神经信号解码

脑机接口解码器可能仅凭与目标心理状态无关的信息就猜中标签。北京语言大学心理学院的研究团队提出一种可证伪的替代测试标准，要求候选证据在互斥数据中持续存在、能应对物理组织或听众模板的容量匹配替代，并在排除目标事件后仍可检验。在六个EEG数据集（41名参与者）上，平均四个神经语音边缘指标将5秒解码性能提升至领先水平；在两个分层接口中，父流错误分数在排除所有目标命令事件后仍保持0.968和0.965的AUC值。该框架为神经科学和脑机接口提供了证据归因的检验标准。

俄罗斯研究人员开发了一套集成化的脑机接口系统，支持同步和异步两种操作范式，使用基于脑电信号的控制命令实现对机器人设备的优化控制，并经过实验验证显示可达到 60-65% 的识别准确率。

该研究提出ReCIL，一种基于排练的类别增量学习方法用于跨被试运动想象分类，使模型可顺序学习新的MI类别而无需从头重训。ReCIL采用欧氏对齐降低跨被试EEG分布偏移，通过全局-局部重放保留旧任务知识，并借助降维进行可靠的样本相似度计算。在三个公开MI数据集上的实验显示，ReCIL在可塑性与稳定性之间取得良好平衡。据作者称，这是跨被试类别增量学习用于MI分类的首次研究，为无需从头重训即可扩展新类别的脑机接口提供了实用方案，回应了既有方法在新增类别时需重采数据或重训模型的低效问题。

该研究提出BiGSTF-Net多模态架构，利用EEG与功能性近红外光谱（fNIRS）的互补特性提升认知状态解码：先用异构时空特征提取器分别捕捉两种模态的时序与空间表征，再通过模态残差交互单元实现双向跨模态引导，最后由时空门控单元完成模态内特征整合，生成紧凑且具判别性的表征。在多个BCI数据集的跨会话评估中，BiGSTF-Net持续优于代表性多模态融合基线；消融实验验证了各架构组件的有效性，可视化分析显示其激活模式与EEG和fNIRS信号的已知神经生理特征一致。该工作属于多模态神经信号解码的基础方法研究。

一项预印本研究提出NeuroPB，一种通过预训练行为表征迁移来扩展神经解码规模的框架，先在大规模运动行为数据上预训练运动编码器，再以有限配对神经-行为记录将神经活动对齐到行为表征空间，随后优化神经编码器与轻量运动解码器以重建连续运动。研究者称，在多个猕猴运动数据集上，行为预训练使center-out轨迹解码R²提升11%、随机目标任务提升8%，且用机器人轨迹预训练可达到与猕猴轨迹相当的性能；固定神经数据量时性能随预训练数据规模增加而提升，仅需10%校准即可匹配从头训练。该研究为预印本，尚未经过同行评审。

一项预印本研究提出OSPDIM，一种面向在线EEG脑机接口类不平衡标签偏移的无源在线无监督域适应框架。研究指出，黎曼对齐方法（如黎曼中心化变换）在处理协变量偏移时有效，但隐含假设类别先验平衡；实际在线场景中标签分布动态变化，会使标准对齐技术在几何上错位目标数据分布。OSPDIM在黎曼流形的切空间映射中引入流形约束偏置参数，通过信息最大化优化以纠正不平衡数据流造成的几何偏斜，并在线估计与修正几何偏置而非依赖全局批统计。2D SPD矩阵仿真显示OSPDIM可纠正标准中心化失效的错位；在多个运动想象数据集上，OSPDIM显著优于标准黎曼基线，尤其在线场景中。该研究为预印本，尚未经过同行评审。

该研究提出一个结合混合MothCray通道选择优化与深度学习的脑电图（EEG）脑机接口信号处理框架，预处理采用陷波滤波、独立成分分析（ICA）与时间窗分段等去噪技术，通道选择阶段使用整合飞蛾火焰优化与小龙虾优化的MothCray算法识别最具信息量的通道，分类采用适配EEG时空特征的深度神经网络架构。在BCI Competition IV数据集IIa上验证，该模型达到93.92%的准确率，优于既有方法。作者认为，基于MCO的通道选择、多域特征融合与增强的EEGNet分类器有助于减少通道数的便携设备以及家庭或诊所神经康复、辅助沟通等场景的快速布设与稳健运行。

该研究提出AutoMI，一种利用LLM多智能体自动快速迭代构建运动想象EEG分类模型的框架，通过耦合Q学习策略与确定性规则的混合决策机制，整合规划、执行与输出智能体及预定义工具，并集成经验追踪与回滚机制以避免模糊优化。在IV2a、OpenBMI和ECUST-MI三个数据集上，AutoMI构建的模型分别取得77.62%、78.08%和83.02%的准确率，较自动化优化算法分别提升18.42%、9.27%和19.25%。作者认为，AutoMI为脑机接口模型优化提供了新视角与框架设计参考，其自动迭代能力可降低对人工调参经验的依赖。

