神经信号解码

研究者称，动态人脸重建的几何引导神经解码框架fMRI2Face于2026年7月24日以预印本形式上传至arXiv，尚未经过同行评审。研究发布全高清fMRI视频数据集fMRI-Face与几何引导神经解码框架fMRI2Face，均面向从fMRI重建动态人脸的问题。研究者称，fMRI2Face从脑活动中派生两个互补神经控制量，即脑源外观上下文与可变形3D面部控制，并通过带辅助潜变量补全的神经控制视频扩散，实现从脑活动直接重建高保真面部视频。

传统听觉频率辨别测量依赖受试者的主动行为反应，易受主观因素干扰。基于脑机接口技术，研究者设计了个性化快速序列听觉呈现范式，招募11名健康参与者，提出多尺度时空双注意力网络（MS-STAMNet），用于弱听觉诱发反应的单试次解码。结果显示，MS-STAMNet的平均未加权平均召回率为(69.67±6.12)%，AUC为0.7618±0.07，优于EEGNet和PLNet等基线模型。回归分析显示神经解码与行为表现分离，表明模型能捕捉未触发显性意识的隐性频率偏差特征。

研究者称，一项用fMRI实时重建人类视觉感知的研究于2026年7月23日以预印本形式上传至arXiv，尚未经过同行评审。基于fMRI的实时闭环神经反馈已取得重要科学与临床进展，但实时fMRI的分析方法落后于fMRI解码的最先进水平，主要受计算因素制约，多数先进解码管线无法装进实时处理窗口。研究提出计算密集型最先进管线MindEye2的实时兼容改造版本，并证明该设置下仍可实现可靠的细粒度解码。研究者称，借助开源可扩展云平台RT-Cloud完成一次实时扫描，在图像呈现给受试者后数秒内解码单试次视觉感知，并用模拟分析记录了离线到实时性能变化的驱动因素。

一项预印本研究提出一套可解释指标，分别量化脑机接口（BCI）相关脑活动在时间、空间和频率维度上的变异性，并在两个运动想象BCI数据集（共133名受试者）中考察这些指标与BCI性能的关系，通过受试者内与跨受试者分类实验进行验证。研究者称，在多数条件下观察到-0.2至-0.4的负相关，提示较低变异性与较高BCI性能相关；指标还显示深度学习与基于黎曼的分类器对变异性的稳健性存在差异，前者相关性更弱。该框架可在试验内、试验间与试验组间等多个层级量化变异性，为理解EEG变异性、评估分类器敏感性以及基于变异性设计更稳健的BCI提供了可解释工具。该研究为预印本，尚未经过同行评审。

一项新研究提出融合稳态运动视觉诱发电位（SSMVEP）和肌电（EMG）的混合脑机接口，通过并行架构将指令空间从15个目标扩展至60个，多模态信息传输率达62.33比特/分钟，优于单模态最高42.49比特/分钟。研究采用深度学习进行多模态信号解码，在保持分类精度的同时，为严重运动障碍患者提供了更易用的控制途径。

一项预印本研究评估可微分逻辑门网络（Diff-Logic）作为资源受限脑机接口的低延迟EEG分类硬件方案，将模型编译为纯布尔电路。研究在4个EEG数据集、2类任务（二分类痴呆筛查与3分类情绪识别）上，将Diff-Logic与等容量的多层感知机（MLP）和二值神经网络基线进行对比。研究者称，Diff-Logic在痴呆筛查上取得80.2%的Macro F1，较MLP基线高6.8%；在功耗受限设备上部署时MLP延迟高2.3倍、模型体积大14倍，而Diff-Logic推理时间在模型规模扩大10倍时几乎不变。该研究为预印本，尚未经过同行评审。

Beijing Normal University团队开发了一种重量低于3克的低成本结构光微型显微镜，利用Ronchi光栅与时分复用激发实现HiLo成像，可在自由活动小鼠中进行光学切片。研究显示，该系统能抑制离焦背景荧光，同时保留宽场微型显微镜的速度、视野与可及性，并支持多平面成像以增加可记录神经元数量。在海马记录中，基于感兴趣区域的信号质量和空间信息读取均得到改善。团队还展示了由快速在线信号提取和实时神经解码支持的概念验证闭环脑机接口。该研究为bioRxiv预印本，尚未经过同行评审。

