运动解码

该预印本2026年8月13日上传至arXiv，提出一种把卷积神经网络与双向长短期记忆网络结合的混合深度学习架构，用于运动想象脑电信号解码。研究者指出，运动想象脑机接口被视为在大脑与外部设备之间建立灵活通信通路的可行途径，但脑电记录噪声大、与底层脑活动的关系复杂，可靠解码始终困难。在该架构中，卷积网络直接从原始运动想象脑电中学习高层空间与时间表征，双向长短期记忆网络则对所提取特征之间的时间依赖关系建模。研究者在一个公开数据集和一个自行采集的数据集上评估该方法，报告其在二分类与三分类运动想象任务中均表现稳健，并展现出跨被试解码的潜力。该研究为预印本，尚未经过同行评审。

匹兹堡大学团队在15名健康受试者中测试了跨模态一致性效应（CCE）任务，发现该任务能区分膝盖处的气动与电刺激但无法区分足部。这项研究于2026年8月10日上传至bioRxiv，作者包括Bose等人，旨在评估CCE任务作为下肢感觉反馈直观性量化手段的可行性。在膝盖处，更自然的气动刺激与较不自然的电刺激可被CCE任务区分，而足部同样刺激未能区分。下肢截肢者因缺乏假肢体感反馈常出现平衡和步态障碍，电刺激神经假体可部分恢复感觉，但恢复感觉的直观性一直缺乏量化手段。作者强调，需要识别影响CCE的外部因素，才能将其用于下肢截肢者。

脑机接口解码器可能仅凭与目标心理状态无关的信息就猜中标签。北京语言大学心理学院的研究团队提出一种可证伪的替代测试标准，要求候选证据在互斥数据中持续存在、能应对物理组织或听众模板的容量匹配替代，并在排除目标事件后仍可检验。在六个EEG数据集（41名参与者）上，平均四个神经语音边缘指标将5秒解码性能提升至领先水平；在两个分层接口中，父流错误分数在排除所有目标命令事件后仍保持0.968和0.965的AUC值。该框架为神经科学和脑机接口提供了证据归因的检验标准。

俄罗斯研究人员开发了一套集成化的脑机接口系统，支持同步和异步两种操作范式，使用基于脑电信号的控制命令实现对机器人设备的优化控制，并经过实验验证显示可达到 60-65% 的识别准确率。

该研究2026年8月7日发表于《Journal of Neural Engineering》，分析了四名受试者的皮层脑电记录，考察大脑半球内侧壁区域对手指运动解码的贡献。结果显示，多个内侧壁亚区观察到显著高于随机水平的手指运动检测，局部运动电位与8至12赫兹、12至34赫兹频带振荡功率对解码性能贡献最强。特征动态与初级运动皮层具有共同特性，包括运动前去同步化，也表现出区域特异的正负局部运动电位调制。尽管运动检测是主要结果，两名受试者的内侧壁通道能显著区分单个手指，一名受试者对侧与同侧手指运动均可解码，但该观察基于个案，属初步结果，需要进一步研究确认跨个体普适性。

该研究提出ReCIL，一种基于排练的类别增量学习方法用于跨被试运动想象分类，使模型可顺序学习新的MI类别而无需从头重训。ReCIL采用欧氏对齐降低跨被试EEG分布偏移，通过全局-局部重放保留旧任务知识，并借助降维进行可靠的样本相似度计算。在三个公开MI数据集上的实验显示，ReCIL在可塑性与稳定性之间取得良好平衡。据作者称，这是跨被试类别增量学习用于MI分类的首次研究，为无需从头重训即可扩展新类别的脑机接口提供了实用方案，回应了既有方法在新增类别时需重采数据或重训模型的低效问题。

一项预印本研究提出NeuroPB，一种通过预训练行为表征迁移来扩展神经解码规模的框架，先在大规模运动行为数据上预训练运动编码器，再以有限配对神经-行为记录将神经活动对齐到行为表征空间，随后优化神经编码器与轻量运动解码器以重建连续运动。研究者称，在多个猕猴运动数据集上，行为预训练使center-out轨迹解码R²提升11%、随机目标任务提升8%，且用机器人轨迹预训练可达到与猕猴轨迹相当的性能；固定神经数据量时性能随预训练数据规模增加而提升，仅需10%校准即可匹配从头训练。该研究为预印本，尚未经过同行评审。

该研究提出AutoMI，一种利用LLM多智能体自动快速迭代构建运动想象EEG分类模型的框架，通过耦合Q学习策略与确定性规则的混合决策机制，整合规划、执行与输出智能体及预定义工具，并集成经验追踪与回滚机制以避免模糊优化。在IV2a、OpenBMI和ECUST-MI三个数据集上，AutoMI构建的模型分别取得77.62%、78.08%和83.02%的准确率，较自动化优化算法分别提升18.42%、9.27%和19.25%。作者认为，AutoMI为脑机接口模型优化提供了新视角与框架设计参考，其自动迭代能力可降低对人工调参经验的依赖。

