神经信号解码

一项研究提出层级对齐框架，探索结合脑电信号与上下文，检索被阅读的句子。研究聚焦句子级脑电到文本分类，而不是直接生成句子，也不是仅凭脑电识别任意思想。作者指出，以往不少解码研究围绕音素、字母和单词展开，而句子能够承载更完整的语义；在句子级任务中，分类受到的研究关注又少于生成。该框架旨在研究脑电与文本的对应关系，为如何选择句子检索或生成路径提供研究方向。非侵入式辅助交流是其应用背景，不代表已验证沟通障碍人群的使用效果。

五邑大学等机构提出一种融合脑电与功能性近红外信号的方法，在公开数据集的心算、运动想象和情绪识别任务中，平均准确率较最佳基线分别高2.34、0.59和1.47个百分点；后两项差异未达到统计学显著。该方法尝试区分两类信号共有的信息与各自特有的信息，再将其组合用于任务预测，以处理多模态信息重复、时间与空间关联难以充分提取的问题。作者将结果解释为改善混合脑机接口解码的证据，并认为方法具有较强泛化能力。这里的结果来自公开数据集任务评估，不等同于已经验证实时使用或临床应用效果。

研究提出VARY学习框架，处理脑电情绪识别中整段记录的情绪标签未必适用于每个短片段的问题。方法通过两阶段筛选寻找标签较可靠的片段，并结合针对脑电的数据增强。研究在两个公开数据集上，采用三种网络架构和多种标签噪声设置进行评估。作者报告，相比表现最佳的基线方法，DREAMER和SEED上的最大准确率提升分别为11.54%和5.39%。这些结果来自数据集测试，反映的是特定测试条件下的最大增益，而非所有设置下的平均提升。

奥尔堡大学作者开展的一项概念验证研究，让10名没有脑机接口使用经验的健全参与者，通过实际舌部运动或想象舌部运动控制二维光标。系统识别运动相关脑活动，再由状态机提供上、右、下、左四个方向选项。实际运动条件下，所有参与者均成功控制，完成率为96.0 ± 4.9%；运动想象条件下，7名参与者实现控制，完成率为41.0 ± 36.2%。成功试次的平均完成时间分别为30.8 ± 17.6秒和66.5 ± 26.8秒，后者仅来自至少成功一次的7人。实际运动可能引入的肌电伪迹尚未排除。这是健全参与者中的可行性测试，并非严重运动障碍人群的疗效验证。

昆明理工大学等机构的研究人员提出脑机接口基础研究理论体系，从信息论和统计决策角度，将脑机接口描述为闭环概率信息处理模型。研究关注系统能否解码、性能边界及动态约束机制等基础问题，构建了包含科学假设、神经科学原理、基本定理和基本定律的理论结构，并推导出四项可指导实验设计的结果。论文以运动想象脑机接口为参照说明应用边界。作者希望这一体系为基础研究提供统一分析基准，支持从经验驱动的算法优化转向理论驱动的系统分析与设计。

一篇综述梳理了研究大量神经元共同活动的分析工具，并讨论这些活动形成的低维结构如何帮助理解感觉、工作记忆、决策和运动转换。作者强调，不同认知信号可以沿相互分离或近乎正交的群体维度表达，从而减少干扰；这种分离并不意味着神经元必须分属不同细胞类别，同一群神经元仍可对多种信息作出混合响应。文章还讨论了如何用循环神经网络检验机制假设，以及皮层内脑机接口如何将群体活动的几何结构用于控制。文章为综述，不报告新的临床疗效试验。

研究团队提出一种筛选信号时滞的方法，用于判断一个信号的历史信息在多长延迟后，对另一个信号的预测最有帮助。在三个既有猴实验数据基准任务中，使用该方法选择的时滞获得最高或并列最高的决定系数R²，平均R²相比最强竞争基线提高4.1%。该方法名为ATEMPO，可通过一次训练估计不同历史深度和时间位置的信息关系，减少逐项重新拟合的需要。在具有已知时滞的数据集上，其时滞检测准确率为0.98±0.04。这些结果反映的是数据集任务预测表现，不是人体临床疗效。

衡阳师范学院与重庆第二师范学院研究人员合作提出轻量脑电解码模型NCEL，并在五个基准数据集上评估。模型在BCIC IV-2b上的平均分类准确率为82.75%；相较EEGNet参考值，在P300和BCIC IV-2b上的平均表现分别提高12.53和9.54个百分点，参数量约为0.008M。不过，在同一受试者、不同采集会话相互分离的额外评估中，模型在BCIC IV-2a上的跨会话表现与EEGNet相当，在BCIC IV-2b上的平均提升为1.80个百分点。研究展示了紧凑模型的分类能力，更广泛的跨会话泛化仍需验证。

