论文发表

一篇发表于《Computers in biology and medicine》的观点综述聚焦EEG跨会话、跨个体和跨记录条件的非平稳性问题，讨论如何借鉴大脑维持功能稳定的机制来提升脑机接口模型稳健性。文章梳理突触可塑性、稳态调节、神经振荡和脉冲表征等路径，并与传统机器学习和迁移学习方法进行比较。作者提出可将生物学机制与人工神经网络结合，同时给出生物启发、生物合理和生物真实建模的操作性定义，以及持续EEG基准的最低规范。综述也指出，多种机制在EEG场景中的直接证据仍然有限，因此应明确区分实证结论、研究假设与未来方向。

不开颅，能否从大脑活动里读出一个人正在打的句子？研究团队开发了名为Brain2Qwerty的深度学习模型，让35名健康志愿者在键盘上默写刚记住的句子，同时记录他们的脑磁图（MEG，一种测量大脑磁场的非侵入式技术）或脑电（EEG）信号。用脑磁图时，平均字符错误率为29%；用脑电时为65%。表现最好的受试者错误率低至18%，模型还能完整解码训练集之外的多种句子。研究者认为，这缩小了非侵入式与植入式方法之间的差距。

该研究提出一种可注射、原位成胶的多功能水凝胶，用于解决微ECoG皮层记录中的硬膜屏障破坏、皮层微动削弱装置-组织耦合与生物污染引发异物反应等失效模式。水凝胶结合多巴胺接枝海藻酸钠与支化聚乙烯亚胺，形成抗非特异性蛋白吸附且具儿茶酚介导湿粘附的准两性离子网络，通过双重大分子交联在手术兼容条件下快速凝胶化，无需依赖可扩散的小分子单体。与128通道柔性微ECoG网格阵列整合后，该平台在3周的早期慢性期内降低了胶质激活与纤维化包裹，并保持稳定、高保真的皮层记录。作者认为，在单一界面材料中协同设计屏障修复、界面粘附与抗污保护，可改善长期功能。

该研究将负载地塞米松的二氧化钛纳米管阵列（TNA）转移到力学自适应聚合物纳米复合（NC）基底上，在小鼠模型中评估硅、NC、TNA-NC Empty和TNA-NC DEX四种植入物（每组10只）在2周和4周时对皮层内微电极神经炎症的影响。结果显示，2周时各植入物的基因表达谱大体相似，反映早期急性损伤反应；4周时表达模式分化，基于NC的植入物较刚性硅植入物表现出更少的差异表达神经炎症基因，其中TNA-NC Empty改善最明显，而地塞米松组未见额外改善，提示药物递送仍需优化。作者认为，向柔性材料添加TNA层可促进4周时神经炎症反应的消退。

事件相关电位为脑机接口提供隐式反馈与纠错信号，但基于源域被试训练的模型容易受被试间差异与采集噪声影响，泛化到未见被试时性能明显下滑。新方法MVCLDG把判别特征提取与域不变表征学习结合起来，用多尺度inception块融合原始脑电与希尔伯特变换导出的相位信息，捕获幅值与相位特征，再施加域对齐与对比学习约束，缩小跨域分布差异、压紧类内表征、拉开类间间隔。它在公开的错误相关负电位数据集和自采的语义句法违规数据集上评估，跨被试设置下优于基线与代表性域泛化方法，且无需额外目标域自适应；消融实验确认各组件有效，特征可视化显示模型关注的电极与已知神经生理头皮模式一致。该研究2026年6月27日发表于《Brain Connectivity》。

一项发表于《Computers in biology and medicine》的研究提出LEGEND神经解码架构，联合建模皮层EEG、脊髓ESG与外周肌肉EMG信号，面向脊髓损伤康复中的神经旁路。模型在洛伦兹双曲空间编码三模态信号，通过有符号三层相位锁定值图连接51个通道节点，再利用图注意力模块细化表征。在Steele数据集严格留一受试者交叉验证中，LEGEND取得56.51%±12.27%的准确率，比EEGNet高23.4个百分点。研究者认为，双曲表征能够捕捉运动层级中的复杂关系，为联合脑、脊髓和肌肉信号的康复解码提供计算基础。

该研究在非人灵长类二维手指任务的植入式脑机接口（iBMI）数据上，评估脑肌协同能否提升解码性能与泛化。研究背景指出，大脑通过肌肉协同简化高自由度运动，协同此前已通过主成分分析（PCA）、非负矩阵分解（NMF）与去混合PCA（dPCA）等降维技术研究，并在非侵入性应用中用于降噪与改善离线解码稳定性，但其对植入记录的改善效果尚不明确。研究测试PCA、dPCA与NMF压缩去噪脑肌数据并改善跨任务泛化的效果，结果显示所有方法都能以最小解码精度损失有效压缩数据，但均未通过去噪提升性能或增强跨任务泛化。作者认为，仅提取协同并未为线性解码提供更优或更干净的控制空间，需更大样本与更多肌肉通道的进一步研究。