该预印本提出一种用于实时EEG步态解码的双模块轻量级架构，旨在实现下肢外骨骼的闭环控制。研究者称，现有基于EEG的闭环控制受运动伪影和低信噪比限制，其双模块设计将任务拆分，前端PolyTVL将32通道EEG压缩为紧凑表示，后端LSTM对4个步态相位（站立、启动、执行、终止）进行分类。研究显示，闭环部署中v01（PolyTVL+LSTM）的步态启动成功率为55.3%（Rex辅助）和52.7%（自主），平均端到端处理时间70.5ms（±41.5）。作者称该手稿已被IEEE MLSP 2026接收发表。

该研究提出一种基于两层图卷积网络（GCN）的空间谐波化框架，将异构EEG记录映射到统一物理电极布局并保留运动想象信息，以解决MI-BCI数据集间电极配置差异对迁移学习的限制。研究将每个EEG试验建模为图，以GCN捕捉电极与样本间的时空关系，并通过时域、频域与空间域分析及EEGNet、FBCNet与ADFCNN下游分类评估。结果显示谐波化EEG的误差低于球面样条插值，且保留运动想象EEG的主要时谱空特征；在数据集A的会话内分类中，结合真实与谐波化EEG使EEGNet准确率从56.57%提升到66.20%、FBCNet从61.96%提升到72.54%，并支持仅源域跨数据集迁移与目标域微调。

该研究发布了来自24名卒中患者的多范式纵向EEG数据集，涵盖新颖的“第六指”运动想象与患手运动想象范式。研究指出，单一运动想象范式与相关EEG数据集的缺乏可能限制卒中康复中的准确解读与有效应用；该数据集覆盖训练前、训练后与随访的完整纵向康复阶段，包含原始EEG数据、预处理数据与患者临床信息。初步分析使用CSP+SVM与CSP+LDA等经典机器学习算法，两种范式间的平均分类准确率保持在约85%-86%。作者预期，该数据集将促进MI-BCI范式与卒中神经可塑性研究，并有助于开发高效的卒中康复脑机接口系统。

一项新研究展示了名为EmoWrite的脑机接口系统，它通过情感分析将思维转化为文本，打字速度达每分钟6.6词，准确率90.36%。该系统由巴基斯坦和韩国的研究人员开发，在72名志愿者中进行了验证，并引入了动态键盘和视觉反馈，以提升用户体验。

美国研究人员利用颅内微电极阵列，在脊髓损伤患者的运动和感觉皮层中识别出不同的神经模式，这些模式可以分别编码抓握的时机和力度，为开发更精确的脑机接口系统提供了新思路。

布朗大学研究者在bioRxiv上传预印本，提出名为Neural SS-DMP的运动解码模型。模型不直接输出手的坐标，而先从神经信号里推断一组描述动作意图的参数，再交给一个遵循物理规律的运动生成器画出完整轨迹，解码结果因此天然落在人体做得出的动作范围内。生成器还会按每个人的训练数据调整，把通用的运动规律与这个人自己的动作特点混合。作者称，两类神经记录数据上的测试显示，模型的准确率与轨迹平滑度均优于现有强方法，且在时间靠后的新记录上性能保持得更久。该研究为预印本，尚未经过同行评审，全部结果基于离线数据，未在实时控制中验证。

洛桑联邦理工学院（EPFL）启动一项临床研究，评估皮层记录装置（ECoG）联合腰段靶向硬膜外电刺激（EES）为慢性脊髓损伤伴行动障碍患者恢复下肢自主运动功能的初步安全性和有效性。该研究旨在建立运动意图与损伤下方脊髓之间的直接桥接，有望在神经康复中改善或恢复腿部自主控制，并促进神经恢复。

里昂民选医院（Hospices Civils de Lyon）在法国注册了一项临床研究，旨在通过非侵入性脑记录解码运动想象，作为创新运动康复治疗的前提。研究将结合MRI、MEG和EEG，设计受试者特定的神经生理学模型，并指出传统BCI方法忽略了beta突发等瞬态特征。该研究将先在健康受试者中验证，再评估在卒中患者中的可行性。

一项预印本研究提出EEGForceFusion，一种联合建模连续与token化表征的混合EEG解码框架，用于抓握力解码。研究指出，连续抓握力解码受复杂时间动态、高受试者间变异与既有方法泛化有限等挑战制约；该框架整合卷积-循环表征学习、量化式token化与基于Transformer的时序建模，在统一的融合回归架构中同时捕捉细粒度神经结构与长程时间依赖。在WAY-EEG-GAL数据集严格的留一受试者交叉验证下，该框架离线设置R²为0.817、模拟实时评估R²为0.793，延迟适合实时部署。研究者认为，混合连续-token化表征对实时EEG力解码应用具有实用性。该研究为预印本，尚未经过同行评审。

一项预印本研究提出三种回归模型（偏最小二乘回归器、多层感知机和基于注意力的回归器）从EEG信号同时解码抓取与抬举任务的多个运动学与动力学参数，并在WAY EEG GAL数据集上进行受试者特定与受试者无关评估，比较所有参数共用一个模型与每参数单独建模两种策略。研究者称，基于注意力的回归器取得最佳性能，R²为0.8、延迟29.2毫秒，显著改善多参数同时解码，但单参数解码时性能下降；多层感知机在两类解码中表现更一致但准确率较低（R²=0.49）。研究者认为，基于注意力的模型对实时多指令脑机接口系统有潜力，有助于开发更直观的控制设备。该研究为预印本，尚未经过同行评审。

