非侵入式脑机接口

一项研究提出层级对齐框架，探索结合脑电信号与上下文，检索被阅读的句子。研究聚焦句子级脑电到文本分类，而不是直接生成句子，也不是仅凭脑电识别任意思想。作者指出，以往不少解码研究围绕音素、字母和单词展开，而句子能够承载更完整的语义；在句子级任务中，分类受到的研究关注又少于生成。该框架旨在研究脑电与文本的对应关系，为如何选择句子检索或生成路径提供研究方向。非侵入式辅助交流是其应用背景，不代表已验证沟通障碍人群的使用效果。

研究提出VARY学习框架，处理脑电情绪识别中整段记录的情绪标签未必适用于每个短片段的问题。方法通过两阶段筛选寻找标签较可靠的片段，并结合针对脑电的数据增强。研究在两个公开数据集上，采用三种网络架构和多种标签噪声设置进行评估。作者报告，相比表现最佳的基线方法，DREAMER和SEED上的最大准确率提升分别为11.54%和5.39%。这些结果来自数据集测试，反映的是特定测试条件下的最大增益，而非所有设置下的平均提升。

广西大学、广西医科大学武鸣医院、清华大学等机构合作开发仿生梯度电极，贴近头皮一侧较软，连接电路一侧较硬，并以渐变孔隙持续释放电解质。两名男性分别完成8小时日常活动记录和14小时记录实验。后者每小时进行两类视觉诱发输入任务，SSVEP准确率保持95%以上，mVEP保持90%以上。长时实验各为单人测试，不能外推为普遍佩戴表现或临床疗效。

研究提出面向运动想象和稳态视觉诱发电位脑机接口的整合双框架，重点服务康复与机器人研究。框架基于科学文献回顾形成，将20个组件分为实验部分与脑机接口系统部分，既涵盖影响研究有效性的非技术环节，也描述系统技术架构。研究还配套提出分类法与检查清单，帮助统一术语并检查研究要素是否齐全。作者在三项脑机接口研究中开展了文档评估，用于展示框架的适用性；这一评估针对研究设计与报告工具，而非康复疗效或机器人控制性能。

衡阳师范学院与重庆第二师范学院研究人员合作提出轻量脑电解码模型NCEL，并在五个基准数据集上评估。模型在BCIC IV-2b上的平均分类准确率为82.75%；相较EEGNet参考值，在P300和BCIC IV-2b上的平均表现分别提高12.53和9.54个百分点，参数量约为0.008M。不过，在同一受试者、不同采集会话相互分离的额外评估中，模型在BCIC IV-2a上的跨会话表现与EEGNet相当，在BCIC IV-2b上的平均提升为1.80个百分点。研究展示了紧凑模型的分类能力，更广泛的跨会话泛化仍需验证。

瀚翔脑科学表示，深圳市脑机接口产业协会在2026深圳脑博会开幕式上正式成立，公司出任会长单位。同场成立的还有粤港澳大湾区脑机接口新质生产力协同发展创新联合体。大会于2026年10月21日在深圳光明生命科学园启幕。据公司介绍，其参展产品包括深部经颅磁刺激系统、近红外脑功能成像装置、经颅磁刺激3D导航系统、经颅磁刺激仪Smart系列，以及脑电图仪／事件相关电位产品。

加州大学伯克利分校、南加州大学和微软研究院团队提出MtReNIRS，在12个公开近红外数据集、268名受试者约567小时记录上预训练，再在三个未见外部数据集测试。模型对齐不同探头布局，用于跨受试者迁移及每类2至8个标签的个体内校准。全文显示，跨人结果并非在所有数据集上均显著优于全监督基线，少样本收益也因数据集而异。设备、任务和布局差异共存，跨设备效应未被单独隔离。

日本电气通信大学的一项研究提出，无需训练模型，也可通过反复随机采样和粘贴脑电信号，增强稳态视觉诱发电位分量，帮助视觉脑机接口识别目标指令。在合成信号和公开基准数据集实验中，该方法在所有受测信号长度下均优于传统方法，信息传输率最高提升11.30bit/min。稳态视觉诱发电位是大脑对周期性视觉刺激产生的持续响应，可用于判断用户注视的目标。研究针对学习型方法需要训练数据、前期成本较高的问题，探索免训练的信号处理途径；上述增益来自信号和数据集实验。

哥伦比亚大学医学中心参与的一项前瞻性单中心研究发现，41名临床无反应的急性脑损伤重症患者中，13人（32%）能够控制脑机接口。系统实时分析脑电，将患者尝试运动时的信号转为声音变化。实现控制者中，4/13在出院时恢复临床意识，未实现控制者为1/28；12个月时，达到研究所定义功能独立标准的比例分别为6/13和2/28。结果显示，脑机接口控制能力与后续恢复相关，但不能证明使用设备促进了恢复。此次测试的是单向控制，双向交流仍属未来应用方向。

