神经信号解码

P300脑机接口拼写器靠识别脑电里的P300反应来选字母，常借助语言模型预测下一个字符以提高准确率。研究人员想知道：能否按每次选择的可靠程度，自动调整对语言模型的信任度？他们重新分析了47名渐冻症患者的3373次拼写选择，测试了22个语言模型，参数规模最高达46.7B。结果是，在公平比较下，没有一个模型显示自适应融合优于调优后的固定权重。此外，固定融合输出的概率本身在标记错误选择上比专门设计的控制器更好，错误富集度达2.8至3.8倍。该研究为预印本，尚未经同行评审。

一项预印本研究显示，从脑电图（EEG）提取的空间协方差特征能在操作员做出反应前预判其决策是否正确，且该信号在高认知负荷下有效。在虚拟现实目标检测任务中，23名参与者分别在高、低负荷条件下操作。当团队规模从2人增至16人时，利用该神经信号对投票加权，使争议试验的准确率从57%提升至88%；但在低负荷下反而有害。研究指出，基于EEG的决策可靠性信号并非通用的团队增强工具，而是依赖于工作负荷的条件性信号，这对协作脑机接口系统在实际团队中的部署时机与方式具有参考意义。该预印本上传至arXiv，尚未经过同行评审。

一项预印本研究提出，通过逐层对比学习选择CLIP模型的中间层作为神经可见性最优层（NVOL），可改善脑电（EEG）信号与图像语义特征之间的跨模态对齐。在THINGS-EEG数据集上，基于NVOL的200-way图像检索平均Top-1准确率达78.1%，结合CSLS后升至86.4%。该框架还把检索与生成耦合，利用条件扩散先验重建受试者特异的NVOL特征，再映射至CLIP空间驱动Stable Diffusion XL生成图像，在语义与结构指标上优于单阶段末层扩散。该研究2026年9月2日上传至arXiv，尚未经同行评审。

语音脑机接口（speech BCI）将神经活动转化为语言，有望帮助瘫痪患者恢复沟通。然而，由于不同系统使用不同的数据集、记录方法、语音类型和词汇表，其报告的准确率等指标难以直接比较。研究人员提出开放词汇互信息（OVMI），一种信息论度量，用于在统一尺度上评估不同系统的通信能力。研究表明，仅基于系统支持词汇计算的准确率等常规指标可能高估系统传达用户意图语音的能力。通过选择最大化OVMI的词汇，在3个语音领域中实现了最高16.3%的相对准确率提升。该研究以预印本形式发布于arXiv，尚未经过同行评审。

广州海事大学、广东工业大学与广州大学的研究团队用遗传算法结合贝叶斯线性判别分析，从传统8通道P300脑机接口里选出一组泛化能力强的固定3通道组合，免去逐人重新校准。该研究2026年9月1日发表于《Biomimetics》。48名健康受试者完成了离线和在线虚拟现实实验，结果显示3通道系统的准确率和信息传输率与8通道系统相当，没有明显的性能下降，设备准备时间从30分钟缩短到3分钟，减少90%。NASA-TLX负荷评估显示用户的心理和生理负担明显减轻。研究者称，这一少通道策略在保住核心交互性能的同时改善了用户体验和系统实用性。

西北工业大学研究团队提出面向脑电大模型的混合式分词器SEDAT，把挤压激励空间聚合、数据自适应高斯平均滤波分解、瞬时频率引导的自适应切分和傅里叶域重采样整合进一条流程，解决现有切分方法边界与神经状态不对齐、忽略通道间空间信息、难以跨范式通用的问题。该研究2026年9月1日发表于《Journal of Neural Engineering》。在覆盖运动想象、P300、睡眠分期和癫痫等范式的10个脑电数据集上，用LaBraM、EEGFormer、EEGPT和NeuroGPT这4个大模型评估，SEDAT相比固定长度窗口的分类准确率最多提高15.3%，比其他方法中最好的一个高1.2%至4.6%。

一支研究团队在arXiv上传预印本，提出名为EEG-AS的实例级算法选择框架，把脑电基础模型的挑选问题下沉到单条样本一级。近年脑电基础模型在各类神经解码任务上表现见长，但没有任何一个能在所有数据集、所有样本上稳居最优，而逐样本选模型这一环此前少有人做。EEG-AS用推理阶段即可获得的脑电潜在表征、手工神经生理特征以及一个锚定基础模型刻画每条样本，训练阶段学习从特权预测标记中重建其余模型不可得的行为，推理阶段直接估计这些行为，不必把候选模型逐个跑完，即可在7个脑电基础模型之间完成挑选。研究者称，公开脑电基准上的实验显示，该框架显著缩小了单最佳求解器与逐样本理想上界之间的差距。该文为预印本，尚未经过同行评审。

研究者提出名为U2Multi-UDA的统一多层级多源无监督域适应框架，用来缓解运动想象脑机接口长期存在的两个障碍，即被试之间差异大、目标域标注数据稀缺。作者称，既有方法大多只在域对齐、特征交互或模型微调其中一个层级上着力，跨域适应因此并不完整。该框架把三个层级并入同一条流水线，先由最优传输对齐源域与目标域分布，同时以互信息估计各源域对目标域的相关性权重；再抽取脑电时空特征并经多源交叉注意力融合，由相关性权重引导跨域特征融合，用伪标签强化目标域特征学习；最后以分段权重分解低秩适应完成参数高效的目标域微调，抑制过拟合。在两套公开数据集与一套自建数据集上，该方法较各自表现最好的基线平均准确率分别提升2.69、1.89、3.83个百分点，Kappa值同步改善。

