神经信号解码

研究者针对运动想象脑机接口中的身份泄露问题，提出一种无需训练隐私模型的脑电数据变换：减少可用于关联同一人不同采集会话的特征。在两个公开数据集、覆盖四种协方差空间表示的五种攻击者测试中，识别能力最强的攻击者在BCI Competition IV-2a上的准确率从90.8%降至15.6%，在OpenBMI上从90.8%降至9.9%。代价是相较8—30Hz输入，运动想象解码准确率分别下降7.0和2.1个百分点。变换在一个会话上拟合后，原样用于未参与拟合的后续采集会话。本研究为预印本，尚未经同行评审。

一项验证研究把脑机接口可视化实验平台Nimbus Studio与独立手写的参考实现作比较，在三个公开数据集上测试六种解码流水线，覆盖运动想象和P300两类任务，以及同一受试者跨会话、跨受试者两种评估方式。确定性解码流程在54次按会话划分训练与测试数据的受试者测试，以及CSP、MDM分组交叉验证中均与参考结果一致，最大准确率差异为0.00个百分点；其余分组交叉验证结果的最大差异为0.06个百分点。随机深度模型的差异处于不同随机种子带来的训练波动范围内。这项研究检验的是平台计算结果与参考实现的一致性，而非人体临床疗效。本研究为预印本，尚未经同行评审。

研究者提出Neurons++，尝试从功能磁共振成像记录的脑活动中重建静态图像和动态视频，并检查生成内容与脑信号之间的联系。该框架先利用图像与脑活动配对数据预训练，再针对每位受试者分别微调图像和视频重建任务。作者报告，其视频重建在标准基准上达到当前领先水平，图像重建也具有竞争力。研究还通过神经信号扰动、皮层特征敏感性分析和特定脑区引导的语义调节，探索输出是否响应脑信号变化。这些分析提供的是模型行为层面的证据，不等同于已经证明生成内容忠实还原了人的视觉体验。本研究为预印本，尚未经同行评审。

研究者用自然语言描述待识别的类别，帮助模型学习脑信号与类别之间的对应关系，并在视觉、运动和语音解码任务中评估这一方法。研究覆盖七种编码器架构，使用头皮和颅内记录，各任务模型独立训练。与匹配的类别标签监督基线相比，语音解码准确率最多提高17.15个百分点。研究还报告，所学表征支持候选类别集合复用，以及有标签监督的受试者和会话适配；在稳态视觉诱发电位任务中，可在特定条件下解码训练中未见过的频率。这些结果并不代表一个统一模型已能直接完成全部任务，或无需标签即可适配新受试者。本研究为预印本，尚未经同行评审。

研究提出，不只把神经信号对应到预先定义的外部标签，而是借助大脑内在的先验约束，推断信号背后的认知状态。在涵盖5种神经记录模式、运动、感知和内部意念3个认知领域的解码实验中，该方法重新组织了神经观测的表征结构，生成的高层语义表征在不同任务间呈现一致的几何关系，并能从变化的神经观测中恢复稳定认知状态。作者据此提出，认知的相对稳定可能不需要固定的神经活动模式，而可通过对变化活动的推断来维持；这一解释应与实验观测区分。

给脑磁图语音解码加上下文先验，能提高整体准确率，但一项新研究提示，这也会让一部分本可纠正的错误变得更“自信”。研究团队在两个脑磁图数据集上追踪候选词得分变化，发现一种反转：正确候选原本排在局部前列时，融合后前两名的分差越大越可能被纠正；起始排名靠后时，分差越大反而更可能维持错误。在MEG-MASC上，整体判断正误的AUROC为0.87，而区分“纠正”与“残留错误”的AUROC从0.70跌到0.39；起始排名第20位之后的错误占融合后错误的46.6%。作者建议，置信度不应只读融合后的分数，还要保留局部与上下文证据；拆分后解码器可在74.5%的时间窗内作答，高于原来的56.7%。该研究为预印本，尚未经同行评审。

同一套脑电脑机接口换一个人、换一天使用，信号分布就会变，模型准确率随之下降，通常要让用户先做一轮带标注的校准。研究团队提出SPDAlign框架，从理论上说明由头部几何结构等因素造成的这类偏移，可以只靠对称正定矩阵空间里的线性变换还原。它先把各个数据域的均值对齐，再用一种名为Wasserstein Procrustes的最优传输技术校正整体旋转，不需要标注数据。研究者称，该方法在多个公开脑电数据集上表现具有竞争力，而且能指出起作用的频段和空间模式，便于解释。该研究为预印本，尚未经同行评审。

