脑电

一项概念验证研究显示，基于脑电图（EEG）的非侵入式脑机接口方法可区分1型糖尿病患者的低血糖与非低血糖状态。在数据受限条件下，二次判别分析分类器达到96.2%的准确率，且低血糖状态伴随特征性的delta和beta波段改变。该方法有望为低血糖早期预警提供无创、可实时运行的检测途径。

日本千叶大学团队提出一种名为扩散逆滤波（DIF）的信号处理方法，用于抵消脑电图（EEG）中因容积传导引起的空间平滑效应，从而增强基于功能连接的脑机接口（BCI）模式识别能力。研究以情绪识别为任务，发现DIF在电极稀疏化条件下通常能提升识别性能，且与现有BCI处理流程兼容。该研究于2026年8月27日发表于《Brain Sciences》期刊。

一项针对慢性脊髓损伤参与者的个案研究发现，在扩展现实脑机接口（XR-BCI）使用中，体现感与额叶theta活动正相关，而模拟器晕动与感觉运动beta活动负相关。研究分析了17次XR-BCI会话，采用贝叶斯相关分析和多元线性回归，发现模拟器晕动是唯一与感觉运动beta活动独立相关的变量，且结果稳健。这表明XR-BCI操作中不同维度的主观体验对应部分不同的神经生理关联，为未来通过脑电实时监测用户主观体验、优化BCI训练与交互设计提供了基础。该研究由葡萄牙阿尔科伊唐健康高等学院、阿威罗大学和葡萄牙天主教大学的研究人员完成，于2026年8月27日发表于《Life》期刊。

在模拟多级管制任务的跨受试者评估中，动态微状态引导的图卷积网络（DMG-GCN）实现80.30%的平均准确率和78.63%的平均F1分数。该模型由南京航空航天大学等机构的研究者提出，用于解码空中交通管制员的脑电认知负荷。它通过动态选择性核时间卷积模块提取多尺度时频特征，微状态引导的动态图模块构建随时间演化的邻接矩阵以分离拓扑子网络，随后由时空图卷积模块聚合表征，时间自注意力机制聚焦任务关键转换时刻。探索性分析显示，提取的拓扑子网络空间模式与特定脑网络重组一致，涵盖从全局分布式监测到时间多模态整合及顶枕区并行处理。相关成果2026年8月26日发表于《Biosensors》。

脑机接口设备之间的无线通信需要既安全又低延迟，而量子计算机的威胁让传统加密面临风险。一项新研究提出PQ-NeuroLink框架，在模拟最严苛的蓝牙低功耗单跳条件下，采用混合后量子加密模式比不加密基线仅增加0.45毫秒的延迟，同时保持99.0%的数据包投递率。该框架将身份认证与数据流加密分离，为下一代分布式脑机接口提供了可复现的安全通信基础。研究由阿联酋大学的团队完成，发表于2026年8月26日的《Frontiers in Systems Neuroscience》。

一项范围综述发现，无线脑电图设备在发育障碍儿童研究中的应用呈上升趋势，其中脑机接口技术占纳入研究的28.1%。综述纳入64项研究、3103名参与者，显示脑机接口研究偏好低通道、干电极、消费级设备，而生物标志物驱动的研究则使用更高通道数和信号保真度。但数据质量报告严重不足：85.9%的研究未报告与有线脑电图的验证对比，79.7%未说明阻抗阈值。该综述由韩国延世大学和加拿大多伦多大学的研究团队完成，于2026年8月25日发表在《Journal of Medical Internet Research》上，是首篇系统梳理无线脑电图在多种发育障碍儿童中应用的综述，揭示了该领域标准化缺失的现状。

Arctop发布了一篇论文配套文章，介绍其“基于脑反馈的强化学习（RLbF）”框架。该框架利用实时脑电测量，解码出工作负荷、压力等认知状态，作为奖励信号来训练大语言模型。文章称，这一方法能让模型在对话中感知听者的认知状态，并实时调整表达方式，从而改善沟通效果。目前，该框架已在其应用“Isaac”中部署，但仅使用单一维度（认知负荷）进行自适应。与传统RLHF依赖事后主观反馈不同，RLbF利用脑电信号提供连续、非自愿的反馈，使模型能实时感知话语对听者大脑的影响。这一方法首次将脑信号用于语言模型训练，但尚处于早期部署阶段，仅支持单一维度，且具体技术细节未完全公开。

传统视觉脑机接口常用闪烁刺激，容易引起视觉不适与疲劳。新研究提出编码调制运动视觉诱发电位（c-MVEP）范式，用伪随机序列以运动方式刺激目标。离线实验对比c-MVEP、c-VEP、SSMVEP与SSVEP四种条件下单个目标的脑电信号，c-MVEP与c-VEP诱发的时域和宽带频谱响应相似、信噪比相当，但c-MVEP更集中在较低频段；空间上两类运动刺激都在Oz处达峰并向多个电极扩散，两类闪烁刺激则更集中于Oz。在线四目标实验中，c-MVEP平均准确率85.67%、平均选择时间2.61秒，低于c-VEP（97.81%、1.15秒）和SSVEP（93.42%、1.94秒），高于SSMVEP（64.91%、4.18秒），主观舒适度与闪烁范式相当。该研究2026年8月20日发表于《Frontiers in Neuroergonomics》。

一项新研究提出基于脑电（EEG）的情绪识别框架，利用听觉刺激在效价-唤醒模型下识别情绪。离散小波变换特征在受试者依赖评估中达到最高准确率0.88，但受试者无关的留一受试者交叉验证接近随机水平，显示个体差异显著。通过少量校准数据的少样本适配，功能连接特征在75%校准数据下达到最高0.77，为个性化情感脑机接口提供了基础。该研究由泰国瓦莱岚大学的研究团队完成，系统比较了多种EEG特征和分类器在听觉刺激下的情绪识别性能，并量化了受试者间差异对泛化的影响。少样本适配的改进表明，个性化校准可能是情感脑机接口走向实用的关键路径。

西班牙格拉纳达大学团队将P300脑机接口技术带入中学课堂，用Bitbrain Versatile EEG系统在近百名中学生面前演示了如何仅凭脑电活动猜出志愿者心中默想的数字。该实验源于工业电子工程专业学生Marta Rodríguez Comino的毕业论文，由Joaquín T. Valderrama和Iván López Espejo博士指导。系统采用基于水电极的便携脑电设备，结合主成分分析和支持向量机解码注意力信号。