人工智能正把脑机接口从特定任务的神经解码器变成能补全语言、平滑运动、调节康复支持并调整刺激的自适应系统。一位独立研究者警告，这类系统可能过度优化短期成功指标，偏离用户的长期目标。该研究者将这种闭环失效模式定义为“神经适应过拟合”，并提出按解码器证据、不确定性、临床风险、疲劳及用户目标来调节AI辅助节奏的框架，区分快速辅助、谨慎辅助与慢速辅助，覆盖通信、运动控制、神经康复和闭环神经调控等应用。文章强调，评估此类系统不应只看解码准确率和任务表现，还要看AI辅助何时自主行动、何时寻求确认、何时保留用户努力或交还控制权。

用近红外光测大脑活动时，不同人的结果常常差别很大、难以复现，研究者推测部分原因在于全身性生理波动和信号质量差异，可能扭曲任务诱发的血流动力学反应。研究团队记录了57名参与者在静息、真实动作、想象动作、情绪识别、视觉和听觉任务中的近全头功能性近红外光谱（fNIRS，一种用光透过头皮测量脑部血氧变化的非侵入技术）信号，同时采集心率、呼吸、皮肤电、心电和肌电等外周生理数据及短通道记录。他们用头皮耦合指数、信噪比等4项指标评估信号质量，发现这些指标都与通道长度显著相关，并与任务激活估计相关，说明信号质量可部分解释个体间的激活差异；组水平分析也在预期脑区验证了激活。数据集已公开。该研究为预印本，尚未经同行评审。

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。

用大语言模型帮脑机接口用户纠正打字错误，纠出来的句子可能通顺但意思已经变了。研究团队称这种现象为"意图漂移"。在模拟P300拼写器输出的基准测试中，20个开源模型在字符错误率为0%时，意图漂移率为2.2%；错误率升至40%时，漂移率飙升至60.3%。模型自身的置信度能在一定程度上区分正确与错误输出（AUROC 0.83），但28.4%的高置信度输出实际上并不忠实于原意。涉及药物剂量等临床关键信息的句子比普通句子更容易漂移。六种纠错策略均无法消除漂移：保守策略能降低漂移，但最好的策略每100次纠正仍有18次出错。该研究为预印本，尚未经同行评审。

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》。

P300拼写器是渐冻症（ALS）患者常用的脑机接口通信工具，近年来研究者开始将大语言模型作为语言先验集成到系统中以提高拼写准确率。然而，准确率本身无法揭示最终输出究竟来自患者的脑信号还是语言模型的预测。一项回顾性研究对47名渐冻症患者的3373次P300拼写选择进行重新解码，将重建的神经后验与25种语言先验（从5-gram到467亿参数模型）融合后发现：语言先验平均贡献了8.6%的后验位移，神经信号贡献比例为0.914。在4.4%的选择中，融合系统输出了患者预期的字符，而仅凭神经证据本不会选中该字符。21种神经语言模型的结果相似。该研究为预印本，尚未经同行评审。

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。

脑机接口解码器在校准条件之外往往失灵，换个速度、换只手、换个人就不准了。清华大学团队提出名为LAND的框架，用流匹配方法将神经信号与行为动力学在潜在空间中对齐，并利用无需配对的运动学先验来约束神经流形的几何结构。在合成数据、1名四肢瘫痪患者的硬脑膜外脑机接口记录和非人灵长类动物的多电极阵列记录上，LAND在未见过的运动速度上实现了零样本泛化，并在少量微调下改善了跨肢体和跨受试者的迁移表现。该研究为预印本，尚未经同行评审。

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。

卡内基梅隆大学研究团队开发了一种皮层内脑机接口，使动物能够利用视觉神经反馈将前额叶皮层的神经群体活动维持在预设目标附近。人在执行任务时觉醒水平会随时间波动，觉醒过低对应困倦、过高对应压力状态，这些变化偏离最佳任务表现并体现为神经活动的波动。实验结果显示，动物通过逐时刻的神经反馈，在秒到数百毫秒的时间尺度上减少了神经波动，且觉醒相关的神经活动调节与脑机接口使用存在关联。研究团队认为神经反馈可能有助于增强或恢复对神经活动的调节能力，在觉醒调节受损的临床场景中具有潜在应用前景。该研究为预印本，尚未经同行评审，目前仅在动物模型中完成。

大脑活动可以被概括为少数几种短暂稳定的“脑电微状态”，它们按时间先后排成序列。德国研究人员尝试用这类序列充当脑机接口的“开关”：让受试者想象左手或右手动作，再用深度学习模型从微状态序列中判断想的是哪只手，把分类结果作为触发指令。借助迁移学习，模型在跨会话或跨受试者的场景下，分类准确率峰值约为89%。要达到80%的准确率，平均约需400秒校准。研究者认为，这一思路有望减少使用前的校准负担。该研究为预印本，尚未经同行评审。