非侵入式脑机接口

让屏幕上的闪烁块按阶梯方式逐步升频或降频，能不能当作新的脑控指令？一项纳入15名受试者的离线脑电研究显示，这类“阶梯式”变频闪烁可以被识别，但分类准确率没有超过传统的固定频率闪烁。三种刺激方式的平均归一化准确率分别为89.7%（固定频率）、85.6%（升频）和89.5%（降频），统计上差异不显著；6–10 Hz低频刺激的准确率为90.8%，高于41–45 Hz高频刺激的80.6%。连续3条指令的平均准确率为91.5 ± 9.6%，指令序列越长准确率越低。研究者认为其价值主要在于设计更灵活的连续指令，仍需更大样本和在线闭环系统验证。

沉迷网络游戏的人，往往难以控制自己停下来。一项正在招募的临床试验，想用脑机接口神经反馈训练来改善这种认知控制缺陷：系统读取额头中线附近的θ节律脑信号并实时反馈，让参与者练习调节自身的大脑活动。研究团队还把社会奖励融入训练，作为强化物来提高干预效果和患者依从性。试验设有三组，分别为神经反馈加社会奖励的双靶点训练、只做神经反馈的训练和假反馈对照，计划纳入120名网络游戏障碍患者，主要终点预计2028年12月30日完成。

脑电信号会随时间漂移，眨眼等伪迹又常常混入其中，脑机接口要在真实环境中长期使用，就必须先解决这一问题。常用的伪迹子空间重建（ASR）方法基于方差自动抑制伪迹，但依赖由校准数据得到的静态协方差模型，信号一漂移就不够稳。研究团队提出用指数移动平均持续跟踪信号结构，把短时程协方差估计与缓慢递归更新结合起来，让模型以一快一慢两种节奏同时适应。在10名受试者、不同认知状态下的24通道脑电记录中，新方法把眨眼伪迹削减了53.1%，原始ASR为24.0%，有限记忆版本为26.7%。代价是重建偏差和频谱偏差都有所增大。该研究为预印本，尚未经同行评审。

脑机接口每接入一位新用户，都要先校准。为个人单独调出来的模型更准，可能是因为真正学到了这个人的特点，也可能只是底层的通用模型本身更强。研究人员在235名未参与训练的受试者身上测试了3个脑电基础模型（用大量脑电数据预训练的通用模型）。结果显示，为每人单独训练的轻量适配模块，平均平衡准确率比通用的群体模型高1.5至5.4个百分点，也比借用他人的适配模块高2.3至7.3个百分点。群体模型的训练量增加到原来的4倍后，个性化增益仍为正，但有所缩小。只用少量标注数据做低成本校准，效果并不稳定。该研究为预印本，尚未经同行评审。

设计一个能在多种脑电任务上都表现好的解码模型，通常要靠研究人员反复试错。AutoBCI框架让两个AI智能体分工：一个负责生成并改进模型架构，另一个根据训练早期的学习曲线预测最终表现，提前挑出值得继续训练的候选。在涵盖运动想象、情绪识别和睡眠分期的14个脑电数据集上，借助Claude Opus 5.5找到的架构平均测试平衡准确率为64.16%，略高于最强基线REVE的63.87%。预测智能体只看10个训练轮次，就把预测误差从2.20个百分点降到1.36个百分点。该研究为预印本，尚未经同行评审。

脑机接口换一天使用时，脑电信号会发生漂移。常规分类器不论把握大小都照样给出指令，错误指令可能让设备做出意外动作。美国圣母大学计算机科学与工程系的研究人员在《Journal of Neural Engineering》上报告，他们给运动想象脑机接口加了一道“门”：用共形预测判断把握不够时，就不发指令。研究以DeepConvNet为基础分类器，比较了多种门控策略。在54名受试者的OpenBMI数据集上，错误指令比例从37.5%降至9%至16%；在9名受试者的BCI Competition IV Dataset 2a上，从35.5%降至6%至8%。代价是发出的指令变少。研究据此给出了按容错程度选择校准数据与门控策略的框架，结果均来自离线公开数据集。