香港中文大学（深圳）等合作团队提出OneEEG，利用专门脑电训练和任务感知特征对齐处理多任务脑电问答。标准19通道任务同时输入数值信号与波形图，非标准通道任务只输入图像。在OneEEG-Bench有限候选答案测试中，总体准确率为65.67%，宏平均为68.24%；基线GPT-5.5总体为50.39%。基线仅接收图像与文字，训练和输入条件不同，不能据此认定通用模型能力或临床诊断优劣。

北京工业大学等研究者提出REFS方法，在部分情感标签缺失时，从多类脑电特征中筛选用于多维情感识别的信息。该方法一边重建不完整的情感标签，一边减少所选特征间的冗余，旨在缓解高维特征与高质量样本较少带来的建模困难。在脑电通道配置不同的DREAMER、DEAP和HDED三个数据集上，研究设置了不同标签缺失比例。结果显示，REFS在这些条件下的脑电情感特征筛选稳健性均优于所比较的13种先进方法。这些发现来自数据集评估，不等同于实际情感脑机接口部署效果已获验证。

加州大学伯克利分校、南加州大学和微软研究院团队提出MtReNIRS，在12个公开近红外数据集、268名受试者约567小时记录上预训练，再在三个未见外部数据集测试。模型对齐不同探头布局，用于跨受试者迁移及每类2至8个标签的个体内校准。全文显示，跨人结果并非在所有数据集上均显著优于全监督基线，少样本收益也因数据集而异。设备、任务和布局差异共存，跨设备效应未被单独隔离。

研究团队提出脑电解码模型压缩框架ORBITAL，同时评估模型抵抗对抗攻击的能力和实际硬件开销。在BCI Competition IV-2a数据集的九名受试者、三个随机种子实验中，S25-TRADES在所测压缩EEGNet模型中取得最高的平均真实并集稳健性：23.06%，标准Full模型为21.27%；参数量和乘加运算量分别减少26.27%和25.10%。硬件测试也显示，降低数值精度不一定更省电、更快：原生INT8配置的延迟和能耗约为FP16的两倍。这些测试不等同于实际使用中的全面可靠性验证。

日本电气通信大学的一项研究提出，无需训练模型，也可通过反复随机采样和粘贴脑电信号，增强稳态视觉诱发电位分量，帮助视觉脑机接口识别目标指令。在合成信号和公开基准数据集实验中，该方法在所有受测信号长度下均优于传统方法，信息传输率最高提升11.30bit/min。稳态视觉诱发电位是大脑对周期性视觉刺激产生的持续响应，可用于判断用户注视的目标。研究针对学习型方法需要训练数据、前期成本较高的问题，探索免训练的信号处理途径；上述增益来自信号和数据集实验。

布法罗大学作者评估脑机接口与眼动追踪结合的辅助沟通系统。眼动先缩小目标范围，再由脑信号确认选择；实验报告其选择速度快于单独脑机接口，控制表现优于单独眼动，并减少误选和纠错负担。

南洋理工大学研究者将脑电与肌电的时序关系融入手势识别网络。在12人和20人两个数据集的跨使用者测试中，准确率分别为87.6%和89.2%，比最强对照方法高9.4和9.1个百分点。适应新使用者时无需带标签的个人数据，研究对象为健康年轻成人。

埃塞克斯大学团队记录14名参与者根据语言线索检索概念时的脑电，比较食物、乐器和身体部位三类概念。三个两两分类任务的平均准确率分别为73.4%、70.7%和68.2%。模型先用其他人的数据学习，再用待测参与者自己的带标签数据校准。

浙江工业大学团队提出MOPC，让运动想象脑电解码器在接收新信号时调整参数，无需重新访问原训练数据。作者报告，在BCI IV IIb和OpenBMI上的性能分别比先前方法提高2.22%和3.67%，每试次自适应耗时约40至60ms。arXiv页面注明论文已获《IEEE Transactions on Instrumentation and Measurement》接收。

牛津大学团队比较6种重复信号聚合方法，在7个场景中有6个由训练时分类分数平均领先。主要音素比较合并100次同类试验，公开测试集上复测的平衡准确率为64.1%，比冠军模型高17.4个百分点。实验使用脑磁图记录，研究为预印本。

