运动解码

奥尔堡大学作者开展的一项概念验证研究，让10名没有脑机接口使用经验的健全参与者，通过实际舌部运动或想象舌部运动控制二维光标。系统识别运动相关脑活动，再由状态机提供上、右、下、左四个方向选项。实际运动条件下，所有参与者均成功控制，完成率为96.0 ± 4.9%；运动想象条件下，7名参与者实现控制，完成率为41.0 ± 36.2%。成功试次的平均完成时间分别为30.8 ± 17.6秒和66.5 ± 26.8秒，后者仅来自至少成功一次的7人。实际运动可能引入的肌电伪迹尚未排除。这是健全参与者中的可行性测试，并非严重运动障碍人群的疗效验证。

匹兹堡大学与卡内基梅隆大学研究人员让2名四肢瘫痪参与者一边通过皮层内脑机接口移动二维光标并点击，一边完成工作记忆任务，考察注意力负荷变化是否影响控制表现。脑电指标和难度评分提示，双任务增加了注意力负荷，但各双任务条件下的接口表现总体稳健。其中，P2在轻度负荷下的试次完成时间和归一化路径长度，比中度负荷下小幅但显著增加。作者提出，两人的信号质量差异可能影响结果；这一解释尚不能视为已确立的因果关系。

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。

四川大学华西医院参与的一项合作研究，将健康神经记录与生物物理约束结合，用于解读受病变影响的运动脑信号。在胶质瘤浸润运动皮层患者的高密度皮层脑电手势分类任务中，研究报告分类准确率有所改善，运动指令表征与健康典型表征的相关性从r＝0.66升至r＝0.94。作者将模型的变化解释为一种“反向加权”策略，降低高功率病理噪声的权重，并把空间注意力重新指向发挥功能代偿作用的区域。这是改善受损神经网络解码的概念验证，不代表患者运动功能已经恢复。

墨尔本大学研究人员让一名植入Stentrode血管内脑机接口的参与者尝试手写英文字符，利用脑信号随时间变化的轨迹进行离线和在线分类。在4次在线测试中，每次包含每个字符20-30次试次及80-180次休息试次，表现最佳的3分类模型平均休息召回率为87%，字符召回率和精确率分别为65%和59%。研究还发现，将各试次调整为相同时长后，分类表现显著优于直接使用原始试次。结果支持进一步研究时间信息在运动解码中的作用，但目前仅来自一名参与者和少量类别。

南洋理工大学研究者将脑电与肌电的时序关系融入手势识别网络。在12人和20人两个数据集的跨使用者测试中，准确率分别为87.6%和89.2%，比最强对照方法高9.4和9.1个百分点。适应新使用者时无需带标签的个人数据，研究对象为健康年轻成人。

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。

一项已启动的随机临床试验将比较持续神经反馈与任务对错反馈，考察哪种方式更有助于亚急性左半球卒中成人学习控制运动想象脑机接口。研究在阿根廷开展，预计纳入20人，目前按邀请方式招募。参与者将随机分组，接受脑机接口校准及10次实时训练，训练期间记录脑电和表面肌电信号。研究将结合解码准确率、算法提供的辅助程度，以及运动和神经生理指标，评估系统用于上肢康复的可行性与性能。目前尚无结果，不能据此认定持续神经反馈能改善控制能力或上肢功能。

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。

北京体育大学研究团队提出一种运动想象脑电解码模型，在三个公开数据集上开展针对单个受试者和跨受试者的离线评估。与平均准确率最高的基线相比，新模型在两个数据集的受试者特定评估中分别提高3.56和1.62个百分点；跨受试者评估中的另一项差异为2.08个百分点。这三项比较在各自设置内进行多重比较校正后获得统计支持，但在涵盖56项比较的更广校正中均未保持显著。结果为分阶段整合局部与较长时间范围的脑电信息提供了有限支持，尚不能据此认定在线控制或临床应用获益。

研究者用自然语言描述待识别的类别，帮助模型学习脑信号与类别之间的对应关系，并在视觉、运动和语音解码任务中评估这一方法。研究覆盖七种编码器架构，使用头皮和颅内记录，各任务模型独立训练。与匹配的类别标签监督基线相比，语音解码准确率最多提高17.15个百分点。研究还报告，所学表征支持候选类别集合复用，以及有标签监督的受试者和会话适配；在稳态视觉诱发电位任务中，可在特定条件下解码训练中未见过的频率。这些结果并不代表一个统一模型已能直接完成全部任务，或无需标签即可适配新受试者。本研究为预印本，尚未经同行评审。

