神经信号解码

一项纳入60名亚急性卒中偏瘫患者的研究显示，在常规康复基础上增加运动想象脑机接口训练，可显著改善患者的上肢运动功能、简化上肢功能评分和日常生活能力。实验组30人接受为期3周、每周5天的额外脑机接口训练，对照组仅接受常规康复。结果显示实验组在Fugl-Meyer上肢评分、简化上肢功能评分和Barthel指数上的改善均优于对照组，差异有统计学意义。

密歇根大学安娜堡分校的研究人员开发了一种名为SpikeCleaner的算法，用于在自动尖峰排序后标注神经单元的质量。该算法结合放电率、放电时间指标和波形特征，将单元分类为良好、噪声和多单元活动，旨在减少人工筛选的工作量并提高数据质量。在基准测试中，SpikeCleaner对单个单元的分类准确率达到97%，F1分数为92%。

一项新研究展示了名为EmoWrite的脑机接口系统，它通过情感分析将思维转化为文本，打字速度达每分钟6.6词，准确率90.36%。该系统由巴基斯坦和韩国的研究人员开发，在72名志愿者中进行了验证，并引入了动态键盘和视觉反馈，以提升用户体验。

一项新研究提出DSTF-Net框架，仅凭额叶脑电信号即可解码稳态视觉诱发电位（SSVEP），无需枕叶电极。该框架在20名新用户（含8名仰卧位的脑损伤患者）上完成跨被试迁移，相比基线最高提升33.47%的解码准确率。研究发表于《npj Biomedical Innovations》。

布朗大学研究者在bioRxiv上传预印本，提出名为Neural SS-DMP的运动解码模型。模型不直接输出手的坐标，而先从神经信号里推断一组描述动作意图的参数，再交给一个遵循物理规律的运动生成器画出完整轨迹，解码结果因此天然落在人体做得出的动作范围内。生成器还会按每个人的训练数据调整，把通用的运动规律与这个人自己的动作特点混合。作者称，两类神经记录数据上的测试显示，模型的准确率与轨迹平滑度均优于现有强方法，且在时间靠后的新记录上性能保持得更久。该研究为预印本，尚未经过同行评审，全部结果基于离线数据，未在实时控制中验证。

一项预印本研究提出UnSPC（不确定性引导的自步循环），一种将域适应（DA）与域泛化（DG）在迭代循环中整合的框架，用于应对侵入式脑机接口长期部署中的神经漂移。研究指出，神经漂移会随时间降低解码性能并需频繁重校准，而既有方法通常只依赖DA或DG其一，难以捕捉跨神经亚域的细粒度分布偏移。UnSPC在不确定性引导的自步伪标签机制下，以噪声稳健的排序策略迭代挖掘可靠伪标签样本，并通过循环适应与泛化策略在迭代循环中逐步缓解全局与亚域漂移。研究者称，在多个神经解码数据集上的实验验证了UnSPC的有效性与稳健性，据作者称这是首个以伪标签循环整合DA与DG的方法。该研究为预印本，尚未经过同行评审。

美国退伍军人事务部研发办公室（VA ORD）正推进一项高精度植入式脑机接口（BCI）研究，旨在改善四肢瘫痪或因肌萎缩侧索硬化、脊髓损伤或中风而无法言语的退伍军人及其他患者的独立性。该项目将增强深度学习神经解码器与多状态手势解码，部署到电池供电的移动BCI设备上，供患者在家中独立使用电脑和触屏移动设备。准确性与可用性将在BrainGate临床试验已入组受试者中评估。

侵入式言语脑机接口能把尝试说话时的皮层活动解码成文字，现有最优系统的词错误率已低至1%，但代价是要先采集数千句训练数据，从植入设备到能顺畅沟通，中间要经过漫长的采集期。加州大学戴维斯分校团队提出一个基于Transformer的解码模型，跨6名侵入式言语脑机接口受试者联合训练。对每一名受试者，无论性别、病因或尝试发声策略如何，多用户模型的解码都优于仅用其个人数据训练的模型，相对词错误率平均降低超过50%。更关键的是，该模型在此前未参与训练的用户上，只用不到200句话微调，就实现了低于7%的词错误率。该预印本2026年7月27日上传至bioRxiv，尚未经过同行评审。

一项新研究利用UCI机器学习库的EEG-Eye-State数据集，通过四分位距裁剪处理异常值，结合随机森林分类模型，实现了睁眼与闭眼状态的高精度检测。模型准确率达92.49%，ROC-AUC为0.9791，交叉验证平均准确率92.86%。研究为疲劳监测和辅助技术等脑机接口应用提供了稳定且可解释的解决方案。