西安交通大学等机构团队开发E-STACNet，在同一网络中处理脑电通道的空间关系与时间变化。在BCI Competition IV 2a和Giga DB上的平均准确率分别为88.00%和80.62%；DEAP情绪效价与唤醒度分类分别为96.49%和96.46%。

华中科技大学提出KDHNet，将解析信号处理与神经网络结合，用于校准数据较少时的SSVEP视觉脑电解码。在三个公开数据集的受试者内比较中，15个分析窗设置中的14个及全部10个校准比例设置，其平均准确率和信息传输率在所比方法中最高。跨人评估位列第一或第二，但对齐仍需目标受试者每类一个带标签试次。结果来自数据集实验，不能视为零校准系统已验证。

同济大学、蚂蚁集团和上海交通大学等机构作者提出NeuroAct脑电研究智能体。在经验复用实验中，BCIC-IV-2a平衡准确率从34.66%升至50.81%，大语言模型词元消耗减少64.02%。研究还评估通用分析、跨任务优化、单任务研究和协作预测，成果以预印本发布。

研究团队提出了一种运动想象脑电分类框架，在两个竞赛数据集上测试，并部署到NVIDIA Jetson Nano。按受试者依赖协议评估时，该方法在BCIC III IVa和BCIC IV 2a上的准确率分别为93.67%和79.14%；采用留一受试者法、测试对未参与训练者的泛化能力时，平均准确率分别为76.49%和55.50%。设备部署测试还报告了完整处理流程的延迟和吞吐量。这些结果展示了数据集分类表现及设备运行速度，但不能据此认定该方法已能改善运动障碍。

研究团队提出TriRouter框架，针对脑电通道稀少或受损时的运动想象分类问题，根据可用通道分配不同处理路径的贡献。在BNCI2014-001数据集上，相比研究中最强的受损脑电基线方法，该框架在名义缺失比例为25%、50%和75%的设置下，准确率分别提高3.68、4.02和6.46个百分点。作者还报告，该方法在按区域成组缺失通道及额外的低通道数数据集评估中仍有效。这些结果来自数据集评估，不能直接等同于实际使用中的脑机接口表现。

研究团队提出名为BEST的两阶段方法，将神经活动转换为文字，探索语音脑机接口是否必须依赖大模型。在Brain-to-Text '24和'25两项基准测试中，该方法的词错误率分别为6.19%和1.62%，参数量仅为可比方法的3.85%。词错误率衡量输出文字相对参考文本的错误程度，数值越低表示错误越少。作者的分析认为，扩大解码器并不总能带来更好的表现，神经信号、语音与文字之间的对应关系比模型大小更关键。这些结果属于基准测试表现，不能直接等同于日常交流效果。

把脑机接口计算从云端移到设备端，仍需在能耗、响应延迟和准确性之间取舍。一篇系统性综述梳理了用于脑机接口的边缘AI加速器，强调算法与芯片应协同设计：既要减少模型计算负担，也要降低数据搬运带来的开销。综述讨论了算法压缩、存内计算和类脑计算架构等路线，并将设备端自适应学习列为应对不同使用时段神经信号变化的重要机制。作者还提出结合隐私保护硬件与多模态传感器融合；这些属于技术发展方向，并非已经验证的临床效果或安全性结论。

研究人员提出一种从连续脑电记录中识别事件类别、同时估计起止时间的框架NeuroDETR，推理时不需要预先划定事件边界。它针对事件相关信号混杂在持续背景活动中的难题，结合不同时间尺度的信息与脑电通道之间的空间结构，并通过预测事件是否存在来引导特征处理。作者报告，该框架在八个涵盖不同范式的脑电数据集上取得了最先进的性能。这些结果来自数据集实验，研究面向的是连续交互和监测中的脑电事件识别，不能直接等同于实际脑机接口系统的应用效果。

研究者提出一种自适应选择脑电时间窗的框架，让运动想象分类不再只对每个片段独立决定保留或丢弃，而是结合事件阶段和前后片段关系进行选择。该框架为时间窗赋予丢弃、起始、持续或结束角色，并限制不符合阶段顺序的选择。作者报告，在多个基准数据集上，跨会话和跨受试者解码表现均得到一致改善。可视化分析进一步提示，学到的选择策略与神经生理原则相符。上述结果来自数据集实验，不能据此认定已在在线脑机接口使用中获得同样收益。本研究为预印本，尚未经同行评审。