在嘈杂环境里，助听器能不能知道用户正在听哪个人说话？德国研究人员让受试者佩戴贴在耳朵周围的轻便脑电电极和便携式助听器研究设备，在坐着和走路两种状态下完成听觉注意任务。研究人员从脑电信号中还原受试者所关注的语音，结果与以往实验室研究的规律一致：只有一个人说话时还原得最准，两人同时说话时被关注的那一方次之，被忽略的那一方最差。不过行走条件下出现了与语音同步的伪迹，可能来自助听器线缆碰触电极，并影响了准确率。研究人员认为，这套轻便系统目前只在静止场景下证明了可行。

脑电信号会随佩戴时间、电极状态和被试状态漂移，实验室里校准好的脑机接口模型，用到日常场景往往很快就不准了。这份预印本把共空间模式（CSP）和基于黎曼协方差的方法放进同一套按时间顺序的评估流程：模型先预测，拿到真实标签后再更新参数。在4个公开数据集上，2个最大数据流里的14组模型与数据集组合中，13组准确率提升，相对冻结模型最高提升约18%。研究还用Shapley方法按时间块给数据估值，3个被分析的数据集中最近的时间块平均价值最高，较早的时间块仍保留正值——旧数据不是只能丢掉。

研究人员记录出声和想象发声时的脑电，尝试区分愤怒、快乐、中性、悲伤和愉悦五类情绪。出声实验纳入14名参与者，想象发声实验纳入21名参与者，单试次解码准确率分别为78.1%和36.4%，随机水平为20%。研究还在5名参与者想象发声时记录面部表面肌电，发现非自主肌肉活动参与形成了有助于分类的脑电频谱与空间模式，其中一种侧部通道模式在想象快乐发声时更强。这意味着，分类准确率不能全部归于脑源情绪信息，也不能把肌肉活动影响忽略为普通背景噪声。

ISAE-SUPAERO的一项研究测试了结合半干式脑电采集与视觉刺激的脑机接口。30名参与者完成标准屏幕上的11类键盘打字任务，系统使用33秒校准数据，准确率为99.8%，平均解码时间为4.3秒。在两次在线打字测试之间的2分钟观看视频空闲条件下，未出现误指令。研究还开展了虚拟现实概念验证，在线准确率为100%，平均解码时间为5.6秒。参与者主观报告两种条件下视觉舒适度较高、周边干扰较少，但虚拟现实中的疲劳更高；短时空闲测试不能代表长期使用表现。

唤醒度是大脑和身体的紧张、警觉程度。多数基于唤醒度的脑机接口靠脑电（EEG）来读，但唤醒本质上受自主神经调节。研究人员用一个公开的模拟飞行任务数据集做离线分析，发现心率、心率变异性、呼吸、皮肤电活动和瞳孔直径这些外周生理信号训练出的解码器，受试者内曲线下面积（AUC）达到93.0%，高于仅用脑电的85.2%和原始滤波器组共空间模式解码器的79.8%。只有外周信号解码器重现了唤醒度与表现之间的倒U型关系。研究还发现，脑电神经反馈并未改变整体唤醒轨迹，其作用可能来自任务关键时刻的调节。该研究为预印本，尚未经同行评审。

注视不同频率闪烁的目标时，大脑视觉皮层会产生同频的脑电响应，即稳态视觉诱发电位（SSVEP），脑机接口可据此判断用户想选哪个目标。这类系统通常需要用户先花时间做校准，数据越多越准，但也更易疲劳。研究团队提出一种名为SCR-FTSDNN的深度卷积神经网络，把脑电信号转到频域后再提取时间与空间特征，并加入空间与通道重建模块。在Benchmark和BETA两个公开数据集上，作者报告该方法识别准确率和稳定性优于多种现有方法，在校准数据有限时优势尤为明显。论文摘要未给出具体数值，结果来自离线公开数据集测试。

人的情绪很难单靠脑电读准：脑电信号容易受噪声干扰，而语言模型能读懂文字里的情绪，却看不到大脑里隐含的变化。这项研究把两者结合起来，用脑电数据和多语言文本共同判断情绪。作者报告，融合模型的情绪识别准确率为89.7%，高于单用脑电的75%和单用文本的79%，F1分数为0.88，平均推理延迟180毫秒，可用于实时识别。摘要未说明受试者人数与所用数据集。

