低通道脑电也能读情绪：厦门团队用额颞不对称性建模达到87%准确率
便携脑电设备通道少，能捕捉的皮层信息有限，情绪解码一直是难点。厦门理工学院团队提出时空频谱非对称融合网络（STSANet），利用额颞区同源电极之间的非线性半球偏侧化特征，在SEED公开数据集和自采数据集上分别达到86.80%和87.43%的情绪识别准确率。研究还验证了便携式Xmuse设备与专业级Enobio设备的频谱能量分布具有一致性，表明该方法有望在消费级脑电硬件上运行。该研究为预印本，尚未经同行评审。
非侵入式脑机接口通过头皮脑电、功能近红外等技术采集大脑信号，无需开颅手术即可实现人机交互。本专题关注 EEG 头戴设备、SSVEP 拼写器、运动想象范式等方向的产品与研究进展。
2026 年 9 月
两个枕叶电极解码眨眼与扫视，准确率72.37%
单通道脑电去噪新框架SPAR-EEG：P300拼写准确率提升7.8个百分点
可穿戴神经技术与脑机接口应用，包括辅助交互界面和临床监测，都希望用上单通道脑电，因为电极少、佩戴负担轻。但单通道脑电信号中的肌电、眼电和运动伪迹难以去除，尤其在缺少辅助通道、伪迹标签或人工挑选的干净基线片段时。SPAR-EEG框架无需这些额外条件，对每个脑电分段施加三段针对特定伪迹的衰减处理：基于变分模态分解的一段处理高频肌电爆发，基于奇异谱分析的两段分别处理眨眼样眼电瞬变和缓慢运动漂移。它在26个信噪比水平上均取得最优伪迹区信噪比改善，并在仅用FP1和FP2两个导联的P300拼写任务中把最终准确率提高7.8个百分点。
移动脑电到底有多移动？CoME 框架用四个维度说清楚
让受试者在跑步机上走路，和让他背着记录设备在户外自由行走，都可以叫移动脑电，但两者的自由度差得很远。2017年提出的 CoME 框架用设备移动性、受试者移动性、系统规格和通道数四个维度给一项研究打分，比如（2D, 4P, 17S, 32C）。设备移动性和受试者移动性必须分开看：头戴式系统做静息态记录，设备分很高，受试者移动性仍是0P。这个框架不是产品排行榜，分数高不等于系统更好。
脑电转文字被曝高估：随机噪声也能骗过部分解码器
脑机接口外骨骼综述：人工智能负责读懂意图，机械限位仍交给传统控制器
脑机接口能读出与动作相关的神经活动，动力外骨骼则提供完成动作所需的力量。但脑电信号噪声大、肌电随疲劳与恢复而变，合适的助力程度又高度依赖使用者和任务，因此人工智能的价值主要在于同时处理多种变化信号，而不是依赖单一固定输入。这篇综述梳理了脑电、肌电与机械传感如何组合用于外骨骼控制，并对比了卒中康复与健康使用者两类目标迥异的应用。作者认为，仅提高分类准确率并不够，延迟、校准、疲劳、不确定性与物理安全同样决定系统是否真正可用。
8通道脑电加VR头显：单受试者实时判断准确率最高达90%
大语言模型补全意图，P300拼写击键次数减少超过62%
这篇综述梳理了P300脑机接口从经典拼写器到AI代理的演进路径。P300是大脑看到罕见刺激后约300毫秒出现的正向电位，系统靠它判断用户想选哪个字符。综述指出，ChatBCI、MindChat等近期系统把P300拼写器与大语言模型结合，击键次数减少超过62%，通信速度提高到近三倍。作者还提出一套端到端架构：脑电头戴设备加实时CNN检测器，再加一层由大语言模型规划器和物联网控制接口组成的AI代理层。
用核磁数据约束脑电解码，单指动作识别准确率提升至74.53%
手指在大脑运动皮层里的代表区挨得很近，从头皮脑电里分辨单根手指的动作一直很难。研究团队先用同步采集的脑电与功能核磁数据学出一套频谱投影，再用核磁给出的类别几何结构去修正脑电预测。12名健康受试者的测试中，两分类动作执行的组平均准确率从66.93%升到74.53%，三分类从44.83%升到56.58%；运动想象任务上两分类从80.78%升到85.63%。推理阶段只用脑电，不需要配对的核磁数据。