Precision Neuroscience公布了一项人体中枢神经系统图谱研究，汇集12家学术医疗中心70名患者的高分辨率表面电信号记录，覆盖多个脑皮层区域、脑干及脊髓结构。公司称，图谱包含超过180小时的同步神经与行为数据，可用于研究不同患者和区域的神经活动，并展示了运动解码、口语词汇分类和8种面部表情分类等结果。这70名患者是手稿描述的队列；截至公告发布时，植入该公司系统的患者总数已超过100人，不能与图谱人数混用。相关结果来自公司披露的预印本研究，尚未经同行评审。

蔚山大学一项研究分析两个独立公开数据集，考察人们按提示想象动作时，不同脑区的脑电节律何时开始减弱，以及何时出现可区分动作类别的信息。结果显示，脑区的变化存在先后顺序；区分动作的信息在提示后0.60-0.75秒增长最快，并在随后0.3秒内趋于饱和。在两个数据集的每名参与者中，这一转变在时间上都更接近感觉运动区的节律变化起点，而非提示出现时刻。不过，按各脑区自身起点选取信号片段，并未比重新分配的时间窗获得更好的分类表现。作者认为，这一顺序可帮助定位分析时段，而非直接充当分类特征。

脑电信号会随佩戴时间、电极状态和被试状态漂移，实验室里校准好的脑机接口模型，用到日常场景往往很快就不准了。这份预印本把共空间模式（CSP）和基于黎曼协方差的方法放进同一套按时间顺序的评估流程：模型先预测，拿到真实标签后再更新参数。在4个公开数据集上，2个最大数据流里的14组模型与数据集组合中，13组准确率提升，相对冻结模型最高提升约18%。研究还用Shapley方法按时间块给数据估值，3个被分析的数据集中最近的时间块平均价值最高，较早的时间块仍保留正值——旧数据不是只能丢掉。

不同人的脑电信号差异很大，同一个人的脑电也会随时间漂移，所以脑机接口换一个新用户，往往要重新采集数据、重新训练。杭州电子科技大学的研究团队提出名为TSMD-Net的算法，训练时完全不用新用户的数据，而是先把多名已有受试者的脑电特征对齐，再把分别针对每个人学到的判别经验汇总到一个统一的分类器里。在三个公开脑电数据集上，它读出“想动哪只手”这类意图的平均准确率分别为70.21%、77.82%和79.53%。

非侵入式脑机接口想要读出连续的手臂动作，难点之一是单个受试者的数据里与任务相关的信号太少。研究人员用生成对抗网络（一种能“仿造”数据的人工智能模型），从功能相关的其他皮层区域合成初级运动皮层的人工信号，再拿去扩充训练数据。在受试者做伸手够物任务时记录的脑磁图数据上，扩充后的运动解码性能提高约10%（p < 0.05），即使没有真实的初级运动皮层信号，提升依然保持。方法还被用到一个运动想象脑机接口竞赛数据集上，用于提高分类准确率。

瘫痪患者用脑机接口控制外部设备，难点之一是配对的神经信号与动作数据太少，解码模型很难训练充分。常规做法是针对具体任务学习从神经活动到运动学参数的映射，这类数据的稀缺直接限制了模型能力。研究团队提出BrainVLA框架，借用已在大量机器人数据上预训练的视觉-语言-动作模型：先构建包含神经活动、动作信号、语言指令和渲染视觉观测的配对数据集，通过LoRA微调把OpenVLA-OFT策略适配到目标动作空间，再把神经活动与语言表征对齐，从中提取“想做什么”的意图信号，由该模型结合视觉画面生成可执行的动作。在两个动作维度不同的神经运动数据集上，该框架的跨会话解码R²和任务成功率均优于所评估的基线方法，训练数据效率也较高。该研究为预印本，尚未经同行评审。

脑机接口要给新用户用，解码器得在没见过此人数据的情况下读懂他“想象动一动手脚”时的脑电信号。研究人员提出ThinkNet框架，从数据归一化、模型挑选到多模型组合，全程不让被测者的数据参与决策，避免成绩被高估。在公开数据集BCI Competition IV-2a的四分类任务中，研究采用9折留一被试交叉验证，选出的小模型只有4.9K个参数，准确率为44.35±15.41%，单次推理耗时0.99毫秒；参数不超过25K的小模型平均准确率40.10%，高于中型和大型模型的35.09%和34.78%，由验证集把关的模型集成也优于单模型推理。研究同时发现，验证集成绩与测试成绩几乎不相关，模型挑选的可靠性仍是瓶颈。该研究为预印本，尚未经同行评审，作者注明论文已被IEEE-EMBS BHI'2026会议接收。

