神经信号解码

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。

可穿戴脑机接口读取的脑电信号常被眨眼、肌肉活动等生理干扰污染，而现有深度神经网络虽能清理这些伪迹，计算开销却大到难以装进头戴设备。研究人员提出的STAND-Net改用模仿生物神经元的脉冲神经元，只在信号变化时才运算。它把泄漏积分发放神经元构成的编码器-解码器、加入空洞卷积的残差主干，以及依据神经元放电模式定位伪迹的注意力机制组合在一起。与最先进的现有方法相比，它在多种伪迹下的信号失真比提高超过3.7 dB，功耗比可比的深度神经网络低97.98%；用它处理后的信号做脑机接口分类，准确率提高6.64%。这意味着低功耗的伪迹清理有望在可穿戴设备上运行，但结果来自论文摘要，尚无佩戴者实测数据。

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。

看到同一个画面，人可以想着去抓、去拦截、按顺序抓、先注意再抓，或者忍住不抓。研究人员设计了一套实验范式，让同一视觉刺激诱发这五种不同的认知过程，并从头皮脑电信号中把它们区分开来：采用正则化线性判别分析分类器、结合事件相关频谱扰动特征，五类认知状态的分类准确率为91.72% ± 6.10%。在序列抓取任务中，利用时间特征区分正常试验与捕捉试验的准确率为77.96% ± 7.03%。研究目前为离线分析，团队表示下一步将提升解码性能并扩展到在线应用。

研究人员提出名为MSHANet的深度学习模型，用来从头皮脑电信号中读出人“想象”的肢体动作，这类信号常用于中风或脊髓损伤后的康复训练。论文指出，运动想象脑电具有非线性动态特性，且不同人之间差异大，限制了解码准确率。模型由时空特征提取、交互头自注意力、动态挤压—激励注意力和时间卷积网络四部分组成，在三个公开数据集上的单人内解码准确率分别为83.56%、89.75%和75.66%，跨人测试为69.93%、81.85%和79.67%。团队还设计了一种把电极空间位置写进输入数据的编码方法，在BCI-2a数据集上让单人内和跨人准确率分别提高2.83%和2.91%。结果均来自离线公开数据，尚未在患者身上实时验证。

脑机接口每次使用前通常要让用户先做一轮校准，因为同一个人不同时间、不同人之间的脑电信号差异很大，这种差异来自个体差异和环境因素，是神经解码的主要难题。2026年1月发表的一项研究提出了运动想象脑电解码框架RUNet，试图省掉校准这一步。它先用静息状态下的脑电数据做无监督预训练，学习不随场次和个体变化的特征，再用任务数据做再训练，并借助黎曼流形上的数学映射压低不同场次、不同人之间的信号漂移。在BCI Competition IV 2a数据集上，这一框架的平均跨会话准确率为87.19%，跨被试准确率为68.09%；在PhysioNet数据集上，跨被试准确率为78.14%。结果全部来自离线数据集测试，尚未在实时使用中验证。

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。