多数脑机接口靠电极读取神经电信号，很难在较长时间里反复追踪同一批神经元，这限制了对长期神经过程的研究。以色列魏茨曼科学研究所脑科学系的研究人员开发了名为BAMBI的系统：给小鼠戴上微型显微镜，实时拍下神经元活动时的钙信号变化，并据此给出反馈。系统能在多次实验中对准同一视野，因此可以跨越多天追踪同一组神经元，无需重新训练。研究团队在头部固定和自由活动两种条件下、用不同行为范式验证了该系统，小鼠能够在多天内稳定调控特定的海马神经元来换取奖励。此前的钙成像脑机接口大多局限于头部固定条件，也未展示跨天的稳定表现。这项工作为长时程研究神经元群体动态提供了新工具。

兰州大学、浙江大学、香港大学与中山大学的研究团队提出MindShow，一种在队列级训练设置下做多人共享fMRI到图像重建的统一生成框架，该研究2026年6月20日发表于《Medical Image Analysis》。现有基于fMRI的图像合成方法大多针对单个人，适配新个体需要大量数据。MindShow的核心是分层条件混合专家编码器，把人群共享的潜在表示与个体特有的神经特征分开，新受试者只需少量校准数据即可适配。多粒度最优传输损失让脑信号特征与预训练视觉语言模型对齐，最后由冻结的扩散模型生成图像。研究者称，MindShow提高了高层重建指标，同时保持了有竞争力的结构保真度。

一项发表于《Computers in biology and medicine》的研究提出动态小波基选择增强方法，用于改善非侵入式EEG想象语音分类。该方法为每个EEG片段计算小波熵，选择信息量更高的小波基，再向相应小波系数注入高斯噪声，增强后的信号由带通道激励机制的卷积神经网络分类。研究数据包含32个通道、8种刺激和10名参与者。词语与元音组合实验的最高分类准确率达到98%，Cohen's kappa为0.95，但完整类别分类的表现较低。研究者称，该方法优于传统数据增强策略和静态小波方法，为处理EEG噪声与非平稳性提供了自适应路径。

该研究2026年6月12日发表于《Cell Reports Methods》，提出整合硅弹性体与聚酰亚胺薄膜优点的高密度微皮层脑电阵列，用于跨尺度脑活动研究。硅弹性体提供光学透明性并允许皮层内阵列反复穿透，聚酰亚胺实现精细光刻图形定义，两者结合可进行高通量功能映射定位靶点，并植入皮层内阵列进行密集局部采样。研究在大鼠、猫和绒猴上演示了功能映射，据此指导多区域分层记录，并演示了局部与前馈光遗传刺激以考察皮层间相互作用。研究者认为该混合微阵列是系统神经科学的有效工具。

语音脑机接口有望帮助因瘫痪失去说话能力的人重新交流。以往研究借助感觉运动皮层上的大量皮层脑电电极，已能较好地区分单个词语，但网格越大，电极越多，手术风险也越高。荷兰乌得勒支大学医学中心脑中心等机构的研究团队分析了8名受试者的数据，他们的大脑表面放置了含64至128个电极的高密度网格。结果显示，只要位置放对，32个电极的小网格识别12个荷兰语单词的准确率为76 ± 16%，与大网格的75 ± 17%相当。最佳位置是竖向摆放，并以中央沟为中心。不过受试者并非瘫痪患者，测试也只限于一组固定词汇，结论仍需在目标人群中验证。

人能不能学会用“想”去操控一个设备，可能取决于这套操控方式是否顺应大脑本来的活动规律。研究人员让受试者躺在磁共振扫描仪里，通过调节负责空间导航的脑区活动，实时控制电子游戏中的虚拟角色。随后，研究人员改变脑活动与角色动作之间的对应关系。当新的对应关系落在大脑活动本身变化较大的方向上，即所谓“内在流形”，受试者能重新调整脑活动，学会控制角色；当对应关系偏离这一结构，受试者始终学不会。研究人员认为，这一规律可用于设计更容易上手的脑机接口。

一项发表于《Computers in biology and medicine》的研究使用跨频双谱分析，考察自然伸手抓握过程中规划与执行阶段的非线性脑电活动。研究者从复双相干矩阵提取幅度和相位特征，并结合分类、置换特征选择和受试者内统计检验。结果显示，执行阶段的非线性耦合强于规划阶段，主要由β频段和γ频段相互作用驱动。精细抓握与力量抓握的解码表现则在两个阶段相近，提示抓握类型表征可能在规划时形成并持续到执行。双谱特征相较传统分析方法在抓握类型判别和多类别分类中表现出一致优势，为未来脑机接口和神经假体研究提供了新的运动解码特征。