脑电基础模型在预训练时通常只见过固定的一套电极布局，换一种电极排布就难以直接沿用。研究人员提出轻量级适配器CortexBridge，把脑电特征与电极坐标、脑图谱坐标结合，将任意电极布局映射到一个共享的皮层潜在空间，相当于先把信号对齐到大脑皮层，再交给预训练模型，模型本身不做改动。在公开基准库MOABB的5个脑机接口数据集上，配合EEGPT、LaBraM、CBraMod这3个参数冻结的基础模型测试，15次评估中有13次性能提升，平衡准确率平均分别提升0.80%、0.70%和3.26%，12类稳态视觉诱发电位分类最大提升13.02%。该研究为预印本，尚未经同行评审。

非侵入式脑机接口想要读出连续的手臂动作，难点之一是单个受试者的数据里与任务相关的信号太少。研究人员用生成对抗网络（一种能“仿造”数据的人工智能模型），从功能相关的其他皮层区域合成初级运动皮层的人工信号，再拿去扩充训练数据。在受试者做伸手够物任务时记录的脑磁图数据上，扩充后的运动解码性能提高约10%（p < 0.05），即使没有真实的初级运动皮层信号，提升依然保持。方法还被用到一个运动想象脑机接口竞赛数据集上，用于提高分类准确率。

研究汇集前70名植入解剖顺应性薄膜神经接口患者的高分辨率表面电生理记录，在共同解剖框架中构建人类中枢神经系统功能图谱。接口放置于超过100个位置，累计涵盖超过100,000个电极部署，记录范围包括运动、感觉、语言等功能区域，以及脑干和脊髓。跨参与者汇总后，记录呈现手指表征的空间排列、运动相关频段变化及任务调节的神经群体活动。研究还演示了实时神经假体控制，以及对口语、面部运动和情绪表情相关皮层活动的解码。这是跨患者整合记录的图谱路径，并非在单个患者中同时读取整个中枢神经系统。本研究为预印本，尚未经同行评审。

色觉检查通常依赖受试者主观作答，而脑机接口可以直接读取大脑对颜色差异的反应。受试者注视在两种光源间交替闪烁的刺激，两种颜色看起来差别越大，脑电中的稳态视觉诱发电位就越强。已有系统在色彩空间里均匀取样、同一位置重复测量取平均，准确但耗时。研究团队提出闭环系统MetaIDNet，用高斯过程回归和神经网络决定下一步测哪里。离线实验中，它在保持精度的同时把评估速度提高70%；在线实验中，它在速度不变时把精度提高40%。离线和在线实验分别只有10名和8名参与者。

在嘈杂的房间里，大脑会专注听其中一个人说话，这被称为“鸡尾酒会问题”。助听器和脑机接口如果能从脑电信号中读出用户在听谁，就知道该放大哪个声音。研究人员提出名为NEUROTOKEN的单一网络，用条件流匹配方法给候选声源打分。在KU Leuven、DTU和NJU三个公开数据集上，以5秒时间窗计算，识别聆听对象的分段准确率比最强的非生成式基线高出9%至16%，受试者间差异缩小约3倍。研究还发现，以往报告的95%至97%方向判别准确率，在训练与测试严格分开试次后会下降17%至45%。该研究为预印本，尚未经同行评审。

脑机接口康复对中风患者手臂功能有没有帮助，练多久最合适？南昌大学第二附属医院神经外科等单位的研究人员汇总了检索范围为1990年1月至2026年1月的26项随机对照试验、共1100名卒中患者，开展了一项荟萃分析。与对照干预相比，基于脑机接口的康复在Fugl-Meyer上肢运动功能评分、上肢动作研究量表、Wolf运动功能测试、改良Barthel指数等多项指标上有统计学意义的改善，但在下肢运动功能和起立行走计时测试上未见差异。剂量反应分析提示，训练时长与上肢功能改善呈倒U形关系，每次约48分钟时效果最大；作者认为其对下肢恢复的作用尚无定论，仍需进一步研究。

语音脑机接口想做的，是把与说话、语言或交流意图相关的神经活动转成文字、合成语音或虚拟形象的动作，帮失去说话能力的人重新交流。这篇综述认为，它并不只是一台把脑信号翻译成文字的解码器，而是一个会随时间变化的临床系统：神经表征、记录硬件、解码算法、语言模型、反馈和使用者自身的学习相互影响。作者提出，下一代语音脑机接口不能只比离线准确率，还要看跨天使用是否稳定、校准负担多重、延迟多长、能否表达不确定性、好不好用，以及能否防止把不想说的话解码出来。该研究为预印本，尚未经同行评审。

