脑电

一项研究提出层级对齐框架，探索结合脑电信号与上下文，检索被阅读的句子。研究聚焦句子级脑电到文本分类，而不是直接生成句子，也不是仅凭脑电识别任意思想。作者指出，以往不少解码研究围绕音素、字母和单词展开，而句子能够承载更完整的语义；在句子级任务中，分类受到的研究关注又少于生成。该框架旨在研究脑电与文本的对应关系，为如何选择句子检索或生成路径提供研究方向。非侵入式辅助交流是其应用背景，不代表已验证沟通障碍人群的使用效果。

五邑大学等机构提出一种融合脑电与功能性近红外信号的方法，在公开数据集的心算、运动想象和情绪识别任务中，平均准确率较最佳基线分别高2.34、0.59和1.47个百分点；后两项差异未达到统计学显著。该方法尝试区分两类信号共有的信息与各自特有的信息，再将其组合用于任务预测，以处理多模态信息重复、时间与空间关联难以充分提取的问题。作者将结果解释为改善混合脑机接口解码的证据，并认为方法具有较强泛化能力。这里的结果来自公开数据集任务评估，不等同于已经验证实时使用或临床应用效果。

研究提出VARY学习框架，处理脑电情绪识别中整段记录的情绪标签未必适用于每个短片段的问题。方法通过两阶段筛选寻找标签较可靠的片段，并结合针对脑电的数据增强。研究在两个公开数据集上，采用三种网络架构和多种标签噪声设置进行评估。作者报告，相比表现最佳的基线方法，DREAMER和SEED上的最大准确率提升分别为11.54%和5.39%。这些结果来自数据集测试，反映的是特定测试条件下的最大增益，而非所有设置下的平均提升。

广西大学、广西医科大学武鸣医院、清华大学等机构合作开发仿生梯度电极，贴近头皮一侧较软，连接电路一侧较硬，并以渐变孔隙持续释放电解质。两名男性分别完成8小时日常活动记录和14小时记录实验。后者每小时进行两类视觉诱发输入任务，SSVEP准确率保持95%以上，mVEP保持90%以上。长时实验各为单人测试，不能外推为普遍佩戴表现或临床疗效。

陕西科技大学研究人员开发脑电分类框架DWDANet，针对不同人脑电信号存在差异、模型难以跨人泛化的问题，将多尺度时空特征建模与动态加权域对齐结合。在BCI IV-2a、BCI IV-2b和SHU-MI三个数据集上，跨受试者分类准确率分别为70.61%、81.43%和64.38%，均优于研究所比较的现有方法。研究还报告了受试者内评估结果。两类评估的适用条件不同，不能将受试者内较高的准确率直接视为模型用于新用户时的表现；这些数据集结果也不代表已验证实际康复效果。

昆明理工大学研究人员综述神经反馈用于创伤后应激障碍干预的机制与效果评价，比较脑电、实时功能磁共振成像和功能性近红外三种方式在反馈目标、时空分辨率及临床适用性上的差异。神经反馈通过实时呈现脑活动特征，引导患者学习调节异常神经活动。综述结合临床量表、神经生理指标和功能恢复指标，讨论其相对于一线治疗的临床定位，以及与心理干预联合应用的潜在协同机制。作者指出，现有研究仍存在对照设计不足、训练参数缺乏标准化等问题，不能将应用潜力视为已确立的治疗效果。

衡阳师范学院与重庆第二师范学院研究人员合作提出轻量脑电解码模型NCEL，并在五个基准数据集上评估。模型在BCIC IV-2b上的平均分类准确率为82.75%；相较EEGNet参考值，在P300和BCIC IV-2b上的平均表现分别提高12.53和9.54个百分点，参数量约为0.008M。不过，在同一受试者、不同采集会话相互分离的额外评估中，模型在BCIC IV-2a上的跨会话表现与EEGNet相当，在BCIC IV-2b上的平均提升为1.80个百分点。研究展示了紧凑模型的分类能力，更广泛的跨会话泛化仍需验证。

香港中文大学（深圳）等合作团队提出OneEEG，利用专门脑电训练和任务感知特征对齐处理多任务脑电问答。标准19通道任务同时输入数值信号与波形图，非标准通道任务只输入图像。在OneEEG-Bench有限候选答案测试中，总体准确率为65.67%，宏平均为68.24%；基线GPT-5.5总体为50.39%。基线仅接收图像与文字，训练和输入条件不同，不能据此认定通用模型能力或临床诊断优劣。