芬兰Aalto University团队在一项MEG词语启动实验中，把经典N400诱发反应与语义向量解码放在同一框架下比较。25名芬兰语母语者阅读语义相关程度不同的词组后，不相关启动词引发更高的N400反应，并为语义解码器提供了最佳训练样本。研究者称，语义信息从刺激开始后约100至500毫秒均可解码，但在N400峰值过后，脑活动不再稳定映射到与语境无关的语义向量。这项结果提示，N400时间窗结束可能标志着神经表征由词语特异信息转向更广泛语境。该研究为bioRxiv预印本，尚未经过同行评审。

一篇bioRxiv预印本用高频伽马ECoG信号检验发现，在GPT-2语境嵌入之上加入surprisal预测因子，对语言理解神经响应的预测力几乎没有额外贡献。

预印本研究提出MOJO训练框架，将掩码自编码与监督学习结合，用于脉冲级神经数据解码。在猴子运动皮层、小鼠多脑区记录及人类语音皮层脑电数据上，MOJO均优于纯监督训练模型，尤其在标签受限的少样本微调场景中提升明显。该方法还改善了神经元表征的可解释性，为利用无标签数据训练神经基础模型提供了新路径。该研究于2026年7月15日上传至arXiv预印本平台，尚未经同行评审。

加州大学河滨分校提出理论框架,解释神经解码中为何中等时间整合尺度常常是信息表征的最优选择。

研究人员开发了一款32通道事件型生物信号模拟前端芯片，采用180纳米CMOS工艺制造，支持脉冲频率调制与自适应异步Delta调制双模式编码。该芯片能根据输入信号包络实时调整编码数据率，实现高数据压缩，为脑机接口中的神经信号无线传输与在线处理提供了新方案。

一项预印本研究提出一种基于事件的神经解码方法用于神经假肢运动控制。研究指出，现代假肢虽由深度神经网络驱动，但高延迟、高能耗与空间需求限制了其普及：有线连接限制患者活动，无线连接又限制可传输的信息量；脉冲神经网络虽支持压缩通信与低功耗推理，但任务性能常落后于最先进深度学习模型。该研究提出的事件型门控循环单元以分级脉冲生成稀疏通信模式，在任务性能上超过经典脉冲神经网络，并配合高效训练方法与稀疏推理，为设备端神经解码提供新机会，有助于在延迟、能耗与空间受限的情况下部署假肢控制。该研究为预印本，尚未经过同行评审。

一项预印本研究提出CNN-LSTM-RL两阶段解码框架，用强化学习对CNN-LSTM连续运动想象解码器的输出做残差运动学校正。RL智能体离线训练、不直接使用EEG输入，而是基于预测的运动学轨迹优化相对目标轨迹的运动准确度。研究者称，与单独使用CNN-LSTM相比，CNN-LSTM-RL将2D平均相关系数从0.5076提升到0.7181，VR场景从0.6420提升到0.7780，RMSE分别降低40.2%和38.2%。研究者认为，该框架通过离线残差强化学习校正运动学误差，无需额外神经数据即可增强3D脑机接口运动想象解码，对神经康复、假肢与虚拟交互有潜在价值。该研究为预印本，尚未经过同行评审。

多伦多大学团队用扩散模型不同时间步的隐表示作为神经语音解码的中间层,词错误率随时间步选择大幅变化。

一项预印本研究展示了一种利用植入式神经接口长期监测胶质瘤进展的平台。在多种小鼠品系和胶质瘤模型中，肿瘤进展始终与肿瘤微环境的伽马频段神经活动升高相关；机器学习模型可根据慢性神经记录预测肿瘤负荷，并利用伽马神经轨迹预测个体肿瘤生长速率。该研究由Coherence Neuro Global, Inc.等机构的研究人员完成，于2026年7月9日上传至bioRxiv，尚未经过同行评审。

哈佛医学院研究人员发现，啮齿动物面部运动的光谱分析可以预测其大脑皮层活动和脑机接口任务表现，这一发现为开发更有效的神经假肢控制系统提供了新的生物学基础。该研究为预印本，尚未经过同行评审。

Neurosom宣布获得一项新专利，名为“用于脑电图源分析和经颅电刺激的贝叶斯超分辨率方法”，美国专利号12,663,866。该技术结合贝叶斯统计建模、个性化脑电数据与脑图谱模型，旨在实现脑电活动起源的“超分辨率”定位，从而提升经颅电刺激的引导精度。