只靠在脑中想象动作，能否让瘫痪患者驱动外部设备、练回运动功能？这篇综述聚焦基于脑电的运动想象脑机接口，也就是让使用者想象手脚动作，由头皮电极采集大脑感觉运动皮层信号，再由算法解读成指令。作者梳理了过去十年中较实用的信号处理算法，重点讨论机器学习与深度学习如何提升系统性能和效率；同时盘点了片上系统、专用芯片、可编程芯片、可穿戴设备、物联网以及增强现实和虚拟现实等硬件与配套技术，并讨论它们与算法结合的方式，展望提高实时性的研究方向。该研究为预印本，尚未经同行评审。

深度学习让脑机接口读“想象动作”的脑电信号越来越准，但模型太大，难以装进可穿戴设备。这篇综述把让模型“瘦身”的办法归为两类：一是改进卷积神经网络结构，如深度可分离卷积、多分支卷积、空洞卷积和注意力机制；二是压缩已有模型，如剪枝、量化、知识蒸馏和低秩分解。作者比较了代表性轻量模型的参数量、计算量和分类准确率，认为轻量化网络很有潜力，但各类压缩方法都有短板，手工设计也效率低、依赖特定硬件，建议转向自动化网络结构搜索与软硬件协同设计。

研究测试了7种检测方法，考察运动想象脑机接口能否识别训练时未见过的动作类别，而不是将其强行归入已知类别。结果发现，对许多用户而言，模型面对熟悉类别时的不确定性甚至高于陌生类别，因此多种在其他机器学习领域有效的方法在这里表现不佳。研究还发现，陌生类别检测表现与已知任务表现相关：深度集成和蒙特卡洛Dropout模型的任务分类AUC达到0.9，分布外检测能力最高达0.7。作者认为，对任务表现较好的模型和受试者，拒绝不熟悉的认知状态具有可行性。

在虚拟现实里一边看动作演示、一边在脑中想象这个动作，这样训练时，机器能否更准确地从脑电信号里读出“想动哪里”？兰州交通大学的研究团队提出一套层级图学习框架：先把头皮脑电拆成不同节律成分，筛选出关键特征，再把每次试验的脑区连接关系画成一张“图”，交给层级图卷积网络做判断。团队在自己采集的VR运动想象数据集上测试，这套方法的三分类解码准确率超过了EEGNet等常用基线模型。研究还发现，VR中的“观察加想象”能增强感觉运动脑区之间的连接，让更大范围的脑网络协同工作。摘要未给出具体准确率和受试者人数。

脑电信号很容易被眨眼、肌肉活动和心跳混入的干扰（伪迹）污染，进而拖累脑机接口读取意图的准确率。西北工业大学自动化学院与软件学院的研究团队提出名为Diff-ADN的单通道去噪框架，先按污染严重程度重建信号，再由扩散模型引导做一次残差修正，可处理眼电、肌电、心电及混合伪迹。在-7至+2 dB的污染水平下，重建信号与干净脑电的平均皮尔逊相关系数在0.839到0.936之间。在4个公开运动想象数据集上，去除心电伪迹后解码准确率回升4.88至5.59个百分点，单项最大回升21.90个百分点。处理一段2秒脑电在测试CPU上只需12.52至17.08毫秒。研究同时发现，波形重建得更好，并不等于解码准确率同步回升。

研究提出一种新模型，尝试减少不同参与者之间脑电信号差异对运动想象分类的影响。模型结合更全面的深层特征表示与域适应学习，让分类器学习不同参与者之间可共用的信息。研究在4个基准数据集上进行测试，平均准确率分别为84.34%、89.59%、73.32%和87.75%；作者报告，其表现优于所比较的先进深度域适应模型。研究还通过消融实验评估两个核心模块的作用。这些结果来自数据集分类测试，说明的是跨被试识别表现，不能直接视为在线脑机接口控制或康复疗效的证据。

一位因肌萎缩侧索硬化症（ALS）导致严重上肢瘫痪的参与者，在同一场实验里同时戴上血管内支架电极阵列和头皮脑电帽，尝试做踝关节屈伸动作。两种方式在运动尝试时都出现了明显信号变化，但支架电极在每个通道上的运动调制更强，且不受颅骨衰减影响。头皮脑电更容易被眨眼和咀嚼肌活动干扰，支架电极则记录到明显的心电信号。两种方式都没能可靠区分左右踝运动，说明空间定位仍是难点。

三名四肢瘫痪参与者在想象操作物体时，多个脑区的神经活动都表征了抓握时的整只手构型。研究还发现，后顶叶皮层可同时编码抓握与物体属性，且主要由彼此不同的神经元亚群承担。抓握相关活动随运动规划、想象执行及物体是否存在而变化；部分脑区在运动规划阶段还表征了物体形状。作者认为，区分手形与物体信息可能有助于脑机接口更稳定地控制抓握，但研究任务是运动想象，不能据此认定参与者已恢复手部功能或机器人抓握性能已获改善。该研究为未经同行评审的预印本。