神经信号解码

便携脑电设备通道少，能捕捉的皮层信息有限，情绪解码一直是难点。厦门理工学院团队提出时空频谱非对称融合网络（STSANet），利用额颞区同源电极之间的非线性半球偏侧化特征，在SEED公开数据集和自采数据集上分别达到86.80%和87.43%的情绪识别准确率。研究还验证了便携式Xmuse设备与专业级Enobio设备的频谱能量分布具有一致性，表明该方法有望在消费级脑电硬件上运行。该研究为预印本，尚未经同行评审。

这项研究让90名学习者分成两组，一组用脑机接口实时读取注意力、认知负荷和精神疲劳，据此调整教学内容和节奏；另一组按传统在线课程学习。实验组在持续参与度和知识保留上表现更好。研究采用混合方法，定量数据包括前后测成绩、任务完成率和神经活动指标，定性数据来自问卷调查和半结构化访谈，用于衡量学习者感知到的参与度、可用性和整体学习体验。90名参与者分别来自English House Language Center、亚美尼亚欧洲大学和Mesrop Mashtots大学。研究者同时提出，在教育场景采集和使用神经数据，隐私、伦理与可及性问题尚未解决。

颅内脑电信号来自植入大脑内部的电极，一直被看作解码人的意图的理想信号来源，但各家数据集和预处理方式不同，模型到底有没有变好很难说清。研究团队把三家机构的自然观影数据、15项解码任务、统一的预处理流程和固定的评估划分放进同一个基准，结果发现：预训练系统在自己那套预处理流程里通常能赢过基线，可换到别的机构数据上，传统频谱基线的表现依然有竞争力。更值得注意的是，把其他受试者或其他机构的数据增加到25倍，相比只用同一场次数据训练，提升依然有限，甚至要看具体任务。

可穿戴神经技术与脑机接口应用，包括辅助交互界面和临床监测，都希望用上单通道脑电，因为电极少、佩戴负担轻。但单通道脑电信号中的肌电、眼电和运动伪迹难以去除，尤其在缺少辅助通道、伪迹标签或人工挑选的干净基线片段时。SPAR-EEG框架无需这些额外条件，对每个脑电分段施加三段针对特定伪迹的衰减处理：基于变分模态分解的一段处理高频肌电爆发，基于奇异谱分析的两段分别处理眨眼样眼电瞬变和缓慢运动漂移。它在26个信噪比水平上均取得最优伪迹区信噪比改善，并在仅用FP1和FP2两个导联的P300拼写任务中把最终准确率提高7.8个百分点。

在一台右侧旁矢状窦脑膜瘤切除手术中，4个Layer 7 μECoG阵列共4096个电极被放置在中央沟两侧，记录5种对侧刺激下的体感诱发电位。按2 MΩ阻抗标准，3739个通道可用，通道有效率91.3%；相位反转潜伏期分别为19、21、25、26和25毫秒，与同一台手术中标准术中定位结果一致。研究者指出，该配置提供的是密集空间采样，而非亚毫米级生理分辨率——实测响应在约3至4毫米皮层范围内相关。

训练一个能读懂大脑信号的解码器，通常要为每一位新受试者重新采集大量带标注的数据，这既费时，对患者也是负担。这项研究提出的MAPA方法先用跨受试者累积的未标注颅内脑电记录做自监督预训练，再迁移到新受试者身上。难点在于颅内脑电的电极触点位置和神经解剖结构因人而异，MAPA在常规掩码自编码器上加了两种空间编码——解剖区域嵌入和相对位置编码。在跨受试者测试中，只需约164次带标注的试验就能达到原本需要3500次才能达到的准确率。研究团队称，MAPA在Neuroprobe基准的会话内、跨会话和跨受试者三种模式下都刷新了最好成绩，且无需微调。这意味着未来植入式脑机接口的校准过程可能大幅缩短。

