神经信号解码

加州大学河滨分校提出理论框架,解释神经解码中为何中等时间整合尺度常常是信息表征的最优选择。

研究人员开发了一款32通道事件型生物信号模拟前端芯片，采用180纳米CMOS工艺制造，支持脉冲频率调制与自适应异步Delta调制双模式编码。该芯片能根据输入信号包络实时调整编码数据率，实现高数据压缩，为脑机接口中的神经信号无线传输与在线处理提供了新方案。

一项预印本研究提出一种基于事件的神经解码方法用于神经假肢运动控制。研究指出，现代假肢虽由深度神经网络驱动，但高延迟、高能耗与空间需求限制了其普及：有线连接限制患者活动，无线连接又限制可传输的信息量；脉冲神经网络虽支持压缩通信与低功耗推理，但任务性能常落后于最先进深度学习模型。该研究提出的事件型门控循环单元以分级脉冲生成稀疏通信模式，在任务性能上超过经典脉冲神经网络，并配合高效训练方法与稀疏推理，为设备端神经解码提供新机会，有助于在延迟、能耗与空间受限的情况下部署假肢控制。该研究为预印本，尚未经过同行评审。

一项预印本研究提出CNN-LSTM-RL两阶段解码框架，用强化学习对CNN-LSTM连续运动想象解码器的输出做残差运动学校正。RL智能体离线训练、不直接使用EEG输入，而是基于预测的运动学轨迹优化相对目标轨迹的运动准确度。研究者称，与单独使用CNN-LSTM相比，CNN-LSTM-RL将2D平均相关系数从0.5076提升到0.7181，VR场景从0.6420提升到0.7780，RMSE分别降低40.2%和38.2%。研究者认为，该框架通过离线残差强化学习校正运动学误差，无需额外神经数据即可增强3D脑机接口运动想象解码，对神经康复、假肢与虚拟交互有潜在价值。该研究为预印本，尚未经过同行评审。

多伦多大学团队用扩散模型不同时间步的隐表示作为神经语音解码的中间层,词错误率随时间步选择大幅变化。

一项预印本研究展示了一种利用植入式神经接口长期监测胶质瘤进展的平台。在多种小鼠品系和胶质瘤模型中，肿瘤进展始终与肿瘤微环境的伽马频段神经活动升高相关；机器学习模型可根据慢性神经记录预测肿瘤负荷，并利用伽马神经轨迹预测个体肿瘤生长速率。该研究由Coherence Neuro Global, Inc.等机构的研究人员完成，于2026年7月9日上传至bioRxiv，尚未经过同行评审。

哈佛医学院研究人员发现，啮齿动物面部运动的光谱分析可以预测其大脑皮层活动和脑机接口任务表现，这一发现为开发更有效的神经假肢控制系统提供了新的生物学基础。该研究为预印本，尚未经过同行评审。

Neurosom宣布获得一项新专利，名为“用于脑电图源分析和经颅电刺激的贝叶斯超分辨率方法”，美国专利号12,663,866。该技术结合贝叶斯统计建模、个性化脑电数据与脑图谱模型，旨在实现脑电活动起源的“超分辨率”定位，从而提升经颅电刺激的引导精度。

一项预印本研究以Adaptive Thinking Mapper（ATM）模型为框架，实证评估EEG预处理策略（仅MVNN的基线管线对比整合ICA与陷波滤波的完整清洗管线）对视觉EEG解码中通道注意力表征的影响。研究通过跨泛化、噪声稳健性与谱时消融分析评估模型，并利用节点强度相关与表征相似性分析，考察数据驱动注意力权重与神经生理参考网络（GPDC、PDC、DTF）之间的结构对应。研究者称，完整预处理在保持相当解码精度与基线稳健性的同时，有效抑制了额部噪声等非神经伪迹；学习到的注意力空间组织跨管线保持稳定，仅在全球表征几何上存在细微的度量依赖差异。该研究为预印本，尚未经过同行评审。

研究团队让18名右利手参与者分别想象声音和画面，同时用脑磁图记录脑信号，再比较卷积神经网络与线性逻辑回归两种解码模型。卷积神经网络在两个任务上都高于随机水平，视觉想象的准确率超过70%。更值得注意的是，即使只用与当前任务无关的皮层区域训练，模型仍能显著解码，说明想象内容并非局限于单一感觉区，而是分布在有重叠的神经网络里。这为把听觉与视觉信息一起纳入脑机接口解码提供了实验依据。

一篇发表于《Computers in biology and medicine》的观点综述聚焦EEG跨会话、跨个体和跨记录条件的非平稳性问题，讨论如何借鉴大脑维持功能稳定的机制来提升脑机接口模型稳健性。文章梳理突触可塑性、稳态调节、神经振荡和脉冲表征等路径，并与传统机器学习和迁移学习方法进行比较。作者提出可将生物学机制与人工神经网络结合，同时给出生物启发、生物合理和生物真实建模的操作性定义，以及持续EEG基准的最低规范。综述也指出，多种机制在EEG场景中的直接证据仍然有限，因此应明确区分实证结论、研究假设与未来方向。

不开颅，能否从大脑活动里读出一个人正在打的句子？研究团队开发了名为Brain2Qwerty的深度学习模型，让35名健康志愿者在键盘上默写刚记住的句子，同时记录他们的脑磁图（MEG，一种测量大脑磁场的非侵入式技术）或脑电（EEG）信号。用脑磁图时，平均字符错误率为29%；用脑电时为65%。表现最好的受试者错误率低至18%，模型还能完整解码训练集之外的多种句子。研究者认为，这缩小了非侵入式与植入式方法之间的差距。