布法罗大学作者评估脑机接口与眼动追踪结合的辅助沟通系统。眼动先缩小目标范围，再由脑信号确认选择；实验报告其选择速度快于单独脑机接口，控制表现优于单独眼动，并减少误选和纠错负担。

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。

埃塞克斯大学团队记录14名参与者根据语言线索检索概念时的脑电，比较食物、乐器和身体部位三类概念。三个两两分类任务的平均准确率分别为73.4%、70.7%和68.2%。模型先用其他人的数据学习，再用待测参与者自己的带标签数据校准。

浙江工业大学团队提出MOPC，让运动想象脑电解码器在接收新信号时调整参数，无需重新访问原训练数据。作者报告，在BCI IV IIb和OpenBMI上的性能分别比先前方法提高2.22%和3.67%，每试次自适应耗时约40至60ms。arXiv页面注明论文已获《IEEE Transactions on Instrumentation and Measurement》接收。

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。

Araya Inc.与Sincxpress Education SRL研究人员分析了利用超高密度脑电预测口语单词的模型，考察解码依据是否来自神经活动，而非说话时的肌肉电活动。结果显示，各电极对解码的贡献无法用其与肌电的互信息解释；脑电解码依赖的时段也不同于仅使用肌电的解码。有声言语与极轻微外显言语的脑电解码贡献时段存在部分重叠。在所有言语条件下，去噪均增强了言语相关脑区电极对解码的贡献。作者据此认为，适当预处理有助于利用脑电中的神经活动解码口语单词。

牛津大学团队比较6种重复信号聚合方法，在7个场景中有6个由训练时分类分数平均领先。主要音素比较合并100次同类试验，公开测试集上复测的平衡准确率为64.1%，比冠军模型高17.4个百分点。实验使用脑磁图记录，研究为预印本。

墨西哥国家康复研究所与国家理工学院高等研究中心作者综述脑机接口认知康复研究。已有文献报告轻度认知障碍、脑卒中和注意缺陷多动障碍人群的认知改善，但随机对照试验较少，综述所涉应用均为非侵入式脑电系统。

内布拉斯加大学林肯分校与奥马哈分校研究人员在24名8至13岁神经典型儿童中比较三种沟通界面。场景界面与标准网格的脑机接口离线预测表现相近，儿童认为场景更具视觉吸引力；布局和背景也对应不同的脑电反应。

华中科技大学提出KDHNet，将解析信号处理与神经网络结合，用于校准数据较少时的SSVEP视觉脑电解码。在三个公开数据集的受试者内比较中，15个分析窗设置中的14个及全部10个校准比例设置，其平均准确率和信息传输率在所比方法中最高。跨人评估位列第一或第二，但对齐仍需目标受试者每类一个带标签试次。结果来自数据集实验，不能视为零校准系统已验证。

研究团队提出了一种运动想象脑电分类框架，在两个竞赛数据集上测试，并部署到NVIDIA Jetson Nano。按受试者依赖协议评估时，该方法在BCIC III IVa和BCIC IV 2a上的准确率分别为93.67%和79.14%；采用留一受试者法、测试对未参与训练者的泛化能力时，平均准确率分别为76.49%和55.50%。设备部署测试还报告了完整处理流程的延迟和吞吐量。这些结果展示了数据集分类表现及设备运行速度，但不能据此认定该方法已能改善运动障碍。

研究团队提出TriRouter框架，针对脑电通道稀少或受损时的运动想象分类问题，根据可用通道分配不同处理路径的贡献。在BNCI2014-001数据集上，相比研究中最强的受损脑电基线方法，该框架在名义缺失比例为25%、50%和75%的设置下，准确率分别提高3.68、4.02和6.46个百分点。作者还报告，该方法在按区域成组缺失通道及额外的低通道数数据集评估中仍有效。这些结果来自数据集评估，不能直接等同于实际使用中的脑机接口表现。

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。

研究人员将想象说话时的脑电信号与文本的语言表示对齐，希望在识别固定意图之外，利用不同表达之间的语义关系。研究在Chisco想象语音数据集的5名受试者、39个意图类别上评估了这一框架，解码表现与针对该任务优化的闭集分类器相当。脑电与文本的最大相似度还能筛选出Top-1和Top-5准确率更高的留出试验子集。五个语义维度的平均一致率均高于50%的机会水平参照；对未见候选句子的比较则属于定性展示，不能据此认定系统已能自由读取任意想象语句。

研究人员分析三个公开语料库，检验用一人的头皮脑电训练的想象语音解码器能否用于另一人。在482个受试者有序对中，没有任何一对在多重比较校正后保持显著；各语料库的平均迁移准确率与随机水平相差均不超过0.006。研究还发现，区分想象任务与刺激前静息的信号，更符合刺激后状态，而非想象活动本身。单人内部解码中，只有竞赛语料库的所有受试者均超过阈值，但其频率特征未通过伪迹审查。结果限定于这些语料库和所检验的表示方式，不能推广为所有想象语音解码均不可行。

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。