手指在大脑运动皮层里的代表区挨得很近，从头皮脑电里分辨单根手指的动作一直很难。研究团队先用同步采集的脑电与功能核磁数据学出一套频谱投影，再用核磁给出的类别几何结构去修正脑电预测。12名健康受试者的测试中，两分类动作执行的组平均准确率从66.93%升到74.53%，三分类从44.83%升到56.58%；运动想象任务上两分类从80.78%升到85.63%。推理阶段只用脑电，不需要配对的核磁数据。

P300脑机接口拼写器常被设计成把多个各自有效的组件全部打开，默认组件越多性能越好。一项预印本研究用四组件全因子试验检验了这个假设：组件的价值是有条件的，而不是可叠加的。受试者校准是最强的单一贡献者；欧几里得对齐能在零校准设置下弥补校准的缺失；把各自有用的组件叠加起来反而可能拉低性能，作者称之为组件反协同。语言模型的支持也并非普遍有益，其效果强烈依赖底层脑电流水线的强度。

10名母语为汉语的受试者朗读6个单元音韵母，同一套任务下同时记录光泵磁强计脑磁图与脑电。在刺激后150至500毫秒窗口内，OPM-MEG在全部5种分类器上的解码准确率都显著高于脑电。表现最好的组合是共空间模式（CSP）特征加线性支持向量机，OPM-MEG平均准确率60.3%，脑电56.7%。这意味着无需植入电极、也不限制头部活动的语音脑机接口，可能有一条比脑电更清晰的信号通路。

研究者让乘客在高度自动化车辆中观看驾驶场景，同时记录脑电信号，训练模型判断前方是否存在风险以及危险出现在哪里。3D-CRNN在风险预测任务上达到95.3%±2.7%的平衡准确率，危险识别从80.9%提升到85.0%；跨被试测试中，模型对未见过乘客的平衡准确率降至64.9%±8.5%，说明离实际部署仍有距离。

用脑机接口控制虚拟化身时，参与者报告：想象自己在慢跑，比想象右手张开更能产生“这个身体是我的”的感觉。但脑电信号本身，慢跑想象反而更弱。实验中，行进由头皮脑电中与运动想象相关的运动感觉节律事件相关去同步控制，方向由眼动控制，参与者在弯曲赛道上操纵一个以慢跑姿态前进的虚拟化身，随后用问卷评估对化身的具身感。研究团队认为，这提示脑机接口不能只看信号强度，还要看动作与想象是否一致：神经信号强度与具身体验可能出现分离，想象与动作的一致性应当与常规解码指标一并考虑。

研究团队把脑机接口的攻击面拆成五个方向：伪造神经信号、靠去同步规避检测、重放劫持、窃听（Vein Tapping）和嵌入式后门。他们用自建的EEGle框架跑出17个新的神经特异性攻击实例，并发现后门设计存在一条隐蔽性与有效性的取舍曲线。研究还指出，生成式AI正在拉低非专业攻击者的门槛。该研究为预印本，尚未经同行评审，作者为Zahra Tarkhani、Georgios Akkogiounoglou、Lorena Qendro、Isabel Tscherniak和Anil Madhavapeddy。论文把这一攻击类别命名为NERVE Attacks，称五个维度相互正交，合起来覆盖完整的脑机接口技术栈。团队将EEGle提供给社区，用于构建和验证这类设备的安防能力，并把风险概括为认知自主权、心理隐私和人身安全三点，具体情形包括神经数据外泄，以及脑机接口所连接的外部设备被恶意控制。

看视频时，人眼盯着一个点不动，大脑仍会追踪画面里运动的物体，注意力越集中，这种追踪越强。但鲁汶大学团队发现，物体离注视点越远，脑电信号对运动的追踪就越弱——这意味着以往靠追踪强度判断注意力的解码方法，可能把「物体在哪儿」误当成「注意力在哪儿」。

脑机接口要实用，信息传输率（ITR）是关键指标。中国医学科学院北京协和医学院团队提出一种结合表面肌电（sEMG）与稳态视觉诱发电位（SSVEP）的混合脑机接口系统，用120个闪烁频率和4种手势编码480个目标。在线实验中，平均分类准确率达84.55 ± 7.23%，平均信息传输率达260.07 ± 30.41比特/分钟。该系统指令集大小与现有最大目标数系统相当，性能位居前列，为大指令集脑机接口的实现提供了技术参考。研究由生物医学工程研究所团队完成，发表于2026年9月7日的《Cognitive Neurodynamics》。

