论文发表

该研究记录大鼠在改良T迷宫中执行连续空间决策任务时的海马CA1群体活动，将决策过程划分为启动、奔跑与接近三个阶段，考察局部与前瞻性空间表征的动态演化。结果显示，中央臂位置细胞随动物接近选择点呈现递增的轨迹依赖性，局部theta序列一致性地过度表征实际选择；由选择臂位置细胞驱动的前瞻性表征则从奔跑期优先预测实际选择，过渡到接近选择点时更均等地表征潜在路径。整合局部与前瞻性特征改善了解码性能，未来选择预测在测试试验中达到74.4%准确率，即将进行的轨迹解码在样本试验中达到78.2%准确率。作者认为，纳入海马时空特征可改进行为解码，并为基于海马预测未来决策的认知脑机接口提供框架。

研究者提出一种仿树突分级结构的有机生物电子界面，用于与神经元整合。作者指出，脑机接口依赖活体神经元与人工材料之间紧密的电学通讯，而常规电极结构与神经组织在形态上差异明显，限制了细胞与电极的稳定耦合和长期记录；导电聚合物与微结构界面此前各自改善了神经电极的电化学与生物学性质。该研究为预印本，尚未经过同行评审，其提出的界面结构能否真正改善长期耦合稳定性有待验证。

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。

一项预印本研究提出STEAM，一种面向脑电图（EEG）解码的分层迁移框架，通过双分支时空编码器与共享软专家混合（SSMoE）模块，在EEG基础模型中协调通用表征学习与范式特定专业化，使互补的表征可通过一组紧凑的软槽交换信息。研究者称，在7个下游数据集、14个评估设置中，STEAM以有竞争力的推理成本取得最佳平均排名；其层级预训练策略可在不从头重训的情况下进一步针对目标范式提升解码准确率。该工作面向EEG基础模型的可迁移性与高效下游适配问题，属于脑机接口解码算法的基础方法研究。该研究为预印本，尚未经过同行评审。

研究者称，EEG引导的目标说话人提取框架SAGE于2026年8月3日以预印本形式上传至arXiv，尚未经过同行评审。在试验内听觉注意切换场景下，神经噪声与固有延迟会延迟或干扰注意跟踪，传统方法难以应对动态切换，常在切换点造成不连续。SAGE把试验内切换当作动态选择处理，用稳健分离器生成两条候选语音流，并用EEG引导的切换感知门控模块产生平滑融合权重、抑制切换伪影。研究者称，SAGE还集成延迟补偿对齐与不确定性驱动的保守策略，优于基线方法，达到8.67dB SI-SDR与88.24% STOI，平均切换延迟降至2.04秒。

贝勒医学院神经外科团队为8名难治性强迫症患者植入腹侧囊深部脑刺激电极，其中5人另植入双侧眶额皮层皮层脑电电极，分析治疗全程超过200小时的颅内记录。结果显示，症状严重度与瞬时痛苦的神经特征可以分离，且前者更强。但真正关键的是：只用神经信号的解码模型对两种状态都没能超过随机水平（严重度R=0.04，p=0.53；瞬时痛苦R=0.09，p=0.30）；只有把面部表情与语音的量化特征一并纳入，联合模型才把严重度解码做到R=0.73、瞬时痛苦做到R=0.34（p=0.02），且8名患者全部改善。该预印本2026年8月2日上传至medRxiv，尚未经过同行评审。

该预印本提出CORTIVA，一个用于EEG与MEG到图像检索的候选分数融合框架。研究者称，不同于现有方法先将异构视觉监督压缩为单一嵌入再排序，CORTIVA让三条解码路线对齐到异构视觉目标、独立为同一候选库打分，仅在排序前合并温度缩放的分数向量，从而保留互补证据。研究显示，在200选1的THINGS-EEG2基准上，CORTIVA在10名被试上达到Top-1准确率73.5%、Top-5达95.3%，超最强已报告基线10.3和5.4个百分点；用模态特定神经编码器时，同一融合原则在THINGS-MEG上达到Top-1为42.4%。该研究为预印本，尚未经过同行评审。

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。

一项预印本研究采用射频背散射与近场无线充电应对植入式脑机接口的无线连接与功耗挑战。研究指出，高分辨率微电极阵列虽提供精确的脑读取与刺激，但实现32-128 Mbps的高速率无线连接功耗过高，不适合植入电池长期使用。该方案去除植入体内的收发器电子元件，将复杂度转移至体外读取端，显著降低植入功耗，并通过磁耦合实现神经记录与刺激芯片的无线供电，从而支持全植入式脑机接口。研究者呈现了该设计场景的初步测试结果，验证了其可行性。该研究为预印本，尚未经过同行评审。

