神经信号解码

运动想象脑机接口一直有两个老问题：不同人之间差别大，能分出的指令少。这项研究让使用者先用眼睛看目标完成选择，再用想象动作确认，把两步合成一步。15名健康参与者、16通道脑电的测试中，混合范式在所有通道配置下都优于单纯运动想象，最高准确率达到100%。研究还发现，注视目标本身能让脑电反应更稳定，这为减少电极数量、降低设备门槛提供了依据。

异步稳态视觉诱发电位（SSVEP）脑机接口在真实控制中潜力很大，但脑电信号与固定相位模板之间的相位偏移常拖累性能。研究者观察并验证了相位滑动振荡现象，据此提出异步分类方法PSO-AC，把脑电重构为不同初始相位的序列，经同步压缩小波变换提取相位解耦特征，再由概率时序模型区分控制与非控制状态。离线实验（22人）中，2秒数据下平均判别准确率达94.2%，优于现有基线；9分类任务在不同时间延迟下也保持优势。在线机械臂实验中，每次成功试验的命令成本从4.30降至1.14，指令触发更稳定、控制效率更高。论文2026年8月21日发表于《国际神经系统杂志》。

华东理工大学等机构的研究者提出名为EFS-Net的端到端融合网络，把脑电与功能性近红外光谱两种信号在多个尺度上对齐融合，以克服单一模态解码的局限。网络设三条互补分支：多尺度时间卷积分支捕捉脑电快速变化的皮层电生理特征，脑电空间分支构建经延迟补偿的皮层地形图以适配近红外较慢的血流动力学响应，空间校准的近红外分支把空间特征图与脑电对应特征动态融合。在词语生成和心算两个公开数据集上，采用逐被试留一次会话交叉验证，准确率分别为77.71%±8.23%和81.69%±9.49%。该研究2026年8月21日发表于《Cognitive Neurodynamics》。

基于脑电的运动想象解码是脑机接口的常用方案，但传统方法多用统一的宽频段或固定的一组子频段提取特征，难以适配不同被试的脑电差异，分类性能容易下滑。孟加拉国联合国际大学团队提出SSLFF框架，为每位被试逐一搜索并选取最优频段，动态融合互补频带，再叠加时间局部特征提取，在更宽的主频段上也能稳定工作。论文称，相比传统方法，SSLFF的分类准确率取得统计学显著提升，对系统参数变化保持稳健。这表明脑机接口解码的个性化不必以牺牲频段宽度为代价，为运动想象分类的落地应用提供了新思路。该研究2026年8月20日发表于《Journal of Medical Engineering & Technology》。

神经形态计算与脑机接口的结合，正催生一类更省电、更小巧、能闭环工作的神经技术。一篇近日发表于《npj Biomedical Innovations》的综述提出“脑启发脑机接口”（BI-BCIs）框架，将神经形态计算与脑机接口统一起来，目标是实现低功耗、闭环和小型化的神经技术。该框架有望推动神经假体和神经调控系统的发展，为治疗神经系统疾病提供新思路。综述由来自奥胡斯大学、斯坦福大学、南丹麦大学、热那亚大学、于利希研究中心和亚琛工业大学的研究人员共同撰写，于2026年8月20日发表。

手写想象脑电为脑机接口提供了一条无创的文本输入与复杂意图表达路径，但解码受低信噪比、非平稳性、跨会话分布漂移以及连续时间趋势与局部高响应模式并存等挑战制约。新网络DRDNet用平均池化与最大池化从空间脑电特征构造两个互补的时间视图，分别交给双向Mamba编码器与Transformer编码器建模，再经时间步级动态融合与长短期记忆时序聚合自适应整合。在公共手写想象脑电数据集的汉字笔画手写想象与拼音单韵母手写想象两个任务上，它平均准确率分别做到67.74%和62.51%，Cohen's kappa分别为0.5968和0.5502，优于7个代表性脑电解码基线。该研究2026年8月19日发表于《Journal of Neural Engineering》。

研究者提出多特征黎曼超图框架MRieHy，面向运动想象脑机接口解码的在线测试时自适应。框架先以跨天训练数据的协方差矩阵黎曼均值对齐多日分布，再分别以黎曼距离和余弦相似度构建协方差矩阵超图与深度特征超图，经自适应权重融合并与标签投影矩阵联合优化。在线测试时，MRieHy维护近期样本的先进先出缓冲，对缓冲数据执行黎曼对齐后解码。实验在私有四类ECoG数据集与两个公开四类EEG数据集上验证，MRieHy较现有最优基线取得明显性能提升，研究者认为该方法可改善临床运动想象脑机接口的跨天可迁移性与在线运行能力。

一项新研究提出结合脑电（EEG）与视觉注视的双模态AI模型，用于同时评估学习者的注意力和认知负荷。该模型在注意力识别上准确率达91.8%，认知负荷评估准确率为89.4%，并在公开数据集上验证了其泛化能力。研究旨在解决在线学习中单一生理信号易受环境噪声干扰的问题。

瓦博科技2026年8月14日发布官方消息，聘任中国科学院深圳先进技术研究院研究员、深圳理工大学杰出教授党建武（Jianwu Dang）为科学顾问委员会成员，并担任联合科学家。党教授的研究涵盖语音科学、语音信息处理、对话理解与语音认知的神经机制，曾任国家重点基础研究发展计划（973计划）项目首席科学家，也曾在日本北陆先端科学技术大学院大学任教。合作将围绕人类意图背后的认知机制、计算特征表示与多模态信号展开，在脑电、肌电、语音、文本和任务情境上建模，考察换用户、换任务后的稳定表现与安全拒绝，最终把高层次的人类意图转化为受控的机器动作。

该预印本2026年8月13日上传至arXiv，提出一种把卷积神经网络与双向长短期记忆网络结合的混合深度学习架构，用于运动想象脑电信号解码。研究者指出，运动想象脑机接口被视为在大脑与外部设备之间建立灵活通信通路的可行途径，但脑电记录噪声大、与底层脑活动的关系复杂，可靠解码始终困难。在该架构中，卷积网络直接从原始运动想象脑电中学习高层空间与时间表征，双向长短期记忆网络则对所提取特征之间的时间依赖关系建模。研究者在一个公开数据集和一个自行采集的数据集上评估该方法，报告其在二分类与三分类运动想象任务中均表现稳健，并展现出跨被试解码的潜力。该研究为预印本，尚未经过同行评审。

一篇新发布的预印本提出脑电-语言基础模型BLPM，将异质EEG解码任务统一为连续语义嵌入预测问题。

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。