文献

一篇新发布的预印本提出脑电-语言基础模型BLPM，将异质EEG解码任务统一为连续语义嵌入预测问题。

SpikeGadgets公司发布消息称，其硬件通过低延迟以太网和TrodesNetwork API，支持研究人员在毫秒级时间内检测神经活动模式并触发扰动。加州大学旧金山分校（UCSF）的两项研究展示了该技术的应用：一项通过连续解码大鼠海马群体活动，实现神经反馈系统，使大鼠学会主动生成特定记忆表征以获得奖励；另一项通过实时触发theta相位特异性光遗传刺激，分离了theta节律与replay过程，揭示了二者在机制上的可分离性。

研究者提出结合离散小波变换和chirplet变换的运动想象脑电分类方法，在CBCIC数据集上准确率达94.8%，响应时间1.03秒。

研究者探讨植入式脑机接口知情同意标准的统一问题。

BrainGate2临床试验3名参与者的颅内记录显示，运动皮层准备活动编码即将到来的运动方向、曲率和距离，实现了基于准备活动的在线光标控制。

综述分析了SSVEP-BCI系统从实验室到实际应用面临的技术、硬件和用户层面瓶颈，总结了EMG融合去噪、新材料海绵电极和混合范式等解决方案。

研究者提出基于多尺度Transformer的对比学习网络CLMT-Net，用于同一肢体内细粒度运动想象解码，在MI-2数据集上准确率达76.13%。

研究者发布了一个面向儿童和青少年的稳态视觉诱发电位脑机接口数据集。

研究者提出基于博弈论的自适应人机联合学习方法用于在线MI-BCI解码，14名受试者在线实验准确率分别提升9.7%和5.6%（p<0.01）。

匹兹堡大学团队在15名健康受试者中测试了跨模态一致性效应（CCE）任务，发现该任务能区分膝盖处的气动与电刺激但无法区分足部。这项研究于2026年8月10日上传至bioRxiv，作者包括Bose等人，旨在评估CCE任务作为下肢感觉反馈直观性量化手段的可行性。在膝盖处，更自然的气动刺激与较不自然的电刺激可被CCE任务区分，而足部同样刺激未能区分。下肢截肢者因缺乏假肢体感反馈常出现平衡和步态障碍，电刺激神经假体可部分恢复感觉，但恢复感觉的直观性一直缺乏量化手段。作者强调，需要识别影响CCE的外部因素，才能将其用于下肢截肢者。

脑机接口解码器可能仅凭与目标心理状态无关的信息就猜中标签。北京语言大学心理学院的研究团队提出一种可证伪的替代测试标准，要求候选证据在互斥数据中持续存在、能应对物理组织或听众模板的容量匹配替代，并在排除目标事件后仍可检验。在六个EEG数据集（41名参与者）上，平均四个神经语音边缘指标将5秒解码性能提升至领先水平；在两个分层接口中，父流错误分数在排除所有目标命令事件后仍保持0.968和0.965的AUC值。该框架为神经科学和脑机接口提供了证据归因的检验标准。

俄罗斯研究人员开发了一套集成化的脑机接口系统，支持同步和异步两种操作范式，使用基于脑电信号的控制命令实现对机器人设备的优化控制，并经过实验验证显示可达到 60-65% 的识别准确率。

该研究提出ReCIL，一种基于排练的类别增量学习方法用于跨被试运动想象分类，使模型可顺序学习新的MI类别而无需从头重训。ReCIL采用欧氏对齐降低跨被试EEG分布偏移，通过全局-局部重放保留旧任务知识，并借助降维进行可靠的样本相似度计算。在三个公开MI数据集上的实验显示，ReCIL在可塑性与稳定性之间取得良好平衡。据作者称，这是跨被试类别增量学习用于MI分类的首次研究，为无需从头重训即可扩展新类别的脑机接口提供了实用方案，回应了既有方法在新增类别时需重采数据或重训模型的低效问题。

空军军医大学研究团队在《Scientific Data》发表了一项功能性近红外光谱（fNIRS）数据集，包含55名年轻成人在约2周内完成的三次色词Stroop任务会话的额叶血红蛋白响应，每个条件超过30个试次。该数据集可用于冲突抑制研究、神经反馈训练解码器构建及大规模跨被试fNIRS模型开发，为脑机接口认知状态解码提供了新的光学神经影像数据资源。

该研究提出BiGSTF-Net多模态架构，利用EEG与功能性近红外光谱（fNIRS）的互补特性提升认知状态解码：先用异构时空特征提取器分别捕捉两种模态的时序与空间表征，再通过模态残差交互单元实现双向跨模态引导，最后由时空门控单元完成模态内特征整合，生成紧凑且具判别性的表征。在多个BCI数据集的跨会话评估中，BiGSTF-Net持续优于代表性多模态融合基线；消融实验验证了各架构组件的有效性，可视化分析显示其激活模式与EEG和fNIRS信号的已知神经生理特征一致。该工作属于多模态神经信号解码的基础方法研究。