该预印本提出EasyBCI，一个两阶段LLM智能体，为6类信号规划并执行预处理管线。该研究为预印本，尚未经过同行评审。研究者称，Plan Agent把每条记录画像为纯文本数据指纹，不向模型暴露原始数据，并选择有文献依据的算子序列，Execution Agent生成、运行并自我修正代码，直至满足质量标准。在固定线性分类器的EEG评测中，五个EasyBCI骨干比人工管线保留更多任务相关可分性。作者称，EasyBCI扩展到5种额外模态，采样率跨度近三个数量级，产出带决策溯源的完整可复现管线。

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。

该研究在人体头部模型上评估Synchron公司Stentrode血管内脑机接口部署的多模态成像工作流的技术可行性。Stentrode是置于上矢状窦、邻近中央前回的镍钛自膨支架式脑机接口装置，植入需毫米级精度。工作流包括薄层CT采集、DICOM传输至外部核心实验室进行目标识别与标记、标记CT重新导入、3D旋转血管造影，以及与标记重建和术中荧光透视的配准。结果显示CT提供适合解剖分析的数据集，核心实验室成功标记预期部署区域，标记在传输与重新导入中得以保留，标注CT与3D血管造影成功融合且无明显错位或伪影。作者认为，该工作流可为Stentrode部署生成术中靶向引导，属术前非临床技术验证。

研究人员通过侧线神经电刺激实现了对自由游动鳗鱼的闭环速度控制，该生物混合系统采用比例-微分反馈控制器动态调节刺激频率，相比固定频率刺激，速度偏差分别降低 63.7%（前进）和 50.6%（后退）。

密歇根大学安娜堡分校的研究人员开发了一种名为SpikeCleaner的算法，用于在自动尖峰排序后标注神经单元的质量。该算法结合放电率、放电时间指标和波形特征，将单元分类为良好、噪声和多单元活动，旨在减少人工筛选的工作量并提高数据质量。在基准测试中，SpikeCleaner对单个单元的分类准确率达到97%，F1分数为92%。

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。

神经技术中心（Center for Neurotechnology）在官网发布公告，列出其成员新发表的9篇论文。公告称，这些成果覆盖实验神经科学、计算神经科学、沟通与接口、神经伦理四个研究方向，中心成员持续在高影响力期刊发表论文。清单亮点包括用于多模态神经记录与调控的功能性人工硬脑膜Smart Dura，以及探讨脊髓损伤经皮电刺激临床试验设计考量的论文。其余论文分布在光遗传学非人灵长类记录平台、闭环共适应神经接口、运动皮层伸臂神经活动、无创脊髓刺激试验方案、预测编码与脉冲神经网络综述与神经伦理等方向，刊于《Nature Communications》、《Nature Machine Intelligence》、《Journal of Neuroscience》、《PLoS One》、《Neural Networks》、《Neuroethics》等期刊。

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。

一项新研究提出DSTF-Net框架，仅凭额叶脑电信号即可解码稳态视觉诱发电位（SSVEP），无需枕叶电极。该框架在20名新用户（含8名仰卧位的脑损伤患者）上完成跨被试迁移，相比基线最高提升33.47%的解码准确率。研究发表于《npj Biomedical Innovations》。

华盛顿大学的研究人员开发了一种机械柔顺、精密多孔的脑植入物，在大鼠脑中植入4周后，相比固体水凝胶棒，多孔支架周围的星形胶质细胞包裹减少，更柔软的水凝胶降低了促炎性巨噬细胞极化，并在孔隙内观察到新生血管、神经元标志物和神经发生。该研究为减少胶质瘢痕、改善植入式中枢神经系统治疗的再生效果提供了潜在策略。

脑电这类信号极其微弱，可穿戴设备一边记录一边用人体当导线往外发数据，发射端的噪声就会混进信号里。研究团队设计了一款记录芯片，把记录和发送分到不同时间段轮流进行，从而能稳定记录脑电、眼电、肌电和心电。芯片借助人体通信（把人体当作传输介质）以每秒10兆比特的速率发送多通道数据，省去偏置电极后通信信号幅度提高约2.13倍。芯片采用180纳米工艺制造，总共模抑制比为101.1 dB，可在18 Vpp共模干扰和15%电极失配下保持稳定工作。研究面向扩展现实和脑机接口等可穿戴人机接口，摘要报告的是芯片测试指标，未报告在脑机接口任务中的使用结果。