研究人员开发了一款名为BrainNet Studio的一体化工具包，把脑网络从构建、特征提取、预测建模到可视化的整套流程放进同一个框架。脑网络描述的是不同脑区之间在结构和功能上的联系，而现有工具大多只处理静态网络，难以刻画这些联系随时间的变化。该工具包集成了27种算法，涵盖深度学习、图神经网络和时空序列模型，并用大语言模型生成可由研究人员核查的连接摘要。开发者称它可服务于认知神经科学、脑疾病探索性研究和脑机接口研究。该研究为预印本，尚未经同行评审。

让屏幕上的闪烁块按阶梯方式逐步升频或降频，能不能当作新的脑控指令？一项纳入15名受试者的离线脑电研究显示，这类“阶梯式”变频闪烁可以被识别，但分类准确率没有超过传统的固定频率闪烁。三种刺激方式的平均归一化准确率分别为89.7%（固定频率）、85.6%（升频）和89.5%（降频），统计上差异不显著；6–10 Hz低频刺激的准确率为90.8%，高于41–45 Hz高频刺激的80.6%。连续3条指令的平均准确率为91.5 ± 9.6%，指令序列越长准确率越低。研究者认为其价值主要在于设计更灵活的连续指令，仍需更大样本和在线闭环系统验证。

脑电信号会随时间漂移，眨眼等伪迹又常常混入其中，脑机接口要在真实环境中长期使用，就必须先解决这一问题。常用的伪迹子空间重建（ASR）方法基于方差自动抑制伪迹，但依赖由校准数据得到的静态协方差模型，信号一漂移就不够稳。研究团队提出用指数移动平均持续跟踪信号结构，把短时程协方差估计与缓慢递归更新结合起来，让模型以一快一慢两种节奏同时适应。在10名受试者、不同认知状态下的24通道脑电记录中，新方法把眨眼伪迹削减了53.1%，原始ASR为24.0%，有限记忆版本为26.7%。代价是重建偏差和频谱偏差都有所增大。该研究为预印本，尚未经同行评审。

脑机接口每接入一位新用户，都要先校准。为个人单独调出来的模型更准，可能是因为真正学到了这个人的特点，也可能只是底层的通用模型本身更强。研究人员在235名未参与训练的受试者身上测试了3个脑电基础模型（用大量脑电数据预训练的通用模型）。结果显示，为每人单独训练的轻量适配模块，平均平衡准确率比通用的群体模型高1.5至5.4个百分点，也比借用他人的适配模块高2.3至7.3个百分点。群体模型的训练量增加到原来的4倍后，个性化增益仍为正，但有所缩小。只用少量标注数据做低成本校准，效果并不稳定。该研究为预印本，尚未经同行评审。

瘫痪患者用脑机接口控制外部设备，难点之一是配对的神经信号与动作数据太少，解码模型很难训练充分。常规做法是针对具体任务学习从神经活动到运动学参数的映射，这类数据的稀缺直接限制了模型能力。研究团队提出BrainVLA框架，借用已在大量机器人数据上预训练的视觉-语言-动作模型：先构建包含神经活动、动作信号、语言指令和渲染视觉观测的配对数据集，通过LoRA微调把OpenVLA-OFT策略适配到目标动作空间，再把神经活动与语言表征对齐，从中提取“想做什么”的意图信号，由该模型结合视觉画面生成可执行的动作。在两个动作维度不同的神经运动数据集上，该框架的跨会话解码R²和任务成功率均优于所评估的基线方法，训练数据效率也较高。该研究为预印本，尚未经同行评审。

设计一个能在多种脑电任务上都表现好的解码模型，通常要靠研究人员反复试错。AutoBCI框架让两个AI智能体分工：一个负责生成并改进模型架构，另一个根据训练早期的学习曲线预测最终表现，提前挑出值得继续训练的候选。在涵盖运动想象、情绪识别和睡眠分期的14个脑电数据集上，借助Claude Opus 5.5找到的架构平均测试平衡准确率为64.16%，略高于最强基线REVE的63.87%。预测智能体只看10个训练轮次，就把预测误差从2.20个百分点降到1.36个百分点。该研究为预印本，尚未经同行评审。