一项预印本研究以Adaptive Thinking Mapper（ATM）模型为框架，实证评估EEG预处理策略（仅MVNN的基线管线对比整合ICA与陷波滤波的完整清洗管线）对视觉EEG解码中通道注意力表征的影响。研究通过跨泛化、噪声稳健性与谱时消融分析评估模型，并利用节点强度相关与表征相似性分析，考察数据驱动注意力权重与神经生理参考网络（GPDC、PDC、DTF）之间的结构对应。研究者称，完整预处理在保持相当解码精度与基线稳健性的同时，有效抑制了额部噪声等非神经伪迹；学习到的注意力空间组织跨管线保持稳定，仅在全球表征几何上存在细微的度量依赖差异。该研究为预印本，尚未经过同行评审。

研究团队让18名右利手参与者分别想象声音和画面，同时用脑磁图记录脑信号，再比较卷积神经网络与线性逻辑回归两种解码模型。卷积神经网络在两个任务上都高于随机水平，视觉想象的准确率超过70%。更值得注意的是，即使只用与当前任务无关的皮层区域训练，模型仍能显著解码，说明想象内容并非局限于单一感觉区，而是分布在有重叠的神经网络里。这为把听觉与视觉信息一起纳入脑机接口解码提供了实验依据。

一篇发表于《Computers in biology and medicine》的观点综述聚焦EEG跨会话、跨个体和跨记录条件的非平稳性问题，讨论如何借鉴大脑维持功能稳定的机制来提升脑机接口模型稳健性。文章梳理突触可塑性、稳态调节、神经振荡和脉冲表征等路径，并与传统机器学习和迁移学习方法进行比较。作者提出可将生物学机制与人工神经网络结合，同时给出生物启发、生物合理和生物真实建模的操作性定义，以及持续EEG基准的最低规范。综述也指出，多种机制在EEG场景中的直接证据仍然有限，因此应明确区分实证结论、研究假设与未来方向。

事件相关电位为脑机接口提供隐式反馈与纠错信号，但基于源域被试训练的模型容易受被试间差异与采集噪声影响，泛化到未见被试时性能明显下滑。新方法MVCLDG把判别特征提取与域不变表征学习结合起来，用多尺度inception块融合原始脑电与希尔伯特变换导出的相位信息，捕获幅值与相位特征，再施加域对齐与对比学习约束，缩小跨域分布差异、压紧类内表征、拉开类间间隔。它在公开的错误相关负电位数据集和自采的语义句法违规数据集上评估，跨被试设置下优于基线与代表性域泛化方法，且无需额外目标域自适应；消融实验确认各组件有效，特征可视化显示模型关注的电极与已知神经生理头皮模式一致。该研究2026年6月27日发表于《Brain Connectivity》。

一项发表于《Computers in biology and medicine》的研究提出LEGEND神经解码架构，联合建模皮层EEG、脊髓ESG与外周肌肉EMG信号，面向脊髓损伤康复中的神经旁路。模型在洛伦兹双曲空间编码三模态信号，通过有符号三层相位锁定值图连接51个通道节点，再利用图注意力模块细化表征。在Steele数据集严格留一受试者交叉验证中，LEGEND取得56.51%±12.27%的准确率，比EEGNet高23.4个百分点。研究者认为，双曲表征能够捕捉运动层级中的复杂关系，为联合脑、脊髓和肌肉信号的康复解码提供计算基础。

兰州大学、浙江大学、香港大学与中山大学的研究团队提出MindShow，一种在队列级训练设置下做多人共享fMRI到图像重建的统一生成框架，该研究2026年6月20日发表于《Medical Image Analysis》。现有基于fMRI的图像合成方法大多针对单个人，适配新个体需要大量数据。MindShow的核心是分层条件混合专家编码器，把人群共享的潜在表示与个体特有的神经特征分开，新受试者只需少量校准数据即可适配。多粒度最优传输损失让脑信号特征与预训练视觉语言模型对齐，最后由冻结的扩散模型生成图像。研究者称，MindShow提高了高层重建指标，同时保持了有竞争力的结构保真度。

一项发表于《Computers in biology and medicine》的研究提出动态小波基选择增强方法，用于改善非侵入式EEG想象语音分类。该方法为每个EEG片段计算小波熵，选择信息量更高的小波基，再向相应小波系数注入高斯噪声，增强后的信号由带通道激励机制的卷积神经网络分类。研究数据包含32个通道、8种刺激和10名参与者。词语与元音组合实验的最高分类准确率达到98%，Cohen's kappa为0.95，但完整类别分类的表现较低。研究者称，该方法优于传统数据增强策略和静态小波方法，为处理EEG噪声与非平稳性提供了自适应路径。