日内瓦大学与CIBM生物医学成像中心等合作，在22名健康参与者的单次实验中比较干、半干与凝胶条件的静息态脑电。用自来水湿发后，坏通道比例从约40%降至15%，平均电极阻抗指标改善75.7%；闭眼时，频谱功率与凝胶记录的相似性提高7.7%，不同频段的功能连接相似性提高约56至70%。信号质量仍未完全达到凝胶系统的水平，研究也未测试脑机接口任务表现。

传统的视觉诱发脑机接口靠黑白高对比度闪烁来“标记”屏幕上的每个选项，看久了眼睛容易累，可区分的选项数量也有限。天津职业技术师范大学的研究团队改用红、绿、蓝、黄、灰五种颜色的相对变化来编码刺激，并对目标分组调制，做出了一套可同时区分64个目标的系统。配套的解码算法先用任务判别成分分析（TDCA）从脑电中提取与目标相关的成分，再交给一个轻量的神经网络（多层感知机）完成分类。实验于2026年4月至6月开展。在10名参与者的对比实验中，这套TDCA-MLP算法的平均准确率为93.72%，高于4种常用算法。作者称，系统所需校准更少，主观视觉体验较好。

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。

卒中后手臂无力，让患者“想”动作、由机器读出脑信号再驱动机器人带动手臂，能否比传统康复更有效？这项网络Meta分析汇总了22个随机对照研究队列、727名参与者，比较脑机接口联合机器人康复、单纯机器人辅助治疗、运动想象和常规康复四种方法。在上肢运动功能评分上，脑机接口联合机器人康复排名最高，比常规康复平均高6.80分，点估计超过5.25分的最小临床重要差异，但置信区间下限未达到；与单纯机器人辅助治疗相比只多2.04分，作者认为不太可能具有临床重要性。

研究人员提出名为SICMD的方法，把功能磁共振成像（fMRI）和脑磁图（MEG）两种非侵入式脑信号结合起来，从大脑活动中识别一个人正在听的语音，并且让同一个模型适用于不同的人。fMRI擅长定位活动发生在哪里，MEG擅长捕捉活动发生的时间，两者结合可以得到更完整的时空信息。在跨被试的感知语音解码任务中，该方法的Top-1、Top-10和Rankacc三项指标比基线方法分别提高10.6%、10.1%和1.7%以上。与多被试解码和被试内解码相比，训练成本分别降低88.8%和60.5%。该研究为预印本，尚未经同行评审。

想象中说的话，比耳朵听到的话更难从脑信号里读出来：大脑反应弱、噪声大，可用的数据也少。研究团队用一套同一批内容既“听”又“想”的脑磁图（MEG，一种在头皮外记录大脑磁场的无创技术）数据集，在训练和解码两个环节接入语言模型。结果显示，想象语音从语言模型中获益比听到的语音更多，而且最佳效果需要更多依赖语言模型。作者据此认为，脑信号证据越弱，语言模型提供的上下文先验越有用。该研究为预印本，尚未经同行评审。

脑机接口读出“准备动手腕”时的脑电信号，并在信号最强的时刻给手臂神经一次电刺激，可以增强大脑到肌肉这条运动通路的兴奋程度。研究在17名健康志愿者身上比较了两种做法：一种是真的伸腕，一种只是想象伸腕。干预结束后，两种方式测得的运动诱发电位最大幅值都显著升高，结束30分钟后仍高于干预前，两者之间没有显著差异。研究者认为，这意味着无法自主活动手部的患者也可以只靠想象参与这类训练。不过受试者均为健康人，且个体差异较大，尚未在卒中患者身上验证。