事件相关电位为脑机接口提供隐式反馈与纠错信号，但基于源域被试训练的模型容易受被试间差异与采集噪声影响，泛化到未见被试时性能明显下滑。新方法MVCLDG把判别特征提取与域不变表征学习结合起来，用多尺度inception块融合原始脑电与希尔伯特变换导出的相位信息，捕获幅值与相位特征，再施加域对齐与对比学习约束，缩小跨域分布差异、压紧类内表征、拉开类间间隔。它在公开的错误相关负电位数据集和自采的语义句法违规数据集上评估，跨被试设置下优于基线与代表性域泛化方法，且无需额外目标域自适应；消融实验确认各组件有效，特征可视化显示模型关注的电极与已知神经生理头皮模式一致。该研究2026年6月27日发表于《Brain Connectivity》。

一项发表于《Computers in biology and medicine》的研究提出LEGEND神经解码架构，联合建模皮层EEG、脊髓ESG与外周肌肉EMG信号，面向脊髓损伤康复中的神经旁路。模型在洛伦兹双曲空间编码三模态信号，通过有符号三层相位锁定值图连接51个通道节点，再利用图注意力模块细化表征。在Steele数据集严格留一受试者交叉验证中，LEGEND取得56.51%±12.27%的准确率，比EEGNet高23.4个百分点。研究者认为，双曲表征能够捕捉运动层级中的复杂关系，为联合脑、脊髓和肌肉信号的康复解码提供计算基础。

多数脑机接口靠电极读取神经电信号，很难在较长时间里反复追踪同一批神经元，这限制了对长期神经过程的研究。以色列魏茨曼科学研究所脑科学系的研究人员开发了名为BAMBI的系统：给小鼠戴上微型显微镜，实时拍下神经元活动时的钙信号变化，并据此给出反馈。系统能在多次实验中对准同一视野，因此可以跨越多天追踪同一组神经元，无需重新训练。研究团队在头部固定和自由活动两种条件下、用不同行为范式验证了该系统，小鼠能够在多天内稳定调控特定的海马神经元来换取奖励。此前的钙成像脑机接口大多局限于头部固定条件，也未展示跨天的稳定表现。这项工作为长时程研究神经元群体动态提供了新工具。

兰州大学、浙江大学、香港大学与中山大学的研究团队提出MindShow，一种在队列级训练设置下做多人共享fMRI到图像重建的统一生成框架，该研究2026年6月20日发表于《Medical Image Analysis》。现有基于fMRI的图像合成方法大多针对单个人，适配新个体需要大量数据。MindShow的核心是分层条件混合专家编码器，把人群共享的潜在表示与个体特有的神经特征分开，新受试者只需少量校准数据即可适配。多粒度最优传输损失让脑信号特征与预训练视觉语言模型对齐，最后由冻结的扩散模型生成图像。研究者称，MindShow提高了高层重建指标，同时保持了有竞争力的结构保真度。

一项发表于《Computers in biology and medicine》的研究提出动态小波基选择增强方法，用于改善非侵入式EEG想象语音分类。该方法为每个EEG片段计算小波熵，选择信息量更高的小波基，再向相应小波系数注入高斯噪声，增强后的信号由带通道激励机制的卷积神经网络分类。研究数据包含32个通道、8种刺激和10名参与者。词语与元音组合实验的最高分类准确率达到98%，Cohen's kappa为0.95，但完整类别分类的表现较低。研究者称，该方法优于传统数据增强策略和静态小波方法，为处理EEG噪声与非平稳性提供了自适应路径。

人能不能学会用“想”去操控一个设备，可能取决于这套操控方式是否顺应大脑本来的活动规律。研究人员让受试者躺在磁共振扫描仪里，通过调节负责空间导航的脑区活动，实时控制电子游戏中的虚拟角色。随后，研究人员改变脑活动与角色动作之间的对应关系。当新的对应关系落在大脑活动本身变化较大的方向上，即所谓“内在流形”，受试者能重新调整脑活动，学会控制角色；当对应关系偏离这一结构，受试者始终学不会。研究人员认为，这一规律可用于设计更容易上手的脑机接口。

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。

脑机接口要读懂“想象动一动手”时的脑电信号，常用的轻量神经网络大多层数较浅，难以提取更深层的特征。直接把网络加深，又会因为残差结构设计不当、预处理与残差模块不匹配而无法提升效果，研究者称之为“深度壁垒”。研究团队提出残差深度可分离网络ResDSNet，并配套设计了数据预处理模块，用于过滤噪声、保留运动想象相关特征。在3个公开数据集、共127名受试者的脑电数据上，它的准确率分别为79.36%、84.95%和64.13%，比现有最优方法分别高3.16%、1.59%和8.40%。这项工作只在离线公开数据上测试，尚未在实时脑机接口系统或患者中验证。

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。

用脑电信号识别情绪，以往要么离线批量处理、准确但慢，要么实时流式处理、快但准确率打折扣。研究人员提出一种混合批流框架，把两种方式结合起来：系统根据流式模块过往的表现估计它当前是否可靠，再按概率决定采用批处理还是流处理的输出。在DEAP、AMIGOS和SEED三个公开基准数据集上，该框架的分类准确率分别为85%、94%和74%。研究还测试了系统在数据分布随时间变化（概念漂移）时的表现。目前结果来自公开数据集的离线评估，尚未在真实用户中验证。

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。

嘈杂环境里，现有助听器把所有声音一起放大，听不清想听的那个人。研究团队在接受神经外科手术的患者身上，用颅内脑电信号实时判断患者正在注意哪位说话人，再自动放大这个人的声音，形成闭环。多项实验中，这套系统提高了语音清晰度，降低了聆听时的费力程度，受试者也一致更偏好它；无论是按指令切换注意对象，还是患者自己转移注意，系统都能跟上。研究人员认为，这为未来的听觉脑机接口提供了关键性能基准。

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。