神经信号解码

一项发表于《Computers in biology and medicine》的研究使用跨频双谱分析，考察自然伸手抓握过程中规划与执行阶段的非线性脑电活动。研究者从复双相干矩阵提取幅度和相位特征，并结合分类、置换特征选择和受试者内统计检验。结果显示，执行阶段的非线性耦合强于规划阶段，主要由β频段和γ频段相互作用驱动。精细抓握与力量抓握的解码表现则在两个阶段相近，提示抓握类型表征可能在规划时形成并持续到执行。双谱特征相较传统分析方法在抓握类型判别和多类别分类中表现出一致优势，为未来脑机接口和神经假体研究提供了新的运动解码特征。

该研究提出RLED，一种强化学习增强的EEG扩散框架，用于内源性EEG任务的适应性数据增强，重点面向运动想象与情绪识别。研究指出，开发可靠的EEG脑机接口系统通常需要大规模多样化训练数据，但受试者疲劳与个体间变异使数据收集困难。该框架整合强化学习机制动态调节扩散训练过程，在时间、频谱与类别相关特征之间取得灵活平衡。在四个数据集上的实验表明，该方法生成的高质量合成EEG信号能持续改善分类性能。作者认为，RLED可作为实际脑机接口应用中EEG数据增强与泛化的有前景工具，缓解训练数据不足对系统开发的影响。

一项基于立体定向脑电图（sEEG）的研究发现，在提示性肢体运动想象任务中，低频（8-30Hz）神经活动在准备期以抑制为主，进入想象期后转为激活；高频（60-115Hz）反应更强、分布更广，部分触点还出现激活-抑制序列。研究基于10名癫痫患者的颅内记录，表明神经活动并非统一响应，而是随任务阶段和脑区动态变化，为阶段感知的脑机接口特征设计和神经康复提供了参考。

西安电子科技大学研究团队针对快速序列视觉呈现范式的单试次脑电解码，先构建了基于Transformer的DisCo-Former框架，融入3个由神经生理先验引导的部件。该研究2026年4月10日发表于《International Journal of Neural Systems》。DisCo-Former虽然超过了现有方法，但分析发现注意力持续坍缩，注意力图近乎均匀，值投影权重趋近于0。去掉Transformer编码器后得到的纯多层感知机版本DisCo-MLP，在2个数据集和3种评估方式下与Transformer版本持平或更优，受试者内解码的平均AUC约为0.94至0.98。

该研究提出一种自适应的EEG动态迁移学习框架，以减少运动想象脑机接口（MI-BCI）中的负迁移。研究指出，现有迁移学习方法常合并多个源域，源-目标相似度低时易产生负迁移，且受试者间变异进一步降低迁移学习效果。该框架先用小波变换卷积对EEG时频分解，再通过动态迁移注意力模块匹配源域与目标域样本，最后以联合损失函数减少边际与类别条件差异。在BNCI2014001、BNCI2014002和BNCI2015001数据集上验证，准确率分别为78.78%、82.11%和78.19%，平均准确率优于基线算法（提升0.13%至27.7%）。作者认为，该方法对受试者变异具有稳健性，可增强系统的实际适用性。

该研究提出DPMS-Net，一种采用动态卷积在时间、空间与频率多维度挖掘判别线索、并结合通道与时间注意力机制的运动想象分类深度网络，并引入频谱域分析组件，挖掘EEG谱中隐藏的细微振荡特征，为分类提供更丰富证据。研究在两个公开数据集与一个卒中患者自采数据集上评估，在BCI Competition IV 2a和2b数据集上分别取得83.93%和88.38%的受试者依赖分类准确率；在卒中患者数据集上，受试者依赖准确率为67.67%。作者认为，DPMS-Net具有高效解码能力与稳健性，可用于神经康复脑机接口系统。

该研究提出MAPS-CS在线SSVEP脑机接口系统，在实验过程中进行动态通道选择。研究指出，SSVEP-BCI的通道选择研究较少，而通道组合的优化对系统性能重要。该方法构建涵盖信号能量、稳定性与通道间相关的多维特征框架，量化异常并生成评分，经层次化决策整合为综合通道质量评分，据此识别并移除坏通道，实现免训练的实时通道选择。与通道集成（CE）方法相比，MAPS-CS在2秒、1.5秒、1秒和0.5秒刺激时长下将标准FBCCA的准确率分别提升3.5%、4.1%、4.4%和6.5%，在CE、二元和声搜索与TOP-K局部优化通道选择方法中表现最佳。研究确认该系统能在实验室在线实验中有效检测坏通道。