北京工业大学等研究者提出REFS方法，在部分情感标签缺失时，从多类脑电特征中筛选用于多维情感识别的信息。该方法一边重建不完整的情感标签，一边减少所选特征间的冗余，旨在缓解高维特征与高质量样本较少带来的建模困难。在脑电通道配置不同的DREAMER、DEAP和HDED三个数据集上，研究设置了不同标签缺失比例。结果显示，REFS在这些条件下的脑电情感特征筛选稳健性均优于所比较的13种先进方法。这些发现来自数据集评估，不等同于实际情感脑机接口部署效果已获验证。

研究团队提出脑电解码模型压缩框架ORBITAL，同时评估模型抵抗对抗攻击的能力和实际硬件开销。在BCI Competition IV-2a数据集的九名受试者、三个随机种子实验中，S25-TRADES在所测压缩EEGNet模型中取得最高的平均真实并集稳健性：23.06%，标准Full模型为21.27%；参数量和乘加运算量分别减少26.27%和25.10%。硬件测试也显示，降低数值精度不一定更省电、更快：原生INT8配置的延迟和能耗约为FP16的两倍。这些测试不等同于实际使用中的全面可靠性验证。

日本电气通信大学的一项研究提出，无需训练模型，也可通过反复随机采样和粘贴脑电信号，增强稳态视觉诱发电位分量，帮助视觉脑机接口识别目标指令。在合成信号和公开基准数据集实验中，该方法在所有受测信号长度下均优于传统方法，信息传输率最高提升11.30bit/min。稳态视觉诱发电位是大脑对周期性视觉刺激产生的持续响应，可用于判断用户注视的目标。研究针对学习型方法需要训练数据、前期成本较高的问题，探索免训练的信号处理途径；上述增益来自信号和数据集实验。

哥伦比亚大学医学中心参与的一项前瞻性单中心研究发现，41名临床无反应的急性脑损伤重症患者中，13人（32%）能够控制脑机接口。系统实时分析脑电，将患者尝试运动时的信号转为声音变化。实现控制者中，4/13在出院时恢复临床意识，未实现控制者为1/28；12个月时，达到研究所定义功能独立标准的比例分别为6/13和2/28。结果显示，脑机接口控制能力与后续恢复相关，但不能证明使用设备促进了恢复。此次测试的是单向控制，双向交流仍属未来应用方向。

埃塞克斯大学团队记录14名参与者根据语言线索检索概念时的脑电，比较食物、乐器和身体部位三类概念。三个两两分类任务的平均准确率分别为73.4%、70.7%和68.2%。模型先用其他人的数据学习，再用待测参与者自己的带标签数据校准。

浙江工业大学团队提出MOPC，让运动想象脑电解码器在接收新信号时调整参数，无需重新访问原训练数据。作者报告，在BCI IV IIb和OpenBMI上的性能分别比先前方法提高2.22%和3.67%，每试次自适应耗时约40至60ms。arXiv页面注明论文已获《IEEE Transactions on Instrumentation and Measurement》接收。

印度理工学院德里分校、全印度医学科学研究所和昆士兰大学研究人员记录10名健康受试者在5种阻力下完成弯举时的脑电。受试者内留一试验评估的分类准确率为97.2%，跨受试者评估最高为93.0%，错误主要出现在相邻阻力之间。

Araya Inc.与Sincxpress Education SRL研究人员分析了利用超高密度脑电预测口语单词的模型，考察解码依据是否来自神经活动，而非说话时的肌肉电活动。结果显示，各电极对解码的贡献无法用其与肌电的互信息解释；脑电解码依赖的时段也不同于仅使用肌电的解码。有声言语与极轻微外显言语的脑电解码贡献时段存在部分重叠。在所有言语条件下，去噪均增强了言语相关脑区电极对解码的贡献。作者据此认为，适当预处理有助于利用脑电中的神经活动解码口语单词。

墨西哥国家康复研究所与国家理工学院高等研究中心作者综述脑机接口认知康复研究。已有文献报告轻度认知障碍、脑卒中和注意缺陷多动障碍人群的认知改善，但随机对照试验较少，综述所涉应用均为非侵入式脑电系统。