一项新研究提出了一种紧凑的混合深度学习模型，用于四类运动想象脑电信号的分类。该模型结合了空间卷积滤波、双向时序建模和注意力机制，在BCI Competition IV Dataset 2a数据集上取得了83.89%的平均准确率，优于传统基线方法。研究者认为，双向时序建模和注意力加权能提升脑电运动想象分类的稳健性，有助于脑机接口在运动障碍患者辅助中的应用。该模型采用端到端框架，在公开数据集上验证了其有效性，为资源受限场景下的脑机接口信号解码提供了高效方案。

言语想象（SI）脑机接口的解码结果可能难以复现。一项全面评估发现，复现已发表研究的解码流程时，分类准确率平均比原始报告低11.25个百分点，差异范围在2%到39%之间；在复制分析中，仅36%的SI参与者达到统计显著性阈值，远低于运动想象（MI）数据集的91%。该研究由英国埃塞克斯大学团队完成，于2026年9月4日发表于《Journal of Neural Engineering》，是首个同时评估SI解码可重复性与可复现性的研究。结果显示，所有被评估的SI研究都存在方法学细节缺失，SI作为实用脑机接口范式的可行性可能被高估，这对依赖该范式的临床应用和后续研究具有警示意义。

一项于2026年9月3日上传至arXiv的预印本公布了2026年PNPL竞赛的任务设定。该竞赛基于扩展的LibriBrain100数据集，包含32名新增被试，每人约40分钟数据，并新增约80小时的个体内数据。竞赛设2个赛道，Deep赛道关注个体内词分类，追求最佳性能；Broad赛道关注跨被试泛化，将个体微调数据从约40分钟逐步减少至20分钟、10分钟，接近临床可行范围。2025年竞赛的获胜者在语音检测和音素分类任务上分别达到95.6%和73.6%的F1分数。该预印本未经同行评审。

一项预印本研究显示，通过无线植入式神经接口（Brain Interchange, BIC）结合伪迹消除算法，在10名耐药性癫痫患者的24小时颅内脑电记录中，保留了约82%的临床级放大器检测到的高频振荡（HFO），并以84%的敏感性和90%的特异性定位癫痫发作起始区，与临床级设备相当。该研究为慢性追踪致痫网络及未来生物标志物引导的自适应神经调控提供了转化框架。

一项预印本研究显示，从脑电图（EEG）提取的空间协方差特征能在操作员做出反应前预判其决策是否正确，且该信号在高认知负荷下有效。在虚拟现实目标检测任务中，23名参与者分别在高、低负荷条件下操作。当团队规模从2人增至16人时，利用该神经信号对投票加权，使争议试验的准确率从57%提升至88%；但在低负荷下反而有害。研究指出，基于EEG的决策可靠性信号并非通用的团队增强工具，而是依赖于工作负荷的条件性信号，这对协作脑机接口系统在实际团队中的部署时机与方式具有参考意义。该预印本上传至arXiv，尚未经过同行评审。

一项预印本研究提出，通过逐层对比学习选择CLIP模型的中间层作为神经可见性最优层（NVOL），可改善脑电（EEG）信号与图像语义特征之间的跨模态对齐。在THINGS-EEG数据集上，基于NVOL的200-way图像检索平均Top-1准确率达78.1%，结合CSLS后升至86.4%。该框架还把检索与生成耦合，利用条件扩散先验重建受试者特异的NVOL特征，再映射至CLIP空间驱动Stable Diffusion XL生成图像，在语义与结构指标上优于单阶段末层扩散。该研究2026年9月2日上传至arXiv，尚未经同行评审。

语音脑机接口（speech BCI）将神经活动转化为语言，有望帮助瘫痪患者恢复沟通。然而，由于不同系统使用不同的数据集、记录方法、语音类型和词汇表，其报告的准确率等指标难以直接比较。研究人员提出开放词汇互信息（OVMI），一种信息论度量，用于在统一尺度上评估不同系统的通信能力。研究表明，仅基于系统支持词汇计算的准确率等常规指标可能高估系统传达用户意图语音的能力。通过选择最大化OVMI的词汇，在3个语音领域中实现了最高16.3%的相对准确率提升。该研究以预印本形式发布于arXiv，尚未经过同行评审。

