神经信号解码

颅内脑电信号来自植入大脑内部的电极，一直被看作解码人的意图的理想信号来源，但各家数据集和预处理方式不同，模型到底有没有变好很难说清。研究团队把三家机构的自然观影数据、15项解码任务、统一的预处理流程和固定的评估划分放进同一个基准，结果发现：预训练系统在自己那套预处理流程里通常能赢过基线，可换到别的机构数据上，传统频谱基线的表现依然有竞争力。更值得注意的是，把其他受试者或其他机构的数据增加到25倍，相比只用同一场次数据训练，提升依然有限，甚至要看具体任务。

可穿戴神经技术与脑机接口应用，包括辅助交互界面和临床监测，都希望用上单通道脑电，因为电极少、佩戴负担轻。但单通道脑电信号中的肌电、眼电和运动伪迹难以去除，尤其在缺少辅助通道、伪迹标签或人工挑选的干净基线片段时。SPAR-EEG框架无需这些额外条件，对每个脑电分段施加三段针对特定伪迹的衰减处理：基于变分模态分解的一段处理高频肌电爆发，基于奇异谱分析的两段分别处理眨眼样眼电瞬变和缓慢运动漂移。它在26个信噪比水平上均取得最优伪迹区信噪比改善，并在仅用FP1和FP2两个导联的P300拼写任务中把最终准确率提高7.8个百分点。

脑机接口的硬件和算法进步很快，但“到底能从脑信号里读出多少意图、误差最低能降到多少”一直缺少系统的理论回答。这篇论文把整个脑机接口系统看成一个闭环的随机过程：人产生意图，大脑把意图编码成神经活动，设备采集信号，算法做统计判断，再把结果反馈给使用者。在此基础上，研究者用信息论和统计决策理论推出几条基本定理，分别描述意图在什么条件下可以被解码、可观测信息的上限、最优解码误差的下限，以及闭环学习能否收敛；又总结出信噪比、类别可分性、信号随时间漂移等因素带来的约束。作者以四类SSVEP脑机接口（让用户注视不同频率闪烁目标的范式）作为理论案例，演示这套框架如何落到具体设计建议上。该工作为纯理论推导，未报告新的实验数据。

三名四肢瘫痪参与者在想象操作物体时，多个脑区的神经活动都表征了抓握时的整只手构型。研究还发现，后顶叶皮层可同时编码抓握与物体属性，且主要由彼此不同的神经元亚群承担。抓握相关活动随运动规划、想象执行及物体是否存在而变化；部分脑区在运动规划阶段还表征了物体形状。作者认为，区分手形与物体信息可能有助于脑机接口更稳定地控制抓握，但研究任务是运动想象，不能据此认定参与者已恢复手部功能或机器人抓握性能已获改善。该研究为未经同行评审的预印本。

研究人员提出一种神经行波分析框架，并在狨猴皮层脑电和人类脑电数据中识别出沿相反方向传播的活动模式。这些行波集中在特定的空间和时间频率范围，涉及alpha及低beta频段，传播速度被作者评估为符合生理范围。新框架同时分析时间频率、空间频率与传播方向，可适用于不规则传感器布局，并帮助区分传播的波与驻波。研究还提出用于单次试验检测的方法。结果涉及动物和人类神经信号分析，不代表脑机接口控制性能或临床效果已获改善；该研究为未经同行评审的预印本。

在一台右侧旁矢状窦脑膜瘤切除手术中，4个Layer 7 μECoG阵列共4096个电极被放置在中央沟两侧，记录5种对侧刺激下的体感诱发电位。按2 MΩ阻抗标准，3739个通道可用，通道有效率91.3%；相位反转潜伏期分别为19、21、25、26和25毫秒，与同一台手术中标准术中定位结果一致。研究者指出，该配置提供的是密集空间采样，而非亚毫米级生理分辨率，实测响应在约3至4毫米皮层范围内相关。