研究者称，多会话运动想象EEG信号分类框架ATCNet-CIAM于2026年7月26日以预印本形式上传至arXiv，尚未经过同行评审。基于运动想象的EEG被广泛用于非侵入式脑机接口，但跨会话与跨被试的稳健解码仍是核心挑战。ATCNet-CIAM结合时间卷积、通道注意力与CIAM模块做多会话运动想象EEG分类。研究者称，标准协议下ATCNet-CIAM在BCI IV-2a达到86.32%准确率、在BCI IV-2b达到87.96%，WBCIC-MI被试内2类与3类任务分别达到89.46%和83.64%；该稿已被ISRSD 2026会议接收。

传统听觉频率辨别测量依赖受试者的主动行为反应，易受主观因素干扰。基于脑机接口技术，研究者设计了个性化快速序列听觉呈现范式，招募11名健康参与者，提出多尺度时空双注意力网络（MS-STAMNet），用于弱听觉诱发反应的单试次解码。结果显示，MS-STAMNet的平均未加权平均召回率为(69.67±6.12)%，AUC为0.7618±0.07，优于EEGNet和PLNet等基线模型。回归分析显示神经解码与行为表现分离，表明模型能捕捉未触发显性意识的隐性频率偏差特征。

研究者称，小鼠初级运动皮层以S形状态转换机制编码运动速度，由两个功能不同的神经元群实现，且该框架可扩展到局部场电位（LFP）频带功率。研究用慢性32通道层状阵列记录8只小鼠在电动跑台上的皮层外活动，共5,889个单单元、384通道，无监督聚类将单元分为速度正相关（70.8%）与速度负相关（29.2%）两组，两群共享约2.3米每分钟的速度阈值。解码方面，占少数的速度负相关神经元群经逆S形变换后解码精度显著更高，且跨动物泛化良好。研究者认为该发现为稳定、免标定的脑机接口设计提供启示。

脑虎科技（NeuroXess Technology (shanghai) Co.,Ltd.）注册了一项前瞻性、多中心、单臂临床试验（登记号NCT07720882），纳入脊髓损伤所致四肢瘫痪受试者，使用植入式脑机接口系统重建上肢功能。该试验旨在评估植入式脑机接口系统用于补偿性手部运动功能、实现上肢功能替代的安全性和临床有效性。这是针对全植入式脑机接口上肢功能替代方向的注册临床研究，目前处于登记阶段，尚无试验结果；作为国产侵入式脑机接口注册临床进展的一部分，其结果对同类产品的临床证据积累具有参考意义。

一项新研究提出融合稳态运动视觉诱发电位（SSMVEP）和肌电（EMG）的混合脑机接口，通过并行架构将指令空间从15个目标扩展至60个，多模态信息传输率达62.33比特/分钟，优于单模态最高42.49比特/分钟。研究采用深度学习进行多模态信号解码，在保持分类精度的同时，为严重运动障碍患者提供了更易用的控制途径。

脑机接口（BCI）需要从脑电信号中识别用户的运动意图，但传统深度学习模型往往参数庞大、计算开销高。研究人员提出一种名为Ghost-LENet的轻量级卷积神经网络，在BCI Competition IV-2a和IV-2b数据集上分别达到82.18%和83.05%的分类准确率，而可训练参数仅数千。该模型结合膨胀时间卷积、平稳小波变换、动态残差融合与Ghost模块，在保持高精度的同时大幅降低模型复杂度，为资源受限的BCI应用提供了新方案。

该研究提出并构建了一套基于增强脑电图（EEG）的智能家居脑机接口方案，使用25名受试者的运动想象EEG数据集（64通道BCI2000设备采集）。研究从CNN卷积层提取特征用于训练分类器，提出的支持向量机（SVM）、卷积神经网络（CNN）与线性判别分析（LDA）模型可去除导致误分类的过度噪声与重叠，并将选定特征分为不同类别，依据Arduino UNO可处理的类别数控制智能家居设备。三种模型的整体准确率分别为99%、96%和99%。作者认为，该运动想象EEG分类方案可用于通过脑电波控制智能家居，未来可能对老年人和行动不便者有帮助。

一项新研究揭示了猴子额叶运动皮层在伸手任务中神经活动的时空异质性，表明运动表征在不同皮层区域和深度上分布不均，这一发现可能为未来脑机接口植入的电极定位提供参考。该研究由华盛顿大学神经技术中心的研究团队完成，使用高密度层状微电极阵列记录了两只雄性猴子的神经活动。研究发现，目标方向信息在皮层表面和深度上呈异质性分布，不同神经群体的时间动态差异显著，但任务信息量可预测神经群体的动态相似性。这一发现凸显了运动表征的时空复杂性，有助于优化脑机接口植入策略。