神经信号解码

一项研究于2026年8月31日发表，使用统一脑电预处理与公共空间模式特征提取流程，在三个公开数据集上评估五种机器学习分类器，结果见《Journal of Computers, Mechanical and Management》。脑机接口系统通过分析脑电图信号在人脑与外部设备之间建立直接通讯，而作者指出脑电分类模型性能与泛化能力高度依赖数据集特性、受试者差异及评估参数。实验显示同一算法在不同数据集间表现悬殊，暴露了脑电解码研究长期存在的可比性缺口。

脑机接口（BCI）分类器通常需要针对每位用户校准，限制了实际应用。美国科罗拉多大学博尔德分校的研究人员提出一种名为ERP-XTTN的跨注意力架构，在无需校准的条件下实现跨被试的事件相关电位（ERP）分类。在三个公开数据集、八种ERP成分的评估中，三通道设置下其平均AUROC与最佳基线仅差0.025。该研究发表于《Journal of Neural Engineering》。

昆明理工大学团队在《生物医学工程学杂志》发表论文，系统分析脑机接口固有局限对能力边界的约束机制。研究指出，神经编码动态性、个体差异、低信噪比、部分可观测性和范式依赖性共同构成能力边界的形成基础，并在神经信息、人因和系统三个层面表现为解码精度、信息传输率、复杂意图解码、用户体验及系统稳定性等的上限。团队提出信息增强、自适应解码、人机协作和系统优化等策略，认为性能提升关键在于增强神经信息利用，而非克服底层局限。该研究为理解脑机接口性能天花板及未来提升路径提供了理论参考。

脑电信号只有微伏级，眨眼、咬牙、肌肉活动都会混进来。天津大学与天津工业大学的研究人员提出MTGNet框架，在保留下游任务所需信息的前提下压制伪迹：在公开数据集EEGDenoiseNet上，肌电、眼电和混合伪迹的频谱相对均方根误差分别降低18.9%、31.5%和14.0%；在真实疲劳脑电数据集上，分类准确率比未处理输入提高6.20至6.69个百分点。该框架只需0.33M的LoRA参数即可适配新任务，不需要成对的干净脑电参考。

一篇预印本提出了一种名为冯·诺依曼状态空间Transformer（VN-SST）的模型，用于神经解码。该模型在三个运动皮层神经解码基准上比现代Transformer更高效，尤其在数据稀缺的情况下表现突出。

脑机接口（BCI）正在从神经科走向骨科康复：一篇综述指出，通过解码运动相关神经信号并建立中枢与外周之间的闭环反馈，BCI可增强皮质脊髓束兴奋性、诱导神经可塑性，从而改善因中枢运动驱动不足导致的术后肌肉抑制和功能障碍。现有证据表明，基于运动想象的BCI训练可提高前交叉韧带重建术后股四头肌的自主激活率，减少肌力损失。但综述也指出，其临床转化仍面临机制证据不足、患者异质性高、训练方案缺乏标准化等挑战。该综述由暨南大学附属第一医院等机构的研究人员完成，发表于2026年8月25日的《中国修复重建外科杂志》。

一项新研究提出一种可解释的脑机接口（BCI）框架，将情感状态识别与脑电（EEG）信号解码相结合，用于实现情感感知的意念转语音（thought-to-speech）。该框架在公开的想象语音EEG数据集上进行了测试，采用受试者独立设置，评估了分类准确率、精确率、召回率、F1分数、推理速度和可解释性。结果显示，与传统不透明模型相比，该方法持续提升了解码可靠性，并提供了清晰、具有临床意义的见解。研究为瘫痪、肌萎缩侧索硬化症、闭锁综合征等影响自然言语的患者提供了辅助沟通工具的实际基础。

天津大学团队提出一种基于图神经网络的联合优化框架，能在运动想象脑电解码中自动选出少量关键通道，同时保持与全通道相当的分类精度。研究发表于《混沌》（Chaos），在三个数据集上验证，包括BCI Competition IV 2a、High Gamma及新采集数据。这一方法有望降低脑机接口系统的复杂度，推动其在神经康复等实际场景中的应用。

一项预印本研究将参数化量子电路作为残差侧车模块集成进ResNet-50主干，用于31类神经群体解码（想象手写分类）。在受控条件下，主干梯度训练的侧车变体在3/4种子中提升了准确率，并一致降低了与基线特征的线性CKA相似度，表明表征发生了结构性重组。研究未声称量子计算优势。

运动想象脑机接口一直有两个老问题：不同人之间差别大，能分出的指令少。这项研究让使用者先用眼睛看目标完成选择，再用想象动作确认，把两步合成一步。15名健康参与者、16通道脑电的测试中，混合范式在所有通道配置下都优于单纯运动想象，最高准确率达到100%。研究还发现，注视目标本身能让脑电反应更稳定，这为减少电极数量、降低设备门槛提供了依据。

异步稳态视觉诱发电位（SSVEP）脑机接口在真实控制中潜力很大，但脑电信号与固定相位模板之间的相位偏移常拖累性能。研究者观察并验证了相位滑动振荡现象，据此提出异步分类方法PSO-AC，把脑电重构为不同初始相位的序列，经同步压缩小波变换提取相位解耦特征，再由概率时序模型区分控制与非控制状态。离线实验（22人）中，2秒数据下平均判别准确率达94.2%，优于现有基线；9分类任务在不同时间延迟下也保持优势。在线机械臂实验中，每次成功试验的命令成本从4.30降至1.14，指令触发更稳定、控制效率更高。论文2026年8月21日发表于《国际神经系统杂志》。