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。

研究者称，一项关于在卒中康复中征集可解释人工智能（XAI）需求的方法学研究于2026年7月28日以预印本形式上传至arXiv，尚未经过同行评审。从卒中幸存者处征集XAI需求存在方法学挑战，直接影响AI驱动自适应康复系统的设计，但现有协议通常做二元访谈，忽视引导动态。研究从二元走向三元，在3名卒中幸存者（2名中重度失语）与3名照护者的形式化研究中，引导者使用了类比桥接、投射人格、二元强选与延长响应时间4种支架方法。研究者称，反思性分析揭示了规范偏差、假设确认偏差与在场效应3种系统性引导偏差，研究将其作为面向从业者的协议风险指南提出。

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。

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UnSPC（不确定性引导的自步循环），一种将域适应（DA）与域泛化（DG）在迭代循环中整合的框架，用于应对侵入式脑机接口长期部署中的神经漂移。研究指出，神经漂移会随时间降低解码性能并需频繁重校准，而既有方法通常只依赖DA或DG其一，难以捕捉跨神经亚域的细粒度分布偏移。UnSPC在不确定性引导的自步伪标签机制下，以噪声稳健的排序策略迭代挖掘可靠伪标签样本，并通过循环适应与泛化策略在迭代循环中逐步缓解全局与亚域漂移。研究者称，在多个神经解码数据集上的实验验证了UnSPC的有效性与稳健性，据作者称这是首个以伪标签循环整合DA与DG的方法。该研究为预印本，尚未经过同行评审。

该研究利用空间蛋白质组学评估植入4周的小鼠皮层内非功能性微电极周围组织，考察载有治疗药物、可控释放的二氧化钛纳米管阵列（TNA）涂层探针周围的神经元完整性、免疫细胞激活与局部细胞因子表达。研究背景指出，皮层内微电极（IME）长期记录稳定性受神经炎症反应限制，血脑屏障破坏可致肠道源性细菌易位至植入位点并维持慢性炎症；此前工程化的TNA涂层已显著降低植入界面微生物丰度。本研究利用TNA的治疗载药与可控释放能力进一步缓解剩余神经炎症，结果显示TNA提供了可局部调控神经免疫微环境的多功能、可调界面，有望实现长期可靠的皮层内微电极记录，并为未来功能记录与刺激探针的设计提供依据。

研究者评估了氧化钌（RuOx）涂层非晶碳化硅微电极阵列用于皮层内微刺激（ICMS）的长期稳定性。在25周慢性植入期内，以啮齿类go/no-go行为范式每周测量行为学、电化学与局部电生理指标，感知阈值呈指数式下降并在植入后第九周稳定在约0.4 nC/ph每电极（16电极同时多通道刺激），行为表现始终较高（约91%），反应时间稳定，可靠的感觉感知持续至25周。研究者认为，氧化钌是适用于未来皮层内微刺激应用的耐用电极涂层材料。

侵入式言语脑机接口能把尝试说话时的皮层活动解码成文字，现有最优系统的词错误率已低至1%，但代价是要先采集数千句训练数据，从植入设备到能顺畅沟通，中间要经过漫长的采集期。加州大学戴维斯分校团队提出一个基于Transformer的解码模型，跨6名侵入式言语脑机接口受试者联合训练。对每一名受试者，无论性别、病因或尝试发声策略如何，多用户模型的解码都优于仅用其个人数据训练的模型，相对词错误率平均降低超过50%。更关键的是，该模型在此前未参与训练的用户上，只用不到200句话微调，就实现了低于7%的词错误率。该预印本2026年7月27日上传至bioRxiv，尚未经过同行评审。

一项新研究利用UCI机器学习库的EEG-Eye-State数据集，通过四分位距裁剪处理异常值，结合随机森林分类模型，实现了睁眼与闭眼状态的高精度检测。模型准确率达92.49%，ROC-AUC为0.9791，交叉验证平均准确率92.86%。研究为疲劳监测和辅助技术等脑机接口应用提供了稳定且可解释的解决方案。

一项预印本研究提出SSCDL，一种自监督一致性增强的解缠学习框架，用于脑机接口神经解码泛化。研究先设计一致性增强神经解码器（CND），通过教师-学生一致性约束与模拟神经信号扰动，学习对神经漂移不变的稳健表征；再在互补解缠泛化机制下使用三个专用CND，借鉴神经偏好理论将运动信号解缠为速度、方向和速率，从而从多样化的神经偏好视角捕捉不变表征，显著增强跨天泛化。研究者称，SSCDL在广泛实验中取得最先进的解码性能，具有高稳健性与跨天稳定性，有望支持长期、精细的辅助应用。该研究为预印本，尚未经过同行评审。