广州海事大学、广东工业大学与广州大学的研究团队用遗传算法结合贝叶斯线性判别分析，从传统8通道P300脑机接口里选出一组泛化能力强的固定3通道组合，免去逐人重新校准。该研究2026年9月1日发表于《Biomimetics》。48名健康受试者完成了离线和在线虚拟现实实验，结果显示3通道系统的准确率和信息传输率与8通道系统相当，没有明显的性能下降，设备准备时间从30分钟缩短到3分钟，减少90%。NASA-TLX负荷评估显示用户的心理和生理负担明显减轻。研究者称，这一少通道策略在保住核心交互性能的同时改善了用户体验和系统实用性。

西北工业大学研究团队提出面向脑电大模型的混合式分词器SEDAT，把挤压激励空间聚合、数据自适应高斯平均滤波分解、瞬时频率引导的自适应切分和傅里叶域重采样整合进一条流程，解决现有切分方法边界与神经状态不对齐、忽略通道间空间信息、难以跨范式通用的问题。该研究2026年9月1日发表于《Journal of Neural Engineering》。在覆盖运动想象、P300、睡眠分期和癫痫等范式的10个脑电数据集上，用LaBraM、EEGFormer、EEGPT和NeuroGPT这4个大模型评估，SEDAT相比固定长度窗口的分类准确率最多提高15.3%，比其他方法中最好的一个高1.2%至4.6%。

一支研究团队在arXiv上传预印本，提出名为EEG-AS的实例级算法选择框架，把脑电基础模型的挑选问题下沉到单条样本一级。近年脑电基础模型在各类神经解码任务上表现见长，但没有任何一个能在所有数据集、所有样本上稳居最优，而逐样本选模型这一环此前少有人做。EEG-AS用推理阶段即可获得的脑电潜在表征、手工神经生理特征以及一个锚定基础模型刻画每条样本，训练阶段学习从特权预测标记中重建其余模型不可得的行为，推理阶段直接估计这些行为，不必把候选模型逐个跑完，即可在7个脑电基础模型之间完成挑选。研究者称，公开脑电基准上的实验显示，该框架显著缩小了单最佳求解器与逐样本理想上界之间的差距。该文为预印本，尚未经过同行评审。

研究者提出名为U2Multi-UDA的统一多层级多源无监督域适应框架，用来缓解运动想象脑机接口长期存在的两个障碍，即被试之间差异大、目标域标注数据稀缺。作者称，既有方法大多只在域对齐、特征交互或模型微调其中一个层级上着力，跨域适应因此并不完整。该框架把三个层级并入同一条流水线，先由最优传输对齐源域与目标域分布，同时以互信息估计各源域对目标域的相关性权重；再抽取脑电时空特征并经多源交叉注意力融合，由相关性权重引导跨域特征融合，用伪标签强化目标域特征学习；最后以分段权重分解低秩适应完成参数高效的目标域微调，抑制过拟合。在两套公开数据集与一套自建数据集上，该方法较各自表现最好的基线平均准确率分别提升2.69、1.89、3.83个百分点，Kappa值同步改善。

人工智能正把脑机接口从特定任务的神经解码器变成能补全语言、平滑运动、调节康复支持并调整刺激的自适应系统。一位独立研究者警告，这类系统可能过度优化短期成功指标，偏离用户的长期目标。该研究者将这种闭环失效模式定义为“神经适应过拟合”，并提出按解码器证据、不确定性、临床风险、疲劳及用户目标来调节AI辅助节奏的框架，区分快速辅助、谨慎辅助与慢速辅助，覆盖通信、运动控制、神经康复和闭环神经调控等应用。文章强调，评估此类系统不应只看解码准确率和任务表现，还要看AI辅助何时自主行动、何时寻求确认、何时保留用户努力或交还控制权。