论文发表

脑机接口（BCI）依赖运动想象（MI）解码来识别用户的意图，但脑电信号的非平稳性和个体差异让准确解码变得困难。研究人员提出一种名为MSARFNet的多尺度注意力重建融合网络，通过并行多尺度卷积分支提取时空特征，并利用注意力机制融合多尺度信息，增强与运动想象相关的瞬态响应。在BCI Competition IV 2a和2b两个公开数据集上，该网络的平均分类准确率分别达到84.64%和87.96%，优于多种现有方法。研究发表于2026年2月27日的《IEEE生物医学与健康信息学杂志》。

研究团队设计了一种用脑机接口控制的辅助草地滚球坡道，让严重运动障碍、无法言语的儿童也能参与这项残奥运动。6名照护者接受半结构化访谈，6名儿童完成了一份新编制的21项问卷，孩子们对用脑机接口打草地滚球表现出浓厚兴趣。研究同时梳理了当前参与体育运动的障碍与促进因素，以及推广这类技术需要解决的问题。

该研究提出函数预定义卷积神经网络（FPCNN）用于自发EEG脑机接口信号解码。研究指出，经典解码方法依赖人工特征但性能有限，神经网络方法虽有显著提升但可解释性与计算效率较低；FPCNN通过可学习的函数预定义卷积（FPC）层搜索自发EEG的关键空间频率参数，使参数具有清晰物理意义，并构建基于FPC的可训练正交检测器以捕捉复杂相位变化信号。在三个自发EEG数据集上，FPCNN较最先进方法分别提升2.09%、3.08%和3.41%，且其非GPU环境的单轮训练与测试时间仅需67.96和19.36秒。作者认为，该方法的计算与时间节省有利于多样化环境中的EEG处理。

该研究提出一种结合判别性通道选择与分层时空建模的EEG情绪识别框架。研究指出，EEG情绪识别在智能人机交互与脑机接口系统中潜力巨大，但多通道数据带来高计算成本与潜在冗余，且既有通道选择方法多依赖统一规则、缺乏频段自适应与通道间建模。该框架在预处理阶段使用小波相干与互信息在多个频段自适应选择信息通道，选中的信号由时空图感知网络（STG-Net）处理，通过图卷积建模通道间空间关系并逐帧提取空间特征，配合时序建模模块捕捉情绪状态的时序演化，最终融合频率-空间-时间特征进行分类。与最先进方法相比，该方案在识别准确率与模型效率上均表现更优。

《Neurosurgical Focus》发表Precision Neuroscience的Layer 7皮层接口术中研究。4名清醒开颅患者接受1024通道微皮层脑电记录，4词语言分类准确率为77.5%，4方向光标分类准确率为78%至84%。6块阵列中每块有954至990个通道进入分析，手术过程中未报告器械相关不良事件。研究时间短、样本小，属于术中可行性验证，不是运动恢复关键性试验。

研究者论述BCI技术在电极寿命和生物相容性方面的最新进展如何应对嗅觉植入物领域的关键技术挑战。

一组来自德国、荷兰与日本的研究者在观点文章中提出，脑机接口的设计范式应当转向意念运动理论。作者称，脑机接口研究在技术上进展显著，但适用范围仍然有限，通常依赖运动皮层与视觉皮层信号，且只覆盖有限的患者人群。意念运动理论把自主行动理解为由内部表征的感觉结果所驱动，作者认为这一长期未被充分利用的框架，为下一代脑机接口提供了有原则的依据，能够更贴近大脑本身的意图与动作规划结构。作者主张，把脑机接口重新围绕行动的目的，也就是用户目标与预期效果来组织，可以走出一条更直观、更具普适性、也更易扩展的路径。作者称，神经记录技术与基于人工智能的感觉表征解码近年取得进展，使这一转向变得可行且正当其时，有助于化解脑机接口设计中易用性与普适性方面的难题。

看到同一个画面，人可以想着去抓、去拦截、按顺序抓、先注意再抓，或者忍住不抓。研究人员设计了一套实验范式，让同一视觉刺激诱发这五种不同的认知过程，并从头皮脑电信号中把它们区分开来：采用正则化线性判别分析分类器、结合事件相关频谱扰动特征，五类认知状态的分类准确率为91.72% ± 6.10%。在序列抓取任务中，利用时间特征区分正常试验与捕捉试验的准确率为77.96% ± 7.03%。研究目前为离线分析，团队表示下一步将提升解码性能并扩展到在线应用。

研究人员提出名为MSHANet的深度学习模型，用来从头皮脑电信号中读出人“想象”的肢体动作，这类信号常用于中风或脊髓损伤后的康复训练。论文指出，运动想象脑电具有非线性动态特性，且不同人之间差异大，限制了解码准确率。模型由时空特征提取、交互头自注意力、动态挤压—激励注意力和时间卷积网络四部分组成，在三个公开数据集上的单人内解码准确率分别为83.56%、89.75%和75.66%，跨人测试为69.93%、81.85%和79.67%。团队还设计了一种把电极空间位置写进输入数据的编码方法，在BCI-2a数据集上让单人内和跨人准确率分别提高2.83%和2.91%。结果均来自离线公开数据，尚未在患者身上实时验证。

脑机接口每次使用前通常要让用户先做一轮校准，因为同一个人不同时间、不同人之间的脑电信号差异很大，这种差异来自个体差异和环境因素，是神经解码的主要难题。2026年1月发表的一项研究提出了运动想象脑电解码框架RUNet，试图省掉校准这一步。它先用静息状态下的脑电数据做无监督预训练，学习不随场次和个体变化的特征，再用任务数据做再训练，并借助黎曼流形上的数学映射压低不同场次、不同人之间的信号漂移。在BCI Competition IV 2a数据集上，这一框架的平均跨会话准确率为87.19%，跨被试准确率为68.09%；在PhysioNet数据集上，跨被试准确率为78.14%。结果全部来自离线数据集测试，尚未在实时使用中验证。

《Neuron》发表Neuropixels Ultra探针研究。新探针采用5微米见方的记录位点，中心间距为6微米，共有6144个位点，可同时读取384个通道。在小鼠视觉皮层实验中，神经元检出量提高两倍以上。更高空间分辨率还帮助研究人员区分轴突与胞体信号，并改善三类皮层中间神经元的分类。研究主要是动物实验，没有报告同步记录1万个神经元。

该研究提出一种基于黎曼流形上判别性几何感知的降维方法，用于脑机接口（BCI）应用中脑电图（EEG）分类的对称正定（SPD）矩阵，以增强SPD矩阵的判别性并减少信息损失。流形学习与SPD矩阵在EEG分类中已显示出潜力，但SPD矩阵可能导致EEG信号的关键信息丢失。研究在BCI Competition IV Dataset 1和Dataset 2a上验证，该方法分别将准确率提升5.0%和19.38%，表明判别性几何感知能在降维后保持稳健性能。该工作属于EEG分类的基础方法研究，方法层面的改进为后续系统集成提供了参照。