各向异性水凝胶电极实现P300与SSVEP信号采集
非侵入式脑机接口的电极长期在导电性、贴合度和耐用性之间取舍。一种通过原位定向冷冻共聚制备的导电水凝胶，内部形成垂直排列的离子通道与互连纳米孔网络，导电性优于常规水凝胶电极。在初步的P300与稳态视觉诱发电位（SSVEP）实验中，这种电极采集到的信号质量与常规湿电极和干电极基准相当，同时具备与组织匹配的压缩模量、高延展性、皮肤黏附性和快速自愈合能力。论文把上述实验定位为可行性验证，未报告长期佩戴稳定性、规模化制备或人体临床试验数据。
随机森林算法识别真实与想象动作，消费级脑电也能用
不用开颅也能读语音：OPM-MEG解码准确率高出脑电3.6个百分点
10名母语为汉语的受试者朗读6个单元音韵母，同一套任务下同时记录光泵磁强计脑磁图与脑电。在刺激后150至500毫秒窗口内，OPM-MEG在全部5种分类器上的解码准确率都显著高于脑电。表现最好的组合是共空间模式（CSP）特征加线性支持向量机，OPM-MEG平均准确率60.3%，脑电56.7%。这意味着无需植入电极、也不限制头部活动的语音脑机接口，可能有一条比脑电更清晰的信号通路。
脑电运动想象控制轮椅，支持向量机解码准确率90.7%
研究团队设计并实现了一套基于脑电运动想象的脑机接口系统，把解码器与一台真实差速驱动轮椅原型机接在一起。这类系统面向严重运动功能障碍人群，提供非侵入式的控制途径，但脑电解码本身的不确定性一直是它走向实体执行机构的障碍。团队用滤波器组共空间模式提取特征，在公开数据集上比较支持向量机、k近邻和线性判别分析三种分类器，支持向量机的平均分类准确率为90.7%；换到独立数据集上通过硬件在环方式回放测试，准确率为85.9%。加入基于置信度的指令校验后，被系统接受的指令准确率升到97.6%，代价是只覆盖60.7%的指令。系统还配了置信度门控、转向自终止、切换制动、通信超时监控和硬件急停等多层安全措施，用来兜住解码出错时的后果。
联邦学习框架NEXUS-MI把运动想象脑机接口骨干网流量降低约42%
运动想象脑机接口的个体差异大，校准数据少，联邦学习能在不上传原始脑电的前提下共享模型。这个框架把网关同步当作学习与通信的联合控制问题：原始脑电和分类头留在本地，边缘协调器维护共享骨干网络。在BCICIV-2a和OpenBMI两个数据集上，通信感知协调把服务器到客户端的骨干网流量减少约42%，队列平均准确率差异很小且随实现而变。但平均值掩盖了个体脆弱性，BCICIV-2a上相对理想链路参考的损失最高约12个百分点。
想象慢跑比想象手部动作更易“拥有”虚拟化身
用脑机接口控制虚拟化身时，参与者报告：想象自己在慢跑，比想象右手张开更能产生“这个身体是我的”的感觉。但脑电信号本身，慢跑想象反而更弱。实验中，行进由头皮脑电中与运动想象相关的运动感觉节律事件相关去同步控制，方向由眼动控制，参与者在弯曲赛道上操纵一个以慢跑姿态前进的虚拟化身，随后用问卷评估对化身的具身感。研究团队认为，这提示脑机接口不能只看信号强度，还要看动作与想象是否一致：神经信号强度与具身体验可能出现分离，想象与动作的一致性应当与常规解码指标一并考虑。
协和医学院研发480指令混合脑机接口，传输率每分钟260比特
脑机接口要实用，信息传输率（ITR）是关键指标。中国医学科学院北京协和医学院团队提出一种结合表面肌电（sEMG）与稳态视觉诱发电位（SSVEP）的混合脑机接口系统，用120个闪烁频率和4种手势编码480个目标。在线实验中，平均分类准确率达84.55 ± 7.23%，平均信息传输率达260.07 ± 30.41比特/分钟。该系统指令集大小与现有最大目标数系统相当，性能位居前列，为大指令集脑机接口的实现提供了技术参考。研究由生物医学工程研究所团队完成，发表于2026年9月7日的《Cognitive Neurodynamics》。