猕猴使用自适应解码器练习脑机接口数天后，运动皮层中承载任务信息的神经元数量显著减少，达到80%分类准确率所需的神经元比训练初期更少（p = 9.8 × 10⁻⁴），而使用固定解码器时不出现这种压缩。神经网络模型提示，自适应解码器直接促成了更紧凑的神经表征；研究者认为，这可能是因为解码器改变了长期学习中信用分配所依赖的误差信息。这一发现对脑机接口解码器的设计有直接启示：辅助算法不只是提升即时性能，还会塑造大脑的长期学习方式。研究在两只恒河猴上进行，使用128通道微丝电极阵列记录运动皮层和前运动皮层活动，尚未在人体中验证。

研究人员提出跨脑区信号转换框架NeuroGate，尝试用一个已记录脑区的信号，预测另一个未记录脑区的波形。在涵盖啮齿动物局部场电位、人类立体定向脑电和皮层脑电，以及头皮脑电的56条通路上，其波形预测精度优于13个深度学习和线性基线模型。研究还通过沉默梨状皮层输出检验预测方向性：梨状皮层至嗅球的预测在全部8轮交叉验证中失效，反向预测则得以保留。作者认为，这一结果与单突触解剖结构相符，并展示了评估记录信号冗余、检验方向性转换的应用。本研究为预印本，尚未经同行评审。

癫痫预测算法在实验室里成绩亮眼，换到连续实时的场景却明显失灵。研究团队用16名药物难治性癫痫患者共664.9小时的颅内脑电数据测试后发现，同一套方法的平均AUROC（衡量预测准确度的指标）从离线测试的90%降到在线的57.9%。原因是患者的脑信号会随时间缓慢变化。团队改用在线进化框架，在连续数据流中不断筛选和更新模型，在75%的患者中提前预测了全部发作，在87.5%的患者中只漏掉一次。只读取致痫网络的电极触点时，所需触点减少79.12%。团队同时公开了这套数据集。该研究为预印本，尚未经同行评审。

训练一个能读懂大脑信号的解码器，通常要为每一位新受试者重新采集大量带标注的数据，这既费时，对患者也是负担。这项研究提出的MAPA方法先用跨受试者累积的未标注颅内脑电记录做自监督预训练，再迁移到新受试者身上。难点在于颅内脑电的电极触点位置和神经解剖结构因人而异，MAPA在常规掩码自编码器上加了两种空间编码：解剖区域嵌入和相对位置编码。在跨受试者测试中，只需约164次带标注的试验就能达到原本需要3500次才能达到的准确率。研究团队称，MAPA在Neuroprobe基准的会话内、跨会话和跨受试者三种模式下都刷新了最好成绩，且无需微调。这意味着未来植入式脑机接口的校准过程可能大幅缩短。

手指在大脑运动皮层里的代表区挨得很近，从头皮脑电里分辨单根手指的动作一直很难。研究团队先用同步采集的脑电与功能核磁数据学出一套频谱投影，再用核磁给出的类别几何结构去修正脑电预测。12名健康受试者的测试中，两分类动作执行的组平均准确率从66.93%升到74.53%，三分类从44.83%升到56.58%；运动想象任务上两分类从80.78%升到85.63%。推理阶段只用脑电，不需要配对的核磁数据。

研究者让乘客在高度自动化车辆中观看驾驶场景，同时记录脑电信号，训练模型判断前方是否存在风险以及危险出现在哪里。3D-CRNN在风险预测任务上达到95.3%±2.7%的平衡准确率，危险识别从80.9%提升到85.0%；跨被试测试中，模型对未见过乘客的平衡准确率降至64.9%±8.5%，说明离实际部署仍有距离。

P300脑机接口拼写器常被设计成把多个各自有效的组件全部打开，默认组件越多性能越好。一项预印本研究用四组件全因子试验检验了这个假设：组件的价值是有条件的，而不是可叠加的。受试者校准是最强的单一贡献者；欧几里得对齐能在零校准设置下弥补校准的缺失；把各自有用的组件叠加起来反而可能拉低性能，作者称之为组件反协同。语言模型的支持也并非普遍有益，其效果强烈依赖底层脑电流水线的强度。