脑机接口要读懂“想象动一动手”时的脑电信号，常用的轻量神经网络大多层数较浅，难以提取更深层的特征。直接把网络加深，又会因为残差结构设计不当、预处理与残差模块不匹配而无法提升效果，研究者称之为“深度壁垒”。研究团队提出残差深度可分离网络ResDSNet，并配套设计了数据预处理模块，用于过滤噪声、保留运动想象相关特征。在3个公开数据集、共127名受试者的脑电数据上，它的准确率分别为79.36%、84.95%和64.13%，比现有最优方法分别高3.16%、1.59%和8.40%。这项工作只在离线公开数据上测试，尚未在实时脑机接口系统或患者中验证。

该研究提出RLED，一种强化学习增强的EEG扩散框架，用于内源性EEG任务的适应性数据增强，重点面向运动想象与情绪识别。研究指出，开发可靠的EEG脑机接口系统通常需要大规模多样化训练数据，但受试者疲劳与个体间变异使数据收集困难。该框架整合强化学习机制动态调节扩散训练过程，在时间、频谱与类别相关特征之间取得灵活平衡。在四个数据集上的实验表明，该方法生成的高质量合成EEG信号能持续改善分类性能。作者认为，RLED可作为实际脑机接口应用中EEG数据增强与泛化的有前景工具，缓解训练数据不足对系统开发的影响。

用脑电信号识别情绪，以往要么离线批量处理、准确但慢，要么实时流式处理、快但准确率打折扣。研究人员提出一种混合批流框架，把两种方式结合起来：系统根据流式模块过往的表现估计它当前是否可靠，再按概率决定采用批处理还是流处理的输出。在DEAP、AMIGOS和SEED三个公开基准数据集上，该框架的分类准确率分别为85%、94%和74%。研究还测试了系统在数据分布随时间变化（概念漂移）时的表现。目前结果来自公开数据集的离线评估，尚未在真实用户中验证。

一项基于立体定向脑电图（sEEG）的研究发现，在提示性肢体运动想象任务中，低频（8-30Hz）神经活动在准备期以抑制为主，进入想象期后转为激活；高频（60-115Hz）反应更强、分布更广，部分触点还出现激活-抑制序列。研究基于10名癫痫患者的颅内记录，表明神经活动并非统一响应，而是随任务阶段和脑区动态变化，为阶段感知的脑机接口特征设计和神经康复提供了参考。

ChatBCI-Assist整合本地部署的大语言模型和自适应停止策略，P300拼写器在线信息传输率达105.2 bits/min，语义拼写速度30.7字符/分钟。

脑机接口换一个人使用，往往要先采一段新数据重新校准，因为每个人的脑电信号差异很大，而且会随时间漂移。研究团队提出名为SPD-DANN的方法，把脑电特征放在一种更贴合其非线性结构的数学空间里，即对称正定矩阵流形，再用对抗学习提取不随个人变化的共性特征，目标是让模型无需逐人校准就能解读新用户的运动想象，即在脑中想象手脚动作时产生的脑电信号。研究人员在4个脑机接口数据集上测试，称该方法优于多种现有的无监督域适应技术。摘要未给出具体准确率数字，结果均为离线数据集测试。

嘈杂环境里，现有助听器把所有声音一起放大，听不清想听的那个人。研究团队在接受神经外科手术的患者身上，用颅内脑电信号实时判断患者正在注意哪位说话人，再自动放大这个人的声音，形成闭环。多项实验中，这套系统提高了语音清晰度，降低了聆听时的费力程度，受试者也一致更偏好它；无论是按指令切换注意对象，还是患者自己转移注意，系统都能跟上。研究人员认为，这为未来的听觉脑机接口提供了关键性能基准。

该研究评估整合运动想象（MI）与稳态视觉诱发电位（SSVEP）、并带机器人手套反馈的混合脑机接口用于卒中患者上肢运动康复的可行性。32名卒中患者分为常规治疗对照组与接受10或20天周期BCI干预的实验组，以Fugl-Meyer评分、EEG分类准确率、偏侧系数与加权脑连接分析等为结局指标。结果显示实验组Fugl-Meyer评分较对照组有可观改善，BCI系统达到满意的EEG分类准确率（最高98.08%）与稳健运行；长期训练后观察到EEG准确率上升、偏侧系数趋于正常及任务相关脑连接增强。作者认为，该混合BCI系统有望克服传统疗法与单一模态BCI的局限，为神经康复提供更具参与性与适应性的方案。

