运动解码

研究团队用一块8通道OpenBCI Cyton板、一顶按国际10-20系统布置的脑电帽和一台Meta Quest 2头显，采集运动想象与注意力信号，在信号稳定时用EEGNet模型做到最高90%的受试者特异性在线分类准确率。研究面向注意缺陷多动障碍（ADHD）的认知控制训练，把脑电传感器整合进虚拟现实严肃游戏，目标是让使用者实时控制心理状态；此前方案多用多通道系统，硬件复杂，且未把运动想象与注意力水平结合起来。研究同时记录了高阻抗、通道饱和与头显绑带机械张力带来的伪迹，说明低成本配置要真正可用，先得管住皮肤电极阻抗和机械干扰。这是一项单例可行性研究，未做临床评估。

受试者做动作和只在脑中想象动作，脑电信号能不能被机器分开？一项预印本研究用随机森林算法在消费级和研究级脑电系统上做了测试，结果显示算法能区分两类活动，还能判断出对应的是身体哪个部位。脑电是理解大脑与人体运动相关电活动的基础工具，脑机接口正是利用这类电活动开发辅助技术，尤其是面向身体残障人士的技术；但从脑电信号中提取特征和模式仍然复杂，因此常交由机器学习算法处理。研究同时指出，不同人之间的脑电差异会拖累分类准确率——这意味着同一套模型换个人用，效果可能就打折扣。该研究为预印本，尚未经同行评审。

中风后上肢功能恢复，虚拟现实、机器人、脑机接口三种新技术谁更管用？这项系统综述与网状Meta分析纳入25项随机对照试验、1145名卒中幸存者，把三类干预放在同一张证据网里比较。研究检索了PubMed、Web of Science、Cochrane Library和Embase，时间范围从建库至2025年10月，以常规物理治疗为共同对照，证据网络呈星形结构，并采用贝叶斯随机效应模型估计相对疗效、计算SUCRA排序值。结果显示，机器人辅助训练的结论最稳，其中机器人联合常规物理治疗和单纯机器人干预分别有2项和3项研究支持；脑机接口只有1项研究能提取数据，还不足以判断疗效。作者提醒，排序最高的机器人联合康复功能电刺激仅来自单项试验，不应解读为确定性优效证据。

一项结合计算模型与大鼠行为数据的研究发现，皮层内微刺激（ICMS）诱发的神经元激活体积重叠程度越高，动物对刺激的辨别准确率越低，呈指数衰减关系（R²=0.88）。当激活体积重叠极小（IoU<1%）时，辨别准确率平均可达85%；而重叠超过20%时，表现接近随机水平。该研究首次将模型推导的激活体积重叠与行为学辨别准确率直接关联，用IoU量化了ICMS感知分辨的空间极限，为感觉神经假体的电极间距设计提供了机制层面的参考。研究由德克萨斯大学达拉斯分校团队完成，发表于《Frontiers in Computational Neuroscience》。

非侵入式脑机接口干预能显著改善卒中后上肢运动功能与日常生活能力，其中脑机接口-运动想象-经皮电针刺激组合在改善运动功能方面排名最高。这项系统综述与网状Meta分析汇总了72项随机对照试验、2906名卒中患者，评估12种非侵入式脑机接口干预措施，于2026年8月28日发表于《Journal of Medical Internet Research》。研究按实验范式、反馈设备和辅助刺激细分干预类型，为临床选择提供了相对排名，但证据质量低至中等，结论仍属探索性，需高质量试验验证。

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。

脑脊接口试图在损伤平面以下重建皮层运动意图信号与脊髓感觉运动环路之间的通信，是脊髓损伤治疗中最受关注的方向之一。一篇发表于《Neurosurgical Review》的综述给出了克制的评价：早期临床前研究和高度选择的临床研究确实显示出令人鼓舞的运动结果，但证据仍属初步，走向常规临床使用还受安全性、耐久性、患者选择、可及性以及长期功能获益等一系列问题的限制。综述同时梳理了神经刺激与生物材料等路径，指出它们在实验与早期转化阶段显示出潜力，临床疗效和可推广性尚未充分确立；把脑脊接口纳入临床实践还面临技术挑战、伦理考量和医护专门培训的需求。

研究者提出模块化贝叶斯边缘云架构BELT，用以解决现有脑机接口系统绑定特定应用、可移植性不足、需逐用户适配和隐私顾虑等问题：贝叶斯先验与后验平衡泛化与个体化学习，轻量分类器适配嵌入式设备，压缩降低边缘与云端带宽。轻量版BELT-lite仅由线性时不变运算构成，可直接对接数字信号处理硬件。在BCI Competition IV-2a与IV-2b数据集（18名受试者、十折交叉验证）上，经个体微调后数据集B准确率87.9%±6.8%，数据集A为80.6%±8.6%。ARM Cortex-A7上平均延迟6.75毫秒每样本，比EEGNet的8.36毫秒快21%，但准确率低约2.7个百分点。该研究2026年8月21日发表于《PLOS ONE》。