脑机接口（BCI）依赖运动想象（MI）解码来识别用户的意图，但脑电信号的非平稳性和个体差异让准确解码变得困难。研究人员提出一种名为MSARFNet的多尺度注意力重建融合网络，通过并行多尺度卷积分支提取时空特征，并利用注意力机制融合多尺度信息，增强与运动想象相关的瞬态响应。在BCI Competition IV 2a和2b两个公开数据集上，该网络的平均分类准确率分别达到84.64%和87.96%，优于多种现有方法。研究发表于2026年2月27日的《IEEE生物医学与健康信息学杂志》。

该研究提出函数预定义卷积神经网络（FPCNN）用于自发EEG脑机接口信号解码。研究指出，经典解码方法依赖人工特征但性能有限，神经网络方法虽有显著提升但可解释性与计算效率较低；FPCNN通过可学习的函数预定义卷积（FPC）层搜索自发EEG的关键空间频率参数，使参数具有清晰物理意义，并构建基于FPC的可训练正交检测器以捕捉复杂相位变化信号。在三个自发EEG数据集上，FPCNN较最先进方法分别提升2.09%、3.08%和3.41%，且其非GPU环境的单轮训练与测试时间仅需67.96和19.36秒。作者认为，该方法的计算与时间节省有利于多样化环境中的EEG处理。

该研究提出一种结合判别性通道选择与分层时空建模的EEG情绪识别框架。研究指出，EEG情绪识别在智能人机交互与脑机接口系统中潜力巨大，但多通道数据带来高计算成本与潜在冗余，且既有通道选择方法多依赖统一规则、缺乏频段自适应与通道间建模。该框架在预处理阶段使用小波相干与互信息在多个频段自适应选择信息通道，选中的信号由时空图感知网络（STG-Net）处理，通过图卷积建模通道间空间关系并逐帧提取空间特征，配合时序建模模块捕捉情绪状态的时序演化，最终融合频率-空间-时间特征进行分类。与最先进方法相比，该方案在识别准确率与模型效率上均表现更优。

一组来自德国、荷兰与日本的研究者在观点文章中提出，脑机接口的设计范式应当转向意念运动理论。作者称，脑机接口研究在技术上进展显著，但适用范围仍然有限，通常依赖运动皮层与视觉皮层信号，且只覆盖有限的患者人群。意念运动理论把自主行动理解为由内部表征的感觉结果所驱动，作者认为这一长期未被充分利用的框架，为下一代脑机接口提供了有原则的依据，能够更贴近大脑本身的意图与动作规划结构。作者主张，把脑机接口重新围绕行动的目的，也就是用户目标与预期效果来组织，可以走出一条更直观、更具普适性、也更易扩展的路径。作者称，神经记录技术与基于人工智能的感觉表征解码近年取得进展，使这一转向变得可行且正当其时，有助于化解脑机接口设计中易用性与普适性方面的难题。

该研究提出一种基于黎曼流形上判别性几何感知的降维方法，用于脑机接口（BCI）应用中脑电图（EEG）分类的对称正定（SPD）矩阵，以增强SPD矩阵的判别性并减少信息损失。流形学习与SPD矩阵在EEG分类中已显示出潜力，但SPD矩阵可能导致EEG信号的关键信息丢失。研究在BCI Competition IV Dataset 1和Dataset 2a上验证，该方法分别将准确率提升5.0%和19.38%，表明判别性几何感知能在降维后保持稳健性能。该工作属于EEG分类的基础方法研究，方法层面的改进为后续系统集成提供了参照。

范德比尔特大学医学中心开发了一种利用术后CT扫描和图像处理来确定人工耳蜗电极与神经界面物理关系的新方法，并据此关闭位置不佳的电极，实现个体化映射编程。人工耳蜗是植入式设备，通过电刺激听神经帮助听障人士恢复听力，其编程传统上不考虑电极的实际位置。该研究在儿科人工耳蜗患者中评估这一方法能否显著改善听力与言语预后，分别在基线、12个月和24个月时收集听力指标。试验已完成，结果尚未公布。