论文发表

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。

这项研究让90名学习者分成两组，一组用脑机接口实时读取注意力、认知负荷和精神疲劳，据此调整教学内容和节奏；另一组按传统在线课程学习。实验组在持续参与度和知识保留上表现更好。研究采用混合方法，定量数据包括前后测成绩、任务完成率和神经活动指标，定性数据来自问卷调查和半结构化访谈，用于衡量学习者感知到的参与度、可用性和整体学习体验。90名参与者分别来自English House Language Center、亚美尼亚欧洲大学和Mesrop Mashtots大学。研究者同时提出，在教育场景采集和使用神经数据，隐私、伦理与可及性问题尚未解决。

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。

颅内脑电信号来自植入大脑内部的电极，一直被看作解码人的意图的理想信号来源，但各家数据集和预处理方式不同，模型到底有没有变好很难说清。研究团队把三家机构的自然观影数据、15项解码任务、统一的预处理流程和固定的评估划分放进同一个基准，结果发现：预训练系统在自己那套预处理流程里通常能赢过基线，可换到别的机构数据上，传统频谱基线的表现依然有竞争力。更值得注意的是，把其他受试者或其他机构的数据增加到25倍，相比只用同一场次数据训练，提升依然有限，甚至要看具体任务。

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。

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。

在一台右侧旁矢状窦脑膜瘤切除手术中，4个Layer 7 μECoG阵列共4096个电极被放置在中央沟两侧，记录5种对侧刺激下的体感诱发电位。按2 MΩ阻抗标准，3739个通道可用，通道有效率91.3%；相位反转潜伏期分别为19、21、25、26和25毫秒，与同一台手术中标准术中定位结果一致。研究者指出，该配置提供的是密集空间采样，而非亚毫米级生理分辨率——实测响应在约3至4毫米皮层范围内相关。

脑机接口模型要练得准，靠的是大规模、多样化的脑电数据，但这类数据往往锁在各家医院和实验室里，格式不一，又受隐私法规限制，很难拿出来共享。TrustBCI把三件事放进同一个平台：把原始脑机接口数据集整理成可流通的资产、用激励机制让机构愿意持续贡献数据、再让使用方在不接触原始记录的情况下完成计算。平台演示了两条路径——可控数据合成和隐私保护查询，前者生成新的数据集，后者只返回查询结果。这意味着跨机构联合训练脑机接口模型，可能不必先把数据集中到一处。

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。

训练一个能读懂大脑信号的解码器，通常要为每一位新受试者重新采集大量带标注的数据，这既费时，对患者也是负担。这项研究提出的MAPA方法先用跨受试者累积的未标注颅内脑电记录做自监督预训练，再迁移到新受试者身上。难点在于颅内脑电的电极触点位置和神经解剖结构因人而异，MAPA在常规掩码自编码器上加了两种空间编码——解剖区域嵌入和相对位置编码。在跨受试者测试中，只需约164次带标注的试验就能达到原本需要3500次才能达到的准确率。研究团队称，MAPA在Neuroprobe基准的会话内、跨会话和跨受试者三种模式下都刷新了最好成绩，且无需微调。这意味着未来植入式脑机接口的校准过程可能大幅缩短。

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。

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。

P300脑机接口拼写器常被设计成把多个各自有效的组件全部打开，默认组件越多性能越好。一项预印本研究用四组件全因子试验检验了这个假设：组件的价值是有条件的，而不是可叠加的。受试者校准是最强的单一贡献者；欧几里得对齐能在零校准设置下弥补校准的缺失；把各自有用的组件叠加起来反而可能拉低性能，作者称之为组件反协同。语言模型的支持也并非普遍有益，其效果强烈依赖底层脑电流水线的强度。

在经颅交流电刺激（tACS）开启的同时做运动想象脑机接口，刺激产生的伪迹会盖住脑电节律，让解码掉到接近瞎猜的水平。14名健康参与者的对照测试显示，把空谱分解与波束成形组合起来的实时空间滤波流水线，在刺激期间把准确率保持在76 ± 9%，而标准拉普拉斯滤波只有58 ± 9%。这意味着闭环的「边刺激边读脑」在信号层面已经可行，但能否真正提升脑机接口表现、或带来神经可塑性变化，论文明确留给了后续研究。

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。

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。

研究者让乘客在高度自动化车辆中观看驾驶场景，同时记录脑电信号，训练模型判断前方是否存在风险以及危险出现在哪里。3D-CRNN在风险预测任务上达到95.3%±2.7%的平衡准确率，危险识别从80.9%提升到85.0%；跨被试测试中，模型对未见过乘客的平衡准确率降至64.9%±8.5%，说明离实际部署仍有距离。

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。

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。

美国加州大学旧金山分校（UCSF）的研究人员让两名帕金森病患者在家通过玩飞机模拟游戏进行脑机接口（BCI）训练，学会下调大脑皮层beta信号，进而自主控制脑深部刺激（DBS）的强度。相关研究作为预印本于2026年8月17日上传至medRxiv平台。UCSF是一所世界知名的公立研究型大学，其医学院在神经科学领域享有盛誉。该研究展示了脑机接口在神经调控领域的应用潜力，为帕金森病等疾病的个性化治疗提供了新思路。但作为预印本，结论尚待同行评审。

研究团队把脑机接口的攻击面拆成五个方向：伪造神经信号、靠去同步规避检测、重放劫持、窃听（Vein Tapping）和嵌入式后门。他们用自建的EEGle框架跑出17个新的神经特异性攻击实例，并发现后门设计存在一条隐蔽性与有效性的取舍曲线。研究还指出，生成式AI正在拉低非专业攻击者的门槛。该研究为预印本，尚未经同行评审，作者为Zahra Tarkhani、Georgios Akkogiounoglou、Lorena Qendro、Isabel Tscherniak和Anil Madhavapeddy。论文把这一攻击类别命名为NERVE Attacks，称五个维度相互正交，合起来覆盖完整的脑机接口技术栈。团队将EEGle提供给社区，用于构建和验证这类设备的安防能力，并把风险概括为认知自主权、心理隐私和人身安全三点，具体情形包括神经数据外泄，以及脑机接口所连接的外部设备被恶意控制。

看视频时，人眼盯着一个点不动，大脑仍会追踪画面里运动的物体，注意力越集中，这种追踪越强。但鲁汶大学团队发现，物体离注视点越远，脑电信号对运动的追踪就越弱——这意味着以往靠追踪强度判断注意力的解码方法，可能把「物体在哪儿」误当成「注意力在哪儿」。