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。

脑机接口从实验室走向实际应用，软件是绕不开的一环。这篇综述聚焦非侵入式脑电脑机接口，即通过头皮电极读取脑电信号、无需手术的路线，从技术基础、工具分类、场景适配和未来演进四个维度梳理了开源软件生态。作者展示了开源工具如何覆盖从信号采集到实时交互的完整流程，并按医疗、教育、娱乐等应用场景对工具进行分类，同时指出了当前生态面临的技术挑战，为开发者选择开源工具提供方法参考。

只在心里默念、不发出声音的“想象语音”，能否从头皮脑电中读出来，并且换一个没参与训练的人也同样有效？研究人员用严格的被试无关方案重新检验了一个多类想象语音脑电数据集：模型从不在测试对象本人的数据上训练。结果显示，基于频段功率的频谱特征在粗粒度分类中平均逐试次准确率为49.03% ± 4.18%，明显高于时域统计特征的37.97% ± 3.79%，而且少数几个频段就承载了大部分可区分信息。该研究为预印本，尚未经同行评审。

脑机接口要在算力有限的设备上运行，常用剪枝或低精度量化把解码模型压小。研究人员测试了这种压缩是否会改变模型面对对抗攻击时的表现。对抗攻击指对脑电信号加入人眼难以察觉的微小扰动，诱使模型判错。结果显示，在保持识别精度的前提下压缩模型，抗攻击能力并没有变强：在ε=0.005的扰动强度下，EEGNet模型在原始、50%剪枝和两种INT8量化版本下的准确率都只有22%到24%。不过，剪枝后的模型与原始模型之间，攻击样本相互迁移的效率明显下降，量化模型则几乎不变。该研究为预印本，尚未经同行评审。

研究提出脑电去噪方法DenoFlow，尝试去除肌肉和眼部电活动带来的干扰，同时保留信号中可供脑机接口识别的信息。作者报告，在两个公开稳态视觉诱发电位（SSVEP）数据集、5种解码器的评估中，该方法的信号保真度与解码准确率均优于7种基线去噪模型。研究通过注入已记录的肌电和眼电伪迹，并控制目标信噪比，构建受污染信号与原始信号配对的数据。这些结果来自上述受控数据测试，该研究尚未经同行评审。

只“看”和“想”动作，不真正动手，也能调动大脑的感觉运动区，这是一类康复训练的思路，适合行动能力受限或丧失的人。那么，看什么最有效？西班牙研究团队让15名健康参与者一边观看人形机器人抬手臂，一边在脑中想象同样的动作，观看方式分为沉浸式虚拟现实、二维视频和现场观看真实机器人三种，同时用脑电记录大脑反应。结果显示，沉浸式虚拟现实引发的感觉运动皮层激活最强。脑电里有一种信号叫“去同步”，节律减弱说明该区域更活跃，研究以此作为衡量指标。研究者认为，沉浸式虚拟现实可用于优化这类康复方案和脑机接口应用，但本研究只纳入健康人，尚未在患者中验证。

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。

中风后肢体不能动，靠“想”能不能练回来？这篇系统综述汇总了32项研究，发现多数做法是让患者想象动作，再由头皮脑电读出信号，驱动虚拟现实、功能性电刺激或机器人外骨骼给出反馈，形成闭环。训练次数从少量试点到最多80次不等，平均约30次。作者认为，这类方法能显著改善卒中幸存者的临床结局，但获益程度取决于具体方式和卒中特征，治疗剂量仍缺乏统一方案。

在运动想象脑机接口的跨被试迁移学习中，选对"黄金被试"，即脑电信号最具代表性、最适合作为训练模板的被试，直接影响其他用户的解码准确率。此前研究采用模糊决策评分法（FDOSM）将S5认定为最佳被试，但该方法未将权重计算与排序步骤分离。伊拉克伊玛目贾法尔·萨迪克大学的研究者构建了一个9×18的统一黄金被试决策矩阵（UGSDM），同时纳入9名被试在训练和评估两阶段的18项指标，涵盖分类准确率、召回率、F1分数、对数损失和特异度等。研究用FWZIC方法计算权重、VIKOR方法做妥协排序，结果显示最佳被试从S5变为S1（Q=0.0000）。4种权重场景的敏感性分析中S1有3次排名第一，显示框架具备一定稳健性。该研究为预印本阶段的方法探索，仅涉及9名被试，尚未经大规模数据集验证。

