脑电

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。

Zander Labs与Encord试行同步采集操作人员的第一视角视频和脑电，用于构建机器人训练数据。双方计划先建立初始数据集，再测试其能否改善客户模型表现，之后决定是否扩大采集规模。

脑机接口公司BrainAccess宣布推出MATLAB API，允许用户直接从桌面MATLAB连接其脑电设备并采集数据。该API支持蓝牙连接、配置通道和采样率、启动和停止数据流，以及将数据导入MATLAB数组。此前，使用BrainAccess硬件需要转向Python、C或依赖LSL MATLAB工具箱。新API旨在减少环境切换的麻烦，使数据能直接流入Signal Processing Toolbox、EEGLAB等常用工具。BrainAccess是一家专注于无线干电极脑电系统的公司，其产品线包括MINI、MIDI、MAXI和HALO等型号，广泛应用于神经科学研究和工程实践。此次发布的MATLAB API与现有的Python API结构一致，便于用户快速上手。该工具箱以单个.mltbx包形式安装，适用于桌面MATLAB（R2025b或更新版本），并支持会话注释和直接保存为.mat文件，进一步简化了数据采集与分析流程。

在伦敦大学学院与Tom Carlson教授合作的工作坊中，研究人员演示了在飞行模拟实验中同步结合脑电图（EEG）、心电图（ECG）、皮电反应（GSR）和眼动追踪。实验使用g.Nautilus 28通道无线EEG、ECG、GSR传感器和Tobii Pro Glasses 3眼动仪，实时同步采集多模态生物信号，监测两个完整飞行周期（起飞、自由飞行、着陆）中的心理负荷、参与度和心率变异性（HRV）变化。该设置可在30分钟内完成准备，参与者全程保持移动自由。

戴脑电帽的普通人，没接受过任何脑机接口训练，也能较快学会只靠想象动作来移动屏幕光标。卡内基梅隆大学Bin He团队的做法是让人和算法同时学习：手腕下的振动提示引导受试者调整想象策略，解码算法同步调整自身，重点采纳信息量高的脑信号。在31名未受训的健康受试者中，一维光标控制的平均离散准确率为86%，二维为77.5%。这种不需开颅的脑机接口成本更低、风险更小，但目前只在健康人的实验室任务中验证过。

手术、射击等精细操作中，能否及时察觉几度的偏差往往决定成败，但传统训练只告诉人“答对没有”，很难让人对微小误差变得更敏感。美国得克萨斯大学奥斯汀分校等机构的研究人员换了个思路：当大脑意识到出错时，头皮脑电里会出现一种称为错误相关电位的信号。研究人员在训练中实时读出这一信号并反馈给受试者。为期五天的纵向研究显示，与单纯的行为训练相比，这种脑机接口训练加快了对3度误差的感知学习，并提升了对6度误差的感知表现，同时与意识到错误相关的错误正电位幅度增大。