西安交通大学等机构团队开发E-STACNet，在同一网络中处理脑电通道的空间关系与时间变化。在BCI Competition IV 2a和Giga DB上的平均准确率分别为88.00%和80.62%；DEAP情绪效价与唤醒度分类分别为96.49%和96.46%。

内布拉斯加大学林肯分校与奥马哈分校研究人员在24名8至13岁神经典型儿童中比较三种沟通界面。场景界面与标准网格的脑机接口离线预测表现相近，儿童认为场景更具视觉吸引力；布局和背景也对应不同的脑电反应。

华中科技大学提出KDHNet，将解析信号处理与神经网络结合，用于校准数据较少时的SSVEP视觉脑电解码。在三个公开数据集的受试者内比较中，15个分析窗设置中的14个及全部10个校准比例设置，其平均准确率和信息传输率在所比方法中最高。跨人评估位列第一或第二，但对齐仍需目标受试者每类一个带标签试次。结果来自数据集实验，不能视为零校准系统已验证。

同济大学、蚂蚁集团和上海交通大学等机构作者提出NeuroAct脑电研究智能体。在经验复用实验中，BCIC-IV-2a平衡准确率从34.66%升至50.81%，大语言模型词元消耗减少64.02%。研究还评估通用分析、跨任务优化、单任务研究和协作预测，成果以预印本发布。

研究团队提出了一种运动想象脑电分类框架，在两个竞赛数据集上测试，并部署到NVIDIA Jetson Nano。按受试者依赖协议评估时，该方法在BCIC III IVa和BCIC IV 2a上的准确率分别为93.67%和79.14%；采用留一受试者法、测试对未参与训练者的泛化能力时，平均准确率分别为76.49%和55.50%。设备部署测试还报告了完整处理流程的延迟和吞吐量。这些结果展示了数据集分类表现及设备运行速度，但不能据此认定该方法已能改善运动障碍。

研究团队提出TriRouter框架，针对脑电通道稀少或受损时的运动想象分类问题，根据可用通道分配不同处理路径的贡献。在BNCI2014-001数据集上，相比研究中最强的受损脑电基线方法，该框架在名义缺失比例为25%、50%和75%的设置下，准确率分别提高3.68、4.02和6.46个百分点。作者还报告，该方法在按区域成组缺失通道及额外的低通道数数据集评估中仍有效。这些结果来自数据集评估，不能直接等同于实际使用中的脑机接口表现。

研究人员提出一种上肢运动想象脑电解码框架，在三个数据集上检验模型对不同受试者的适用性。该方法结合电极之间的连接关系、人工设计的时频特征和空间、时间特征学习。在PhysioNet数据集的三个上肢类别任务中，使用5个电极时，留一受试者验证准确率为96.01%；在BCI IV-2b数据集上，使用3个电极时，同一验证方式的准确率为93.35%。作者报告，该方法与代表性图方法相比表现具有竞争力，同时需要更少的可训练参数和脑电电极。这些结果来自数据集评估，不等于已验证在线控制或临床应用效果。

研究人员将想象说话时的脑电信号与文本的语言表示对齐，希望在识别固定意图之外，利用不同表达之间的语义关系。研究在Chisco想象语音数据集的5名受试者、39个意图类别上评估了这一框架，解码表现与针对该任务优化的闭集分类器相当。脑电与文本的最大相似度还能筛选出Top-1和Top-5准确率更高的留出试验子集。五个语义维度的平均一致率均高于50%的机会水平参照；对未见候选句子的比较则属于定性展示，不能据此认定系统已能自由读取任意想象语句。

研究人员提出一种从连续脑电记录中识别事件类别、同时估计起止时间的框架NeuroDETR，推理时不需要预先划定事件边界。它针对事件相关信号混杂在持续背景活动中的难题，结合不同时间尺度的信息与脑电通道之间的空间结构，并通过预测事件是否存在来引导特征处理。作者报告，该框架在八个涵盖不同范式的脑电数据集上取得了最先进的性能。这些结果来自数据集实验，研究面向的是连续交互和监测中的脑电事件识别，不能直接等同于实际脑机接口系统的应用效果。