一项预印本研究提出NeuroPB，一种通过预训练行为表征迁移来扩展神经解码规模的框架，先在大规模运动行为数据上预训练运动编码器，再以有限配对神经-行为记录将神经活动对齐到行为表征空间，随后优化神经编码器与轻量运动解码器以重建连续运动。研究者称，在多个猕猴运动数据集上，行为预训练使center-out轨迹解码R²提升11%、随机目标任务提升8%，且用机器人轨迹预训练可达到与猕猴轨迹相当的性能；固定神经数据量时性能随预训练数据规模增加而提升，仅需10%校准即可匹配从头训练。该研究为预印本，尚未经过同行评审。

一项预印本研究提出OSPDIM，一种面向在线EEG脑机接口类不平衡标签偏移的无源在线无监督域适应框架。研究指出，黎曼对齐方法（如黎曼中心化变换）在处理协变量偏移时有效，但隐含假设类别先验平衡；实际在线场景中标签分布动态变化，会使标准对齐技术在几何上错位目标数据分布。OSPDIM在黎曼流形的切空间映射中引入流形约束偏置参数，通过信息最大化优化以纠正不平衡数据流造成的几何偏斜，并在线估计与修正几何偏置而非依赖全局批统计。2D SPD矩阵仿真显示OSPDIM可纠正标准中心化失效的错位；在多个运动想象数据集上，OSPDIM显著优于标准黎曼基线，尤其在线场景中。该研究为预印本，尚未经过同行评审。

该研究提出一个结合混合MothCray通道选择优化与深度学习的脑电图（EEG）脑机接口信号处理框架，预处理采用陷波滤波、独立成分分析（ICA）与时间窗分段等去噪技术，通道选择阶段使用整合飞蛾火焰优化与小龙虾优化的MothCray算法识别最具信息量的通道，分类采用适配EEG时空特征的深度神经网络架构。在BCI Competition IV数据集IIa上验证，该模型达到93.92%的准确率，优于既有方法。作者认为，基于MCO的通道选择、多域特征融合与增强的EEGNet分类器有助于减少通道数的便携设备以及家庭或诊所神经康复、辅助沟通等场景的快速布设与稳健运行。

该研究提出AutoMI，一种利用LLM多智能体自动快速迭代构建运动想象EEG分类模型的框架，通过耦合Q学习策略与确定性规则的混合决策机制，整合规划、执行与输出智能体及预定义工具，并集成经验追踪与回滚机制以避免模糊优化。在IV2a、OpenBMI和ECUST-MI三个数据集上，AutoMI构建的模型分别取得77.62%、78.08%和83.02%的准确率，较自动化优化算法分别提升18.42%、9.27%和19.25%。作者认为，AutoMI为脑机接口模型优化提供了新视角与框架设计参考，其自动迭代能力可降低对人工调参经验的依赖。

该研究记录大鼠在改良T迷宫中执行连续空间决策任务时的海马CA1群体活动，将决策过程划分为启动、奔跑与接近三个阶段，考察局部与前瞻性空间表征的动态演化。结果显示，中央臂位置细胞随动物接近选择点呈现递增的轨迹依赖性，局部theta序列一致性地过度表征实际选择；由选择臂位置细胞驱动的前瞻性表征则从奔跑期优先预测实际选择，过渡到接近选择点时更均等地表征潜在路径。整合局部与前瞻性特征改善了解码性能，未来选择预测在测试试验中达到74.4%准确率，即将进行的轨迹解码在样本试验中达到78.2%准确率。作者认为，纳入海马时空特征可改进行为解码，并为基于海马预测未来决策的认知脑机接口提供框架。

研究者提出一种仿树突分级结构的有机生物电子界面，用于与神经元整合。作者指出，脑机接口依赖活体神经元与人工材料之间紧密的电学通讯，而常规电极结构与神经组织在形态上差异明显，限制了细胞与电极的稳定耦合和长期记录；导电聚合物与微结构界面此前各自改善了神经电极的电化学与生物学性质。该研究为预印本，尚未经过同行评审，其提出的界面结构能否真正改善长期耦合稳定性有待验证。

一项预印本研究提出STEAM，一种面向脑电图（EEG）解码的分层迁移框架，通过双分支时空编码器与共享软专家混合（SSMoE）模块，在EEG基础模型中协调通用表征学习与范式特定专业化，使互补的表征可通过一组紧凑的软槽交换信息。研究者称，在7个下游数据集、14个评估设置中，STEAM以有竞争力的推理成本取得最佳平均排名；其层级预训练策略可在不从头重训的情况下进一步针对目标范式提升解码准确率。该工作面向EEG基础模型的可迁移性与高效下游适配问题，属于脑机接口解码算法的基础方法研究。该研究为预印本，尚未经过同行评审。

该预印本提出CORTIVA，一个用于EEG与MEG到图像检索的候选分数融合框架。研究者称，不同于现有方法先将异构视觉监督压缩为单一嵌入再排序，CORTIVA让三条解码路线对齐到异构视觉目标、独立为同一候选库打分，仅在排序前合并温度缩放的分数向量，从而保留互补证据。研究显示，在200选1的THINGS-EEG2基准上，CORTIVA在10名被试上达到Top-1准确率73.5%、Top-5达95.3%，超最强已报告基线10.3和5.4个百分点；用模态特定神经编码器时，同一融合原则在THINGS-MEG上达到Top-1为42.4%。该研究为预印本，尚未经过同行评审。

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。