10名母语为汉语的受试者朗读6个单元音韵母，同一套任务下同时记录光泵磁强计脑磁图与脑电。在刺激后150至500毫秒窗口内，OPM-MEG在全部5种分类器上的解码准确率都显著高于脑电。表现最好的组合是共空间模式（CSP）特征加线性支持向量机，OPM-MEG平均准确率60.3%，脑电56.7%。这意味着无需植入电极、也不限制头部活动的语音脑机接口，可能有一条比脑电更清晰的信号通路。

用脑机接口控制虚拟化身时，参与者报告：想象自己在慢跑，比想象右手张开更能产生“这个身体是我的”的感觉。但脑电信号本身，慢跑想象反而更弱。实验中，行进由头皮脑电中与运动想象相关的运动感觉节律事件相关去同步控制，方向由眼动控制，参与者在弯曲赛道上操纵一个以慢跑姿态前进的虚拟化身，随后用问卷评估对化身的具身感。研究团队认为，这提示脑机接口不能只看信号强度，还要看动作与想象是否一致：神经信号强度与具身体验可能出现分离，想象与动作的一致性应当与常规解码指标一并考虑。

研究团队把脑机接口的攻击面拆成五个方向：伪造神经信号、靠去同步规避检测、重放劫持、窃听（Vein Tapping）和嵌入式后门。他们用自建的EEGle框架跑出17个新的神经特异性攻击实例，并发现后门设计存在一条隐蔽性与有效性的取舍曲线。研究还指出，生成式AI正在拉低非专业攻击者的门槛。该研究为预印本，尚未经同行评审，作者为Zahra Tarkhani、Georgios Akkogiounoglou、Lorena Qendro、Isabel Tscherniak和Anil Madhavapeddy。论文把这一攻击类别命名为NERVE Attacks，称五个维度相互正交，合起来覆盖完整的脑机接口技术栈。团队将EEGle提供给社区，用于构建和验证这类设备的安防能力，并把风险概括为认知自主权、心理隐私和人身安全三点，具体情形包括神经数据外泄，以及脑机接口所连接的外部设备被恶意控制。

看视频时，人眼盯着一个点不动，大脑仍会追踪画面里运动的物体，注意力越集中，这种追踪越强。但鲁汶大学团队发现，物体离注视点越远，脑电信号对运动的追踪就越弱。这意味着以往靠追踪强度判断注意力的解码方法，可能把「物体在哪儿」误当成「注意力在哪儿」。

严重运动障碍患者能否绕过受损的神经通路，用“想”来操控机械臂？这篇综述沿着信号链条梳理了整个过程：先从大脑运动皮层采集神经信号，再经过预处理、特征提取和神经解码，最后生成机械臂能执行的连续、离散或多自由度指令。作者比较了侵入式、非侵入式和血管内三类脑机接口在信号采集上的特点，认为信号质量、解码算法和共享控制策略三者协同优化，是让机械臂操作更自然、更可靠的关键。作者同时指出，长期稳定性、控制精度和临床安全性目前仍受限。

脑机接口要实用，信息传输率（ITR）是关键指标。中国医学科学院北京协和医学院团队提出一种结合表面肌电（sEMG）与稳态视觉诱发电位（SSVEP）的混合脑机接口系统，用120个闪烁频率和4种手势编码480个目标。在线实验中，平均分类准确率达84.55 ± 7.23%，平均信息传输率达260.07 ± 30.41比特/分钟。该系统指令集大小与现有最大目标数系统相当，性能位居前列，为大指令集脑机接口的实现提供了技术参考。研究由生物医学工程研究所团队完成，发表于2026年9月7日的《Cognitive Neurodynamics》。

一项新研究提出了一种紧凑的混合深度学习模型，用于四类运动想象脑电信号的分类。该模型结合了空间卷积滤波、双向时序建模和注意力机制，在BCI Competition IV Dataset 2a数据集上取得了83.89%的平均准确率，优于传统基线方法。研究者认为，双向时序建模和注意力加权能提升脑电运动想象分类的稳健性，有助于脑机接口在运动障碍患者辅助中的应用。该模型采用端到端框架，在公开数据集上验证了其有效性，为资源受限场景下的脑机接口信号解码提供了高效方案。

