渐冻症

可穿戴脑机接口通信设备将与渐冻症患者现用的眼动追踪设备进行居家比较，观察患者更愿意使用哪种通信方式。研究预计纳入30名正在使用Tobii Dynavox或Smartbox眼动设备的成年患者，每人在家中用12周体验三种通信选项：自己的眼动设备，以及分别采用头戴式增强现实显示和屏幕显示的Cognixion ONE设备。主要指标是参与者自愿选择使用各选项的时间，另评估通信速度、准确性和照护者负担等。研究尚未开始招募，目前无结果；Cognixion ONE为研究性设备，未获FDA批准或许可用于任何医疗用途。

语音神经假体从大脑活动中解码患者尝试说出的话，最后一步通常要用一个数十亿参数的语言模型给候选句子重新打分，这是整套系统里唯一需要GPU的环节。Gabriele Cinà于2026年9月27日在arXiv发布的研究改用托管模型Jev，一次调用给每个候选句子输出一个概率，再与解码器自身的评分结合。在一名渐冻症（ALS）参与者的978个保留句子上，已发表解码器单独使用时词错误率为8.1%，Jev为7.5%，OPT-6.7b与Qwen2.5-7B均为7.8%；重新调整解码器权重后，三者分别为6.9%、7.2%和7.4%。Jev不需要GPU，每千句成本0.07美元，经互联网的端到端延迟为262毫秒，慢于本地GPU上7B模型的27毫秒。该研究为预印本，尚未经同行评审。

研究用47名肌萎缩侧索硬化症患者的1,065个片段数据，测试五种语言模型作为AI代理执行指令的表现。在相同执行覆盖率下，向模型提供重建的解码器置信度，并未使其不忠实执行率低于确定性门控，两个模型还显著更差。看似改善的安全表现主要来自减少执行。在后续让十个模型与确定性解析器获得相同指令词表的测试中，直接执行的代理均未超越解析器的风险—覆盖率前沿；但由模型提出语义修正、外部门控决定是否放行的混合架构，在十个模型中的五个上扩大了覆盖范围，且未观察到不忠实执行。

P300脑机接口拼写器靠识别脑电里的P300反应来选字母，常借助语言模型预测下一个字符以提高准确率。研究人员想知道：能否按每次选择的可靠程度，自动调整对语言模型的信任度？他们重新分析了47名渐冻症患者的3373次拼写选择，测试了22个语言模型，参数规模最高达46.7B。结果是，在公平比较下，没有一个模型显示自适应融合优于调优后的固定权重。此外，固定融合输出的概率本身在标记错误选择上比专门设计的控制器更好，错误富集度达2.8至3.8倍。该研究为预印本，尚未经同行评审。

用大语言模型帮脑机接口用户纠正打字错误，纠出来的句子可能通顺但意思已经变了。研究团队称这种现象为"意图漂移"。在模拟P300拼写器输出的基准测试中，20个开源模型在字符错误率为0%时，意图漂移率为2.2%；错误率升至40%时，漂移率飙升至60.3%。模型自身的置信度能在一定程度上区分正确与错误输出（AUROC 0.83），但28.4%的高置信度输出实际上并不忠实于原意。涉及药物剂量等临床关键信息的句子比普通句子更容易漂移。六种纠错策略均无法消除漂移：保守策略能降低漂移，但最好的策略每100次纠正仍有18次出错。该研究为预印本，尚未经同行评审。

P300拼写器是渐冻症（ALS）患者常用的脑机接口通信工具，近年来研究者开始将大语言模型作为语言先验集成到系统中以提高拼写准确率。然而，准确率本身无法揭示最终输出究竟来自患者的脑信号还是语言模型的预测。一项回顾性研究对47名渐冻症患者的3373次P300拼写选择进行重新解码，将重建的神经后验与25种语言先验（从5-gram到467亿参数模型）融合后发现：语言先验平均贡献了8.6%的后验位移，神经信号贡献比例为0.914。在4.4%的选择中，融合系统输出了患者预期的字符，而仅凭神经证据本不会选中该字符。21种神经语言模型的结果相似。该研究为预印本，尚未经同行评审。

两名四肢瘫痪患者只需“尝试”动动手指，植入大脑运动区的电极就能读出他们想按哪个键，在一块虚拟的标准QWERTY键盘上双手打字。这项研究由美国麻省总医院、布朗大学、哈佛医学院等机构的团队完成，他们看中的是键盘打字这种人们早已熟悉、信息率又高的沟通方式。打字节奏由患者自己掌握，最快每分钟110个字符，约合22个单词，单词错误率为1.6%，作者称这一准确率接近健全人打字水平，信息通量也高于目前最先进的手部运动解码方案。系统只需约30句校准语句就能准确识别手指动作，再借助一个5-gram语言模型修正整句输出。两名参与者分别因渐冻症和脊髓损伤瘫痪。对已经会用键盘的人来说，这是一种直观、无需重新学习的沟通方式。