微调降到10分钟，PNPL竞赛让脑机语音适配进入临床可行范围
一项于2026年9月3日上传至arXiv的预印本公布了2026年PNPL竞赛的任务设定。该竞赛基于扩展的LibriBrain100数据集，包含32名新增被试，每人约40分钟数据，并新增约80小时的个体内数据。竞赛设2个赛道，Deep赛道关注个体内词分类，追求最佳性能；Broad赛道关注跨被试泛化，将个体微调数据从约40分钟逐步减少至20分钟、10分钟，接近临床可行范围。2025年竞赛的获胜者在语音检测和音素分类任务上分别达到95.6%和73.6%的F1分数。该预印本未经同行评审。
脑机接口训练纵向数据集公开，含19名受试者的MEG与EEG多模态记录
一支法国与美国的研究团队公开了名为NETBCI的纵向多模态数据集，用于研究脑机接口训练过程中的脑网络重组。作者称，控制脑机接口至今仍是一项需要习得的技能，相当一部分使用者在多次训练后依然无法掌握，造成这种个体间差异的原因仍是开放问题。NETBCI收录19名健康受试者的脑磁图（MEG）与脑电图（EEG）记录，每人在4个不同日期完成4次实验。每次实验包含2段各3分钟的睁眼静息态记录，以及6轮脑机接口任务，受试者通过持续的右手运动想象或保持静息来控制虚拟光标的位置。数据集另含匿名化的磁共振影像与行为学评分。作者称，希望这套数据的样本量与模态数量能供研究者用于脑网络重组之外的更多分析。
混合脑机接口让下肢外骨骼摆脱拐杖
一套混合脑机接口在10名受试者实时行走实验中替代下肢外骨骼的拐杖控制，SSVEP平均分类准确率达95.06%，眨眼与咬牙开关的F1分数分别为99.80%和99.22%。该系统结合稳态视觉诱发电位脑机接口与眨眼、咬牙触发的异步生物信号开关，由SSVEP选择运动模式，眨眼执行、咬牙取消指令。与拐杖控制相比，该方法系统可用性量表得分78.25对53.50，NASA任务负荷指数体力需求3.15对7.85。
ANT Neuro与optohive合作，联合开发脑电与近红外同步采集混合帽
德国脑电设备商ANT Neuro于2026年9月1日宣布与瑞士fNIRS系统开发商optohive AG建立战略合作。据ANT Neuro公告，optohive的HiveOne功能近红外光谱系统将通过ANT Neuro在各地区的销售与技术支持团队提供给其服务近30年的科研用户。合作不止于分销，双方同意联合开发一套脑电与fNIRS联合记录方案，把ANT Neuro的eego脑电技术与HiveOne装进同一顶混合帽，两路数据经Lab Streaming Layer同步。公告称，optohive成立于2025年，是苏黎世联邦理工学院的衍生公司。
西北工大推出混合式分词器，脑电大模型分类准确率最多提高15.3%
西北工业大学研究团队提出面向脑电大模型的混合式分词器SEDAT，把挤压激励空间聚合、数据自适应高斯平均滤波分解、瞬时频率引导的自适应切分和傅里叶域重采样整合进一条流程，解决现有切分方法边界与神经状态不对齐、忽略通道间空间信息、难以跨范式通用的问题。该研究2026年9月1日发表于《Journal of Neural Engineering》。在覆盖运动想象、P300、睡眠分期和癫痫等范式的10个脑电数据集上，用LaBraM、EEGFormer、EEGPT和NeuroGPT这4个大模型评估，SEDAT相比固定长度窗口的分类准确率最多提高15.3%，比其他方法中最好的一个高1.2%至4.6%。
48名受试者参与在线实验，3通道P300追平8通道性能
