Sensors

公开的脑电脑机接口数据集越来越多，但电极怎么摆、任务怎么定义、数据怎么预处理、受试者情况怎么记录，各家都不一样，结果就是数据很难跨数据集复用，别人也很难复现。这篇综述从16920条记录里筛出129篇文献，按结构、语义、流程、受试者背景和计算五个层面梳理了这种碎片化，并用10项标准评估报告透明度，中位数为9分。数据可用性在61.2%的文献中有说明，代码或流程可用性只有20.9%。作者认为，现有标准、本体、软件平台和迁移学习方法各自解决了部分问题，但还做不到完整的语义互操作。

研究团队用一块8通道OpenBCI Cyton板、一顶按国际10-20系统布置的脑电帽和一台Meta Quest 2头显，采集运动想象与注意力信号，在信号稳定时用EEGNet模型做到最高90%的受试者特异性在线分类准确率。研究面向注意缺陷多动障碍（ADHD）的认知控制训练，把脑电传感器整合进虚拟现实严肃游戏，目标是让使用者实时控制心理状态；此前方案多用多通道系统，硬件复杂，且未把运动想象与注意力水平结合起来。研究同时记录了高阻抗、通道饱和与头显绑带机械张力带来的伪迹，说明低成本配置要真正可用，先得管住皮肤电极阻抗和机械干扰。这是一项单例可行性研究，未做临床评估。

把脑电和功能性近红外两种信号合在一起，能不能让脑控电刺激更准？16名健康志愿者完成的盲法随机试验给出的答案是否定的：混合组与纯脑电组在实时三分类召回率、能动感、注意力和身体舒适度上均无统计学显著差异，混合组中位召回率53.5%，纯脑电组57.3%。研究同时公开了完整的脑电-近红外数据集。

扩展现实（XR）环境下的视觉刺激会降低脑电信号质量，但一项新研究显示，深度学习模型仍能保持较高的分类准确率。意大利那不勒斯费德里科二世大学的研究团队评估了SSVEP-TFFNet模型在XR条件下对稳态视觉诱发电位（SSVEP）的分类性能，并与传统方法滤波器组典型相关分析（FBCCA）进行了比较。研究使用了包含30名受试者、1200次试验的开放XR基准数据集，数据通过微软HoloLens 2采集。结果显示，SSVEP-TFFNet在XR条件下优于FBCCA，且将电极从8通道减少至6通道或4通道时，性能仍接近全通道配置。该研究为轻量化、可穿戴的XR脑机接口实现提供了证据。

一项新研究提出基于脑电（EEG）的情绪识别框架，利用听觉刺激在效价-唤醒模型下识别情绪。离散小波变换特征在受试者依赖评估中达到最高准确率0.88，但受试者无关的留一受试者交叉验证接近随机水平，显示个体差异显著。通过少量校准数据的少样本适配，功能连接特征在75%校准数据下达到最高0.77，为个性化情感脑机接口提供了基础。该研究由泰国瓦莱岚大学的研究团队完成，系统比较了多种EEG特征和分类器在听觉刺激下的情绪识别性能，并量化了受试者间差异对泛化的影响。少样本适配的改进表明，个性化校准可能是情感脑机接口走向实用的关键路径。

一篇发表于《Sensors》的综述系统梳理了RNN、VAE、GAN与Transformer等序列及生成式深度学习模型在运动想象脑机接口分类中的应用与挑战。