华东理工大学等机构的研究者提出名为EFS-Net的端到端融合网络，把脑电与功能性近红外光谱两种信号在多个尺度上对齐融合，以克服单一模态解码的局限。网络设三条互补分支：多尺度时间卷积分支捕捉脑电快速变化的皮层电生理特征，脑电空间分支构建经延迟补偿的皮层地形图以适配近红外较慢的血流动力学响应，空间校准的近红外分支把空间特征图与脑电对应特征动态融合。在词语生成和心算两个公开数据集上，采用逐被试留一次会话交叉验证，准确率分别为77.71%±8.23%和81.69%±9.49%。该研究2026年8月21日发表于《Cognitive Neurodynamics》。

基于脑电的运动想象解码是脑机接口的常用方案，但传统方法多用统一的宽频段或固定的一组子频段提取特征，难以适配不同被试的脑电差异，分类性能容易下滑。孟加拉国联合国际大学团队提出SSLFF框架，为每位被试逐一搜索并选取最优频段，动态融合互补频带，再叠加时间局部特征提取，在更宽的主频段上也能稳定工作。论文称，相比传统方法，SSLFF的分类准确率取得统计学显著提升，对系统参数变化保持稳健。这表明脑机接口解码的个性化不必以牺牲频段宽度为代价，为运动想象分类的落地应用提供了新思路。该研究2026年8月20日发表于《Journal of Medical Engineering & Technology》。

神经形态计算与脑机接口的结合，正催生一类更省电、更小巧、能闭环工作的神经技术。一篇近日发表于《npj Biomedical Innovations》的综述提出“脑启发脑机接口”（BI-BCIs）框架，将神经形态计算与脑机接口统一起来，目标是实现低功耗、闭环和小型化的神经技术。该框架有望推动神经假体和神经调控系统的发展，为治疗神经系统疾病提供新思路。综述由来自奥胡斯大学、斯坦福大学、南丹麦大学、热那亚大学、于利希研究中心和亚琛工业大学的研究人员共同撰写，于2026年8月20日发表。

手写想象脑电为脑机接口提供了一条无创的文本输入与复杂意图表达路径，但解码受低信噪比、非平稳性、跨会话分布漂移以及连续时间趋势与局部高响应模式并存等挑战制约。新网络DRDNet用平均池化与最大池化从空间脑电特征构造两个互补的时间视图，分别交给双向Mamba编码器与Transformer编码器建模，再经时间步级动态融合与长短期记忆时序聚合自适应整合。在公共手写想象脑电数据集的汉字笔画手写想象与拼音单韵母手写想象两个任务上，它平均准确率分别做到67.74%和62.51%，Cohen's kappa分别为0.5968和0.5502，优于7个代表性脑电解码基线。该研究2026年8月19日发表于《Journal of Neural Engineering》。

研究者提出多特征黎曼超图框架MRieHy，面向运动想象脑机接口解码的在线测试时自适应。框架先以跨天训练数据的协方差矩阵黎曼均值对齐多日分布，再分别以黎曼距离和余弦相似度构建协方差矩阵超图与深度特征超图，经自适应权重融合并与标签投影矩阵联合优化。在线测试时，MRieHy维护近期样本的先进先出缓冲，对缓冲数据执行黎曼对齐后解码。实验在私有四类ECoG数据集与两个公开四类EEG数据集上验证，MRieHy较现有最优基线取得明显性能提升，研究者认为该方法可改善临床运动想象脑机接口的跨天可迁移性与在线运行能力。

一项新研究提出结合脑电（EEG）与视觉注视的双模态AI模型，用于同时评估学习者的注意力和认知负荷。该模型在注意力识别上准确率达91.8%，认知负荷评估准确率为89.4%，并在公开数据集上验证了其泛化能力。研究旨在解决在线学习中单一生理信号易受环境噪声干扰的问题。

瓦博科技2026年8月14日发布官方消息，聘任中国科学院深圳先进技术研究院研究员、深圳理工大学杰出教授党建武（Jianwu Dang）为科学顾问委员会成员，并担任联合科学家。党教授的研究涵盖语音科学、语音信息处理、对话理解与语音认知的神经机制，曾任国家重点基础研究发展计划（973计划）项目首席科学家，也曾在日本北陆先端科学技术大学院大学任教。合作将围绕人类意图背后的认知机制、计算特征表示与多模态信号展开，在脑电、肌电、语音、文本和任务情境上建模，考察换用户、换任务后的稳定表现与安全拒绝，最终把高层次的人类意图转化为受控的机器动作。

该预印本2026年8月13日上传至arXiv，提出一种把卷积神经网络与双向长短期记忆网络结合的混合深度学习架构，用于运动想象脑电信号解码。研究者指出，运动想象脑机接口被视为在大脑与外部设备之间建立灵活通信通路的可行途径，但脑电记录噪声大、与底层脑活动的关系复杂，可靠解码始终困难。在该架构中，卷积网络直接从原始运动想象脑电中学习高层空间与时间表征，双向长短期记忆网络则对所提取特征之间的时间依赖关系建模。研究者在一个公开数据集和一个自行采集的数据集上评估该方法，报告其在二分类与三分类运动想象任务中均表现稳健，并展现出跨被试解码的潜力。该研究为预印本，尚未经过同行评审。

一篇新发布的预印本提出脑电-语言基础模型BLPM，将异质EEG解码任务统一为连续语义嵌入预测问题。