广州海事大学、广东工业大学与广州大学的研究团队用遗传算法结合贝叶斯线性判别分析，从传统8通道P300脑机接口里选出一组泛化能力强的固定3通道组合，免去逐人重新校准。该研究2026年9月1日发表于《Biomimetics》。48名健康受试者完成了离线和在线虚拟现实实验，结果显示3通道系统的准确率和信息传输率与8通道系统相当，没有明显的性能下降，设备准备时间从30分钟缩短到3分钟，减少90%。NASA-TLX负荷评估显示用户的心理和生理负担明显减轻。研究者称，这一少通道策略在保住核心交互性能的同时改善了用户体验和系统实用性。
2026 年 8 月
非侵入式脑机接口改善卒中后上肢康复：72项随机试验的网状Meta分析
XR环境下深度学习模型提升SSVEP脑机接口分类性能
新加坡国立大学医院启动Lifescapes脑机接口卒中后手部康复试验
新加坡国立大学医院登记了一项临床试验（NCT07784920），评估基于脑电图的脑机接口系统Lifescapes对卒中后手部运动功能恢复的效果。该试验计划招募32名受试者，当前状态为尚未开始招募。Lifescapes结合运动想象训练、生物反馈、神经肌肉电刺激与机器人辅助，旨在帮助严重手部瘫痪的卒中患者。此前一项涉及40名患者的临床试验显示该系统可改善运动功能。试验将比较减少治疗师监督下的Lifescapes疗法与常规康复的效果，并评估其在新加坡本地临床环境中的可行性。
眼动加运动想象混合脑机接口，16通道脑电下准确率达100%
运动想象脑机接口一直有两个老问题：不同人之间差别大，能分出的指令少。这项研究让使用者先用眼睛看目标完成选择，再用想象动作确认，把两步合成一步。15名健康参与者、16通道脑电的测试中，混合范式在所有通道配置下都优于单纯运动想象，最高准确率达到100%。研究还发现，注视目标本身能让脑电反应更稳定，这为减少电极数量、降低设备门槛提供了依据。
脑控机械臂更听话了：新方法2秒分辨你“想不想动”
异步稳态视觉诱发电位（SSVEP）脑机接口在真实控制中潜力很大，但脑电信号与固定相位模板之间的相位偏移常拖累性能。研究者观察并验证了相位滑动振荡现象，据此提出异步分类方法PSO-AC，把脑电重构为不同初始相位的序列，经同步压缩小波变换提取相位解耦特征，再由概率时序模型区分控制与非控制状态。离线实验（22人）中，2秒数据下平均判别准确率达94.2%，优于现有基线；9分类任务在不同时间延迟下也保持优势。在线机械臂实验中，每次成功试验的命令成本从4.30降至1.14，指令触发更稳定、控制效率更高。论文2026年8月21日发表于《国际神经系统杂志》。
800名大学生调查：老师支不支持，比技术好不好用更能左右使用脑机接口的意愿
脑机接口治中风？疗效还达不到“显著改善”
一项纳入43项随机对照试验、1628名受试者的Cochrane系统评价显示，与常规康复相比，脑机接口训练可能小幅改善卒中后上肢运动功能（均数差4.67，95%置信区间2.25至7.09；10项研究、611名受试者），但对下肢功能几乎没有差别，对日常生活活动能力的影响很不确定；与假脑机接口对照相比，各项指标均未见明确差异。作者强调所有比较的证据确定性均为低到极低，主要受偏倚风险高、样本量小和潜在发表偏倚拖累。该评价2026年8月21日发表于《The Cochrane Database of Systematic Reviews》。
同时读脑电和脑血流：EFS-Net做到超8成心算识别准确率
华东理工大学等机构的研究者提出名为EFS-Net的端到端融合网络，把脑电与功能性近红外光谱两种信号在多个尺度上对齐融合，以克服单一模态解码的局限。网络设三条互补分支：多尺度时间卷积分支捕捉脑电快速变化的皮层电生理特征，脑电空间分支构建经延迟补偿的皮层地形图以适配近红外较慢的血流动力学响应，空间校准的近红外分支把空间特征图与脑电对应特征动态融合。在词语生成和心算两个公开数据集上，采用逐被试留一次会话交叉验证，准确率分别为77.71%±8.23%和81.69%±9.49%。该研究2026年8月21日发表于《Cognitive Neurodynamics》。