Journal of Neuroscience Methods

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。

脑电研究发现，单侧下肢运动想象与运动执行会引发相似的偏侧化神经活动模式，证实上肢已知的偏侧化规律同样适用于下肢。

该研究评估整合运动想象（MI）与稳态视觉诱发电位（SSVEP）、并带机器人手套反馈的混合脑机接口用于卒中患者上肢运动康复的可行性。32名卒中患者分为常规治疗对照组与接受10或20天周期BCI干预的实验组，以Fugl-Meyer评分、EEG分类准确率、偏侧系数与加权脑连接分析等为结局指标。结果显示实验组Fugl-Meyer评分较对照组有可观改善，BCI系统达到满意的EEG分类准确率（最高98.08%）与稳健运行；长期训练后观察到EEG准确率上升、偏侧系数趋于正常及任务相关脑连接增强。作者认为，该混合BCI系统有望克服传统疗法与单一模态BCI的局限，为神经康复提供更具参与性与适应性的方案。

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。