节省有利于多样化环境中的EEG处理。

该研究提出一种结合判别性通道选择与分层时空建模的EEG情绪识别框架。研究指出，EEG情绪识别在智能人机交互与脑机接口系统中潜力巨大，但多通道数据带来高计算成本与潜在冗余，且既有通道选择方法多依赖统一规则、缺乏频段自适应与通道间建模。该框架在预处理阶段使用小波相干与互信息在多个频段自适应选择信息通道，选中的信号由时空图感知网络（STG-Net）处理，通过图卷积建模通道间空间关系并逐帧提取空间特征，配合时序建模模块捕捉情绪状态的时序演化，最终融合频率-空间-时间特征进行分类。与最先进方法相比，该方案在识别准确率与模型效率上均表现更优。

《Neurosurgical Focus》发表Precision Neuroscience的Layer 7皮层接口术中研究。4名清醒开颅患者接受1024通道微皮层脑电记录，4词语言分类准确率为77.5%，4方向光标分类准确率为78%至84%。6块阵列中每块有954至990个通道进入分析，手术过程中未报告器械相关不良事件。研究时间短、样本小，属于术中可行性验证，不是运动恢复关键性试验。

研究者论述BCI技术在电极寿命和生物相容性方面的最新进展如何应对嗅觉植入物领域的关键技术挑战。

一组来自德国、荷兰与日本的研究者在观点文章中提出，脑机接口的设计范式应当转向意念运动理论。作者称，脑机接口研究在技术上进展显著，但适用范围仍然有限，通常依赖运动皮层与视觉皮层信号，且只覆盖有限的患者人群。意念运动理论把自主行动理解为由内部表征的感觉结果所驱动，作者认为这一长期未被充分利用的框架，为下一代脑机接口提供了有原则的依据，能够更贴近大脑本身的意图与动作规划结构。作者主张，把脑机接口重新围绕行动的目的，也就是用户目标与预期效果来组织，可以走出一条更直观、更具普适性、也更易扩展的路径。作者称，神经记录技术与基于人工智能的感觉表征解码近年取得进展，使这一转向变得可行且正当其时，有助于化解脑机接口设计中易用性与普适性方面的难题。

《Neuron》发表Neuropixels Ultra探针研究。新探针采用5微米见方的记录位点，中心间距为6微米，共有6144个位点，可同时读取384个通道。在小鼠视觉皮层实验中，神经元检出量提高两倍以上。更高空间分辨率还帮助研究人员区分轴突与胞体信号，并改善三类皮层中间神经元的分类。研究主要是动物实验，没有报告同步记录1万个神经元。

该研究提出一种基于黎曼流形上判别性几何感知的降维方法，用于脑机接口（BCI）应用中脑电图（EEG）分类的对称正定（SPD）矩阵，以增强SPD矩阵的判别性并减少信息损失。流形学习与SPD矩阵在EEG分类中已显示出潜力，但SPD矩阵可能导致EEG信号的关键信息丢失。研究在BCI Competition IV Dataset 1和Dataset 2a上验证，该方法分别将准确率提升5.0%和19.38%，表明判别性几何感知能在降维后保持稳健性能。该工作属于EEG分类的基础方法研究，方法层面的改进为后续系统集成提供了参照。