研究人员训练了一种Transformer神经网络。这类模型能综合多个脑区的信号，研究中用它分析颅内微电极记录的单个神经元放电。模型训练所用的数据，只来自受试者观看一次视听片段时的记录，且为每名受试者单独训练；之后受试者自由回忆，模型能预测他们会说出哪些具体的人物或地点。研究还发现，负责解码的脑区在睡眠前后会转移，睡前主要靠内侧颞叶，睡后主要靠额叶皮层，且额叶皮层解码效果越好，对应的非快速眼动睡眠越多。研究人员认为，这类解码未来可能用于开发治疗情景记忆障碍的脑机接口。该研究为预印本，尚未经同行评审。

言语想象（SI）脑机接口的解码结果可能难以复现。一项全面评估发现，复现已发表研究的解码流程时，分类准确率平均比原始报告低11.25个百分点，差异范围在2%到39%之间；在复制分析中，仅36%的SI参与者达到统计显著性阈值，远低于运动想象（MI）数据集的91%。该研究由英国埃塞克斯大学团队完成，于2026年9月4日发表于《Journal of Neural Engineering》，是首个同时评估SI解码可重复性与可复现性的研究。结果显示，所有被评估的SI研究都存在方法学细节缺失，SI作为实用脑机接口范式的可行性可能被高估，这对依赖该范式的临床应用和后续研究具有警示意义。

脑机接口把脑电信号翻译成指令时，系统自己能不能知道“这次判断有没有把握”？研究人员在回声状态网络（一种借鉴神经系统、擅长处理时间序列的计算模型）中加入了一个专门输出决策置信度的读出神经元，让置信度随着决策形成持续更新。在模拟决策任务中，刺激越强、越容易区分，置信度活动越高；在基于脑电的运动想象分类中，置信度活动随决策准确率升高，并能区分正确与错误的判断，在表现较好的受试者身上尤其明显。该研究为预印本，尚未经同行评审。

瘫痪患者常伴有视力问题，眼睛看不清，还能用“注意力”操控脑机接口吗？研究人员让健康受试者在模拟视力模糊和单眼视物的条件下操作脑机接口。受试者眼睛不动，只把注意力转向视野边缘带颜色的目标。结果显示，视力下降确实改变了大脑对视觉刺激的电反应，部分反应幅度变小，但系统从脑信号中判断用户意图的准确率没有受到影响。这说明只要还能分辨目标的颜色，视力受损者也可能可靠地使用这类不依赖眼动的非侵入式脑机接口进行交流。该研究为预印本，尚未经同行评审。

一项于2026年9月3日上传至arXiv的预印本公布了2026年PNPL竞赛的任务设定。该竞赛基于扩展的LibriBrain100数据集，包含32名新增被试，每人约40分钟数据，并新增约80小时的个体内数据。竞赛设2个赛道，Deep赛道关注个体内词分类，追求最佳性能；Broad赛道关注跨被试泛化，将个体微调数据从约40分钟逐步减少至20分钟、10分钟，接近临床可行范围。2025年竞赛的获胜者在语音检测和音素分类任务上分别达到95.6%和73.6%的F1分数。该预印本未经同行评审。

一项预印本研究显示，通过无线植入式神经接口（Brain Interchange, BIC）结合伪迹消除算法，在10名耐药性癫痫患者的24小时颅内脑电记录中，保留了约82%的临床级放大器检测到的高频振荡（HFO），并以84%的敏感性和90%的特异性定位癫痫发作起始区，与临床级设备相当。该研究为慢性追踪致痫网络及未来生物标志物引导的自适应神经调控提供了转化框架。

失去说话能力的瘫痪患者，能不能让机器直接把脑信号变成声音？多数现有语音脑机接口要先把脑信号解码成文字，再用语音合成读出来，两步串联既拖慢速度，前一步的错误还会传到后一步。研究团队提出的Brain2Speech-Net跳过文字这一环，把较长的神经记录直接映射到语音合成模型内部的表示空间。据作者报告，在其对比的系统中，它是唯一既能生成可懂语音、生成速度又快于实时的系统。该研究为预印本，尚未经同行评审。