《Nature Communications》发表一项人脑术中记录研究。团队在16名清醒手术患者中尝试使用uFINE超柔性植入电极，11人获得有效单神经元信号，共分离出719个单神经元，单次最高同步记录135个。最初5例因手术室电噪声和导针损坏未获得有效记录。研究属于短期术中实验，不能外推为长期植入表现。

西安电子科技大学研究团队针对快速序列视觉呈现范式的单试次脑电解码，先构建了基于Transformer的DisCo-Former框架，融入3个由神经生理先验引导的部件。该研究2026年4月10日发表于《International Journal of Neural Systems》。DisCo-Former虽然超过了现有方法，但分析发现注意力持续坍缩，注意力图近乎均匀，值投影权重趋近于0。去掉Transformer编码器后得到的纯多层感知机版本DisCo-MLP，在2个数据集和3种评估方式下与Transformer版本持平或更优，受试者内解码的平均AUC约为0.94至0.98。

该研究提出一种自适应的EEG动态迁移学习框架，以减少运动想象脑机接口（MI-BCI）中的负迁移。研究指出，现有迁移学习方法常合并多个源域，源-目标相似度低时易产生负迁移，且受试者间变异进一步降低迁移学习效果。该框架先用小波变换卷积对EEG时频分解，再通过动态迁移注意力模块匹配源域与目标域样本，最后以联合损失函数减少边际与类别条件差异。在BNCI2014001、BNCI2014002和BNCI2015001数据集上验证，准确率分别为78.78%、82.11%和78.19%，平均准确率优于基线算法（提升0.13%至27.7%）。作者认为，该方法对受试者变异具有稳健性，可增强系统的实际适用性。

该研究提出DPMS-Net，一种采用动态卷积在时间、空间与频率多维度挖掘判别线索、并结合通道与时间注意力机制的运动想象分类深度网络，并引入频谱域分析组件，挖掘EEG谱中隐藏的细微振荡特征，为分类提供更丰富证据。研究在两个公开数据集与一个卒中患者自采数据集上评估，在BCI Competition IV 2a和2b数据集上分别取得83.93%和88.38%的受试者依赖分类准确率；在卒中患者数据集上，受试者依赖准确率为67.67%。作者认为，DPMS-Net具有高效解码能力与稳健性，可用于神经康复脑机接口系统。

该研究提出MAPS-CS在线SSVEP脑机接口系统，在实验过程中进行动态通道选择。研究指出，SSVEP-BCI的通道选择研究较少，而通道组合的优化对系统性能重要。该方法构建涵盖信号能量、稳定性与通道间相关的多维特征框架，量化异常并生成评分，经层次化决策整合为综合通道质量评分，据此识别并移除坏通道，实现免训练的实时通道选择。与通道集成（CE）方法相比，MAPS-CS在2秒、1.5秒、1秒和0.5秒刺激时长下将标准FBCCA的准确率分别提升3.5%、4.1%、4.4%和6.5%，在CE、二元和声搜索与TOP-K局部优化通道选择方法中表现最佳。研究确认该系统能在实验室在线实验中有效检测坏通道。

两名四肢瘫痪患者只需“尝试”动动手指，植入大脑运动区的电极就能读出他们想按哪个键，在一块虚拟的标准QWERTY键盘上双手打字。这项研究由美国麻省总医院、布朗大学、哈佛医学院等机构的团队完成，他们看中的是键盘打字这种人们早已熟悉、信息率又高的沟通方式。打字节奏由患者自己掌握，最快每分钟110个字符，约合22个单词，单词错误率为1.6%，作者称这一准确率接近健全人打字水平，信息通量也高于目前最先进的手部运动解码方案。系统只需约30句校准语句就能准确识别手指动作，再借助一个5-gram语言模型修正整句输出。两名参与者分别因渐冻症和脊髓损伤瘫痪。对已经会用键盘的人来说，这是一种直观、无需重新学习的沟通方式。

可穿戴脑机接口读取的脑电信号常被眨眼、肌肉活动等生理干扰污染，而现有深度神经网络虽能清理这些伪迹，计算开销却大到难以装进头戴设备。研究人员提出的STAND-Net改用模仿生物神经元的脉冲神经元，只在信号变化时才运算。它把泄漏积分发放神经元构成的编码器-解码器、加入空洞卷积的残差主干，以及依据神经元放电模式定位伪迹的注意力机制组合在一起。与最先进的现有方法相比，它在多种伪迹下的信号失真比提高超过3.7 dB，功耗比可比的深度神经网络低97.98%；用它处理后的信号做脑机接口分类，准确率提高6.64%。这意味着低功耗的伪迹清理有望在可穿戴设备上运行，但结果来自论文摘要，尚无佩戴者实测数据。