研究者称，用于想象手写解码的EEG-fNIRS融合框架FRED于2026年8月4日以预印本形式上传至arXiv，尚未经过同行评审。想象手写是非侵入式神经解码的时间丰富范式，EEG-fNIRS融合承诺互补神经信息，但融合通常是启发式的，缺乏对频段冗余的原则性处理。FRED用频率去相关时间集成做想象手写解码。研究者称，集成在公开、私有与总体测试分区上达到0.8076/0.7242/0.7492的准确率，无需测试集适配或输出约束，完整系统达到0.8498/0.7718/0.7952并在私有分区排名第4；模态审计发现fNIRS单独解码处于随机水平（总体0.2511），把fNIRS加到EEG上准确率仅变化+0.0025。

该研究记录大鼠在改良T迷宫中执行连续空间决策任务时的海马CA1群体活动，将决策过程划分为启动、奔跑与接近三个阶段，考察局部与前瞻性空间表征的动态演化。结果显示，中央臂位置细胞随动物接近选择点呈现递增的轨迹依赖性，局部theta序列一致性地过度表征实际选择；由选择臂位置细胞驱动的前瞻性表征则从奔跑期优先预测实际选择，过渡到接近选择点时更均等地表征潜在路径。整合局部与前瞻性特征改善了解码性能，未来选择预测在测试试验中达到74.4%准确率，即将进行的轨迹解码在样本试验中达到78.2%准确率。作者认为，纳入海马时空特征可改进行为解码，并为基于海马预测未来决策的认知脑机接口提供框架。

一项预印本研究提出STEAM，一种面向脑电图（EEG）解码的分层迁移框架，通过双分支时空编码器与共享软专家混合（SSMoE）模块，在EEG基础模型中协调通用表征学习与范式特定专业化，使互补的表征可通过一组紧凑的软槽交换信息。研究者称，在7个下游数据集、14个评估设置中，STEAM以有竞争力的推理成本取得最佳平均排名；其层级预训练策略可在不从头重训的情况下进一步针对目标范式提升解码准确率。该工作面向EEG基础模型的可迁移性与高效下游适配问题，属于脑机接口解码算法的基础方法研究。该研究为预印本，尚未经过同行评审。

贝勒医学院神经外科团队为8名难治性强迫症患者植入腹侧囊深部脑刺激电极，其中5人另植入双侧眶额皮层皮层脑电电极，分析治疗全程超过200小时的颅内记录。结果显示，症状严重度与瞬时痛苦的神经特征可以分离，且前者更强。但真正关键的是：只用神经信号的解码模型对两种状态都没能超过随机水平（严重度R=0.04，p=0.53；瞬时痛苦R=0.09，p=0.30）；只有把面部表情与语音的量化特征一并纳入，联合模型才把严重度解码做到R=0.73、瞬时痛苦做到R=0.34（p=0.02），且8名患者全部改善。该预印本2026年8月2日上传至medRxiv，尚未经过同行评审。

该预印本提出CORTIVA，一个用于EEG与MEG到图像检索的候选分数融合框架。研究者称，不同于现有方法先将异构视觉监督压缩为单一嵌入再排序，CORTIVA让三条解码路线对齐到异构视觉目标、独立为同一候选库打分，仅在排序前合并温度缩放的分数向量，从而保留互补证据。研究显示，在200选1的THINGS-EEG2基准上，CORTIVA在10名被试上达到Top-1准确率73.5%、Top-5达95.3%，超最强已报告基线10.3和5.4个百分点；用模态特定神经编码器时，同一融合原则在THINGS-MEG上达到Top-1为42.4%。该研究为预印本，尚未经过同行评审。

该研究提出一种基于两层图卷积网络（GCN）的空间谐波化框架，将异构EEG记录映射到统一物理电极布局并保留运动想象信息，以解决MI-BCI数据集间电极配置差异对迁移学习的限制。研究将每个EEG试验建模为图，以GCN捕捉电极与样本间的时空关系，并通过时域、频域与空间域分析及EEGNet、FBCNet与ADFCNN下游分类评估。结果显示谐波化EEG的误差低于球面样条插值，且保留运动想象EEG的主要时谱空特征；在数据集A的会话内分类中，结合真实与谐波化EEG使EEGNet准确率从56.57%提升到66.20%、FBCNet从61.96%提升到72.54%，并支持仅源域跨数据集迁移与目标域微调。