一项预印本研究提出SSCDL，一种自监督一致性增强的解缠学习框架，用于脑机接口神经解码泛化。研究先设计一致性增强神经解码器（CND），通过教师-学生一致性约束与模拟神经信号扰动，学习对神经漂移不变的稳健表征；再在互补解缠泛化机制下使用三个专用CND，借鉴神经偏好理论将运动信号解缠为速度、方向和速率，从而从多样化的神经偏好视角捕捉不变表征，显著增强跨天泛化。研究者称，SSCDL在广泛实验中取得最先进的解码性能，具有高稳健性与跨天稳定性，有望支持长期、精细的辅助应用。该研究为预印本，尚未经过同行评审。

加州大学欧文分校的研究者提出一套用脑电研究类别表征的任务与分析流程，并在30名受试者身上验证。受试者观看分属5个类别（动物、工具、食物、场景、交通工具）的图像与词语，并在连续出现同类物品时作出反应；研究者在个体内训练支持向量机进行分类。结果显示图像试验与词语试验都能达到显著的类别分类准确率，但图像试验明显更高：图像的所有类别两两之间均可统计区分，词语则仅有一对可区分。电极层面的分析表明，顶叶与左颞电极对图像分类的贡献大于额叶与右颞电极。该预印本2026年7月26日上传至bioRxiv，尚未经过同行评审。

英属哥伦比亚大学团队在bioRxiv发布开源基准BEND-BCI，横向评测23种神经解码方法，覆盖运动、视觉、言语和空间四类任务，跨16个真实或合成神经记录。该基准除留出预测准确率外，还比较对输入扰动的稳健性、计算成本和跨记录潜在表征一致性。加入这些维度后，解码器排名经常改变，留出准确率不能可靠识别最稳健、最省算力或跨记录最一致的模型。较简单的基线方法与参数量大得多的深度网络相当，某些情况下甚至更优。作者据此提出，解码器选型应从准确率排行榜转为在任务、资源、表征与诊断目标之间的约束决策。该预印本2026年7月26日上传至bioRxiv，尚未经过同行评审。

一项预印本研究提出一种基于条件流匹配的自适应EEG生成框架，用于缓解脑机接口应用中的数据稀缺并支持大规模神经建模。研究指出，既有流式方法假设样本内各通道与各时间段共享单一全局时间进程，忽视了并非所有EEG时刻都同等重要；该框架引入位置自适应时间调度，跟踪逐位置重建误差以调节流匹配轨迹中位置特定的时间进程，并整合分解时空注意力与频率对齐的多分辨率谱一致性损失，以建模体传导引起的跨通道依赖并补偿EEG的幂律谱偏差。在三个采集协议与任务语义不同的EEG数据集上，该框架一致优于最强基线，将TS-FID最高降低62.2%，下游分类准确率提升最高6.77个百分点。该研究为预印本，尚未经过同行评审。

研究者称，一项关于贝叶斯完全池化用于跨被试运动想象EEG分类的大规模研究于2026年7月25日以预印本形式上传至arXiv，尚未经过同行评审。脑机接口长期追求免校准运行，但分类器通常只按判别能力评测，忽视预测概率是否校准良好。该研究在20个数据集上比较贝叶斯完全池化模型与频率学派基线，做跨被试左手对右手运动想象EEG分类，6条频率学派管线各配对一条特征工程相同、用MCMC后验采样拟合的贝叶斯管线。研究者称，贝叶斯完全池化带来统计显著但非实践显著的可靠性改善和预测不确定性增加，Brier分数、分辨力与判别无显著差异，贝叶斯管线能耗约为频率学派管线的13倍。

研究团队开发了一种处理多通道发作间期颅内脑电的深度学习架构，用于在不依赖发作期记录和人工标注的情况下定位致痫区。模型结合Morlet小波时间Transformer编码器与空间注意力编码器，在7个独立中心的50.5小时数据上评估，覆盖161名患者和17,012个通道。留一中心交叉验证得到汇总AUROC为0.778，95%置信区间为0.748至0.808，各留出中心的区分能力均高于随机水平。结果显示，跨中心、跨植入方式的表现与既有电生理基线相当，但仍需前瞻性临床验证。该研究为medRxiv预印本，尚未经过同行评审。

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。

脑机接口已经在恢复运动和沟通上取得进展，但注意力、记忆这类认知功能，解码难度不在一个量级：运动与语言依赖相对局限、稳定的神经表征，认知功能却分布在多个脑区、随时间快速变化。这篇综述认为，长期用于神经和精神疾病治疗的神经调控可以补上另一条路径，通过因果性地调节认知相关环路，已经有了初步的转化应用。作者进一步提出，把信号采集、算法分析和刺激反馈做成自适应的闭环系统，认知脑机接口不仅可能恢复心智功能，还可能成为实时监测并塑造认知的下一代神经治疗技术的基础。文章属观点性综述，没有报告新的临床试验数据。

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。