肌肉活动产生的电信号会在很宽的频率范围内盖过头皮脑电，把分析和脑机接口需要的神经信息淹没。研究人员提出名为P2P Trans的条件对抗去噪模型，它把U形编码器解码器、瓶颈处的多头自注意力、交叉注意力引导的跳跃融合与PatchGAN判别器结合在一起。在基于EEGdenoiseNet、覆盖-7至2 dB共10个信噪比水平的合成数据上，它与5种卷积编码器解码器基线模型比较，取得最高平均相关系数0.8645和最低平均频谱误差0.3596，干扰越重优势越明显。不过它在逐点波形还原上并不领先，说明压低频谱噪声与保真波形之间存在取舍。该研究为预印本，尚未经同行评审。

从头皮脑电和脑磁图这类非侵入式记录中解码单个词汇，一直是脑机接口领域的难题，因为信号弱、时间分散，且混杂着声学、词汇和语义结构。深度学习已能从颅内记录中解码语言，但将这一能力推广到非侵入式记录仍是未解课题。由Yueyang Li、Shuran Chen、Wai Ting Siok和Nizhuan Wang提出的HDND（分层动态神经解码）框架将词汇解码视为逐步精炼而非一步到位的标签检索，在涵盖英语、荷兰语、普通话和粤语的七个脑电与脑磁图数据集、九种实验条件下，参与者平均平衡Top-10点估计值均高于匹配的上下文词汇解码基线，其中八项条件下取得所有对比方法中的最高均值。该研究为预印本，尚未经同行评审。

中风数月乃至数年后，手臂还能不能靠“想”来练回来？葡萄牙研究人员让7名慢性卒中患者一边想象动作，一边由脑机接口实时读取脑电信号并给出反馈，另设一组只给假反馈作对照，两组都接受为期四周的标准物理治疗。结果显示，接受真实反馈的患者至少有一项功能指标的改善超过临床上被认为有意义的最小幅度，握力最为明显，脑电活动也更趋左右对称。该研究为病例系列，样本很小，只能说明方法可行、效果尚属初步。

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。

重庆大学电气工程学院团队提出端到端神经网络MTANet，用于提升运动想象脑电的解码精度。该模型包含脑电inception注意力模块和并行时序注意力模块，前者提取并加权脑电信号中的时间-频率-空间耦合特征，后者用多条并行时间卷积网络处理不同特征序列的加权片段。在3个公开数据集的离线测试中，MTANet均优于7种现有模型：BCI Competition IV数据集IIb平均准确率89.47%，数据集IIa为83.39%，BCI Competition III数据集IIIa为77.06%。研究尚未在在线脑机接口场景中测试。

预训练脑电基础模型日益被视为脑机接口的通用编码器，但近期基准测试对其迁移效果的评价并不一致。两个主流脑电基础模型LaBraM和CBraMod在BCI Competition IV-2a四类运动想象数据集上，采用验证锁定协议评估后，所有配置均不及传统监督学习模型，包括经验证集选择的微调方案。研究进一步发现，基础模型与任务特定解码器通常使用不同的输入管道进行评估，构成关键混淆因素。将三个监督架构切换到基础模型所用的宽带输入后，准确率变化方向因架构而异：ATCNet提升0.078，EEG Conformer下降0.088，且经多重比较校正后均不显著。这意味着用单一对照模型来衡量基础模型的性能差距可能不可靠。该研究为预印本，尚未经同行评审。