该预印本提出EasyBCI，一个两阶段LLM智能体，为6类信号规划并执行预处理管线。该研究为预印本，尚未经过同行评审。研究者称，Plan Agent把每条记录画像为纯文本数据指纹，不向模型暴露原始数据，并选择有文献依据的算子序列，Execution Agent生成、运行并自我修正代码，直至满足质量标准。在固定线性分类器的EEG评测中，五个EasyBCI骨干比人工管线保留更多任务相关可分性。作者称，EasyBCI扩展到5种额外模态，采样率跨度近三个数量级，产出带决策溯源的完整可复现管线。

一项纳入60名亚急性卒中偏瘫患者的研究显示，在常规康复基础上增加运动想象脑机接口训练，可显著改善患者的上肢运动功能、简化上肢功能评分和日常生活能力。实验组30人接受为期3周、每周5天的额外脑机接口训练，对照组仅接受常规康复。结果显示实验组在Fugl-Meyer上肢评分、简化上肢功能评分和Barthel指数上的改善均优于对照组，差异有统计学意义。

密歇根大学安娜堡分校的研究人员开发了一种名为SpikeCleaner的算法，用于在自动尖峰排序后标注神经单元的质量。该算法结合放电率、放电时间指标和波形特征，将单元分类为良好、噪声和多单元活动，旨在减少人工筛选的工作量并提高数据质量。在基准测试中，SpikeCleaner对单个单元的分类准确率达到97%，F1分数为92%。

一项新研究展示了名为EmoWrite的脑机接口系统，它通过情感分析将思维转化为文本，打字速度达每分钟6.6词，准确率90.36%。该系统由巴基斯坦和韩国的研究人员开发，在72名志愿者中进行了验证，并引入了动态键盘和视觉反馈，以提升用户体验。

一项新研究提出DSTF-Net框架，仅凭额叶脑电信号即可解码稳态视觉诱发电位（SSVEP），无需枕叶电极。该框架在20名新用户（含8名仰卧位的脑损伤患者）上完成跨被试迁移，相比基线最高提升33.47%的解码准确率。研究发表于《npj Biomedical Innovations》。

布朗大学研究者在bioRxiv上传预印本，提出名为Neural SS-DMP的运动解码模型。模型不直接输出手的坐标，而先从神经信号里推断一组描述动作意图的参数，再交给一个遵循物理规律的运动生成器画出完整轨迹，解码结果因此天然落在人体做得出的动作范围内。生成器还会按每个人的训练数据调整，把通用的运动规律与这个人自己的动作特点混合。作者称，两类神经记录数据上的测试显示，模型的准确率与轨迹平滑度均优于现有强方法，且在时间靠后的新记录上性能保持得更久。该研究为预印本，尚未经过同行评审，全部结果基于离线数据，未在实时控制中验证。

一项预印本研究提出UnSPC（不确定性引导的自步循环），一种将域适应（DA）与域泛化（DG）在迭代循环中整合的框架，用于应对侵入式脑机接口长期部署中的神经漂移。研究指出，神经漂移会随时间降低解码性能并需频繁重校准，而既有方法通常只依赖DA或DG其一，难以捕捉跨神经亚域的细粒度分布偏移。UnSPC在不确定性引导的自步伪标签机制下，以噪声稳健的排序策略迭代挖掘可靠伪标签样本，并通过循环适应与泛化策略在迭代循环中逐步缓解全局与亚域漂移。研究者称，在多个神经解码数据集上的实验验证了UnSPC的有效性与稳健性，据作者称这是首个以伪标签循环整合DA与DG的方法。该研究为预印本，尚未经过同行评审。

美国退伍军人事务部研发办公室（VA ORD）正推进一项高精度植入式脑机接口（BCI）研究，旨在改善四肢瘫痪或因肌萎缩侧索硬化、脊髓损伤或中风而无法言语的退伍军人及其他患者的独立性。该项目将增强深度学习神经解码器与多状态手势解码，部署到电池供电的移动BCI设备上，供患者在家中独立使用电脑和触屏移动设备。准确性与可用性将在BrainGate临床试验已入组受试者中评估。

侵入式言语脑机接口能把尝试说话时的皮层活动解码成文字，现有最优系统的词错误率已低至1%，但代价是要先采集数千句训练数据，从植入设备到能顺畅沟通，中间要经过漫长的采集期。加州大学戴维斯分校团队提出一个基于Transformer的解码模型，跨6名侵入式言语脑机接口受试者联合训练。对每一名受试者，无论性别、病因或尝试发声策略如何，多用户模型的解码都优于仅用其个人数据训练的模型，相对词错误率平均降低超过50%。更关键的是，该模型在此前未参与训练的用户上，只用不到200句话微调，就实现了低于7%的词错误率。该预印本2026年7月27日上传至bioRxiv，尚未经过同行评审。

一项新研究利用UCI机器学习库的EEG-Eye-State数据集，通过四分位距裁剪处理异常值，结合随机森林分类模型，实现了睁眼与闭眼状态的高精度检测。模型准确率达92.49%，ROC-AUC为0.9791，交叉验证平均准确率92.86%。研究为疲劳监测和辅助技术等脑机接口应用提供了稳定且可解释的解决方案。

一项预印本研究提出SSCDL，一种自监督一致性增强的解缠学习框架，用于脑机接口神经解码泛化。研究先设计一致性增强神经解码器（CND），通过教师-学生一致性约束与模拟神经信号扰动，学习对神经漂移不变的稳健表征；再在互补解缠泛化机制下使用三个专用CND，借鉴神经偏好理论将运动信号解缠为速度、方向和速率，从而从多样化的神经偏好视角捕捉不变表征，显著增强跨天泛化。研究者称，SSCDL在广泛实验中取得最先进的解码性能，具有高稳健性与跨天稳定性，有望支持长期、精细的辅助应用。该研究为预印本，尚未经过同行评审。

加州大学欧文分校的研究者提出一套用脑电研究类别表征的任务与分析流程，并在30名受试者身上验证。受试者观看分属5个类别（动物、工具、食物、场景、交通工具）的图像与词语，并在连续出现同类物品时作出反应；研究者在个体内训练支持向量机进行分类。结果显示图像试验与词语试验都能达到显著的类别分类准确率，但图像试验明显更高：图像的所有类别两两之间均可统计区分，词语则仅有一对可区分。电极层面的分析表明，顶叶与左颞电极对图像分类的贡献大于额叶与右颞电极。该预印本2026年7月26日上传至bioRxiv，尚未经过同行评审。

英属哥伦比亚大学团队在bioRxiv发布开源基准BEND-BCI，横向评测23种神经解码方法，覆盖运动、视觉、言语和空间四类任务，跨16个真实或合成神经记录。该基准除留出预测准确率外，还比较对输入扰动的稳健性、计算成本和跨记录潜在表征一致性。加入这些维度后，解码器排名经常改变，留出准确率不能可靠识别最稳健、最省算力或跨记录最一致的模型。较简单的基线方法与参数量大得多的深度网络相当，某些情况下甚至更优。作者据此提出，解码器选型应从准确率排行榜转为在任务、资源、表征与诊断目标之间的约束决策。该预印本2026年7月26日上传至bioRxiv，尚未经过同行评审。

一项预印本研究提出一种基于条件流匹配的自适应EEG生成框架，用于缓解脑机接口应用中的数据稀缺并支持大规模神经建模。研究指出，既有流式方法假设样本内各通道与各时间段共享单一全局时间进程，忽视了并非所有EEG时刻都同等重要；该框架引入位置自适应时间调度，跟踪逐位置重建误差以调节流匹配轨迹中位置特定的时间进程，并整合分解时空注意力与频率对齐的多分辨率谱一致性损失，以建模体传导引起的跨通道依赖并补偿EEG的幂律谱偏差。在三个采集协议与任务语义不同的EEG数据集上，该框架一致优于最强基线，将TS-FID最高降低62.2%，下游分类准确率提升最高6.77个百分点。该研究为预印本，尚未经过同行评审。

研究者称，一项关于贝叶斯完全池化用于跨被试运动想象EEG分类的大规模研究于2026年7月25日以预印本形式上传至arXiv，尚未经过同行评审。脑机接口长期追求免校准运行，但分类器通常只按判别能力评测，忽视预测概率是否校准良好。该研究在20个数据集上比较贝叶斯完全池化模型与频率学派基线，做跨被试左手对右手运动想象EEG分类，6条频率学派管线各配对一条特征工程相同、用MCMC后验采样拟合的贝叶斯管线。研究者称，贝叶斯完全池化带来统计显著但非实践显著的可靠性改善和预测不确定性增加，Brier分数、分辨力与判别无显著差异，贝叶斯管线能耗约为频率学派管线的13倍。

研究团队开发了一种处理多通道发作间期颅内脑电的深度学习架构，用于在不依赖发作期记录和人工标注的情况下定位致痫区。模型结合Morlet小波时间Transformer编码器与空间注意力编码器，在7个独立中心的50.5小时数据上评估，覆盖161名患者和17,012个通道。留一中心交叉验证得到汇总AUROC为0.778，95%置信区间为0.748至0.808，各留出中心的区分能力均高于随机水平。结果显示，跨中心、跨植入方式的表现与既有电生理基线相当，但仍需前瞻性临床验证。该研究为medRxiv预印本，尚未经过同行评审。