论文发表

血管内脑机接口不用开颅，但电极要穿过人人走向不同的脑静脉才能就位，目前靠医生手动操作导管。研究团队训练了一套自主导航的机器人控制算法，让它从颈部的右颈内静脉一路走到头顶的上矢状窦。在仿真中，它在训练用的血管结构上成功率较高，在没见过的血管结构上明显下降。在X光透视引导的体外血管模型上，20次实物运行成功14次。团队还测试了一个能提前预警导航失败的模块，供人工监督使用。该研究为预印本，尚未经同行评审。

唤醒度是大脑和身体的紧张、警觉程度。多数基于唤醒度的脑机接口靠脑电（EEG）来读，但唤醒本质上受自主神经调节。研究人员用一个公开的模拟飞行任务数据集做离线分析，发现心率、心率变异性、呼吸、皮肤电活动和瞳孔直径这些外周生理信号训练出的解码器，受试者内曲线下面积（AUC）达到93.0%，高于仅用脑电的85.2%和原始滤波器组共空间模式解码器的79.8%。只有外周信号解码器重现了唤醒度与表现之间的倒U型关系。研究还发现，脑电神经反馈并未改变整体唤醒轨迹，其作用可能来自任务关键时刻的调节。该研究为预印本，尚未经同行评审。

注视不同频率闪烁的目标时，大脑视觉皮层会产生同频的脑电响应，即稳态视觉诱发电位（SSVEP），脑机接口可据此判断用户想选哪个目标。这类系统通常需要用户先花时间做校准，数据越多越准，但也更易疲劳。研究团队提出一种名为SCR-FTSDNN的深度卷积神经网络，把脑电信号转到频域后再提取时间与空间特征，并加入空间与通道重建模块。在Benchmark和BETA两个公开数据集上，作者报告该方法识别准确率和稳定性优于多种现有方法，在校准数据有限时优势尤为明显。论文摘要未给出具体数值，结果来自离线公开数据集测试。

汽车如果能读出驾驶者的脑电信号，在他忙不过来时自动接手部分操作，人们愿意用吗？这项在线实验招募了1201名参与者，每人观看12种动画驾驶场景中的1种。场景里，一套佩戴式、非侵入的脑机接口检测到驾驶者负荷过高，随即启动辅助。结果显示，参与者对这项技术的接受程度随场景不同而有系统性差异。当脑机接口辅助的是与驾驶直接相关的功能时，接受度更高；场景中的驾驶者是残障人士时，接受度也更高。研究比较的2种自动化启动方式之间没有差异。

人的情绪很难单靠脑电读准：脑电信号容易受噪声干扰，而语言模型能读懂文字里的情绪，却看不到大脑里隐含的变化。这项研究把两者结合起来，用脑电数据和多语言文本共同判断情绪。作者报告，融合模型的情绪识别准确率为89.7%，高于单用脑电的75%和单用文本的79%，F1分数为0.88，平均推理延迟180毫秒，可用于实时识别。摘要未说明受试者人数与所用数据集。

脑电基础模型在预训练时通常只见过固定的一套电极布局，换一种电极排布就难以直接沿用。研究人员提出轻量级适配器CortexBridge，把脑电特征与电极坐标、脑图谱坐标结合，将任意电极布局映射到一个共享的皮层潜在空间，相当于先把信号对齐到大脑皮层，再交给预训练模型，模型本身不做改动。在公开基准库MOABB的5个脑机接口数据集上，配合EEGPT、LaBraM、CBraMod这3个参数冻结的基础模型测试，15次评估中有13次性能提升，平衡准确率平均分别提升0.80%、0.70%和3.26%，12类稳态视觉诱发电位分类最大提升13.02%。该研究为预印本，尚未经同行评审。

非侵入式脑机接口想要读出连续的手臂动作，难点之一是单个受试者的数据里与任务相关的信号太少。研究人员用生成对抗网络（一种能“仿造”数据的人工智能模型），从功能相关的其他皮层区域合成初级运动皮层的人工信号，再拿去扩充训练数据。在受试者做伸手够物任务时记录的脑磁图数据上，扩充后的运动解码性能提高约10%（p < 0.05），即使没有真实的初级运动皮层信号，提升依然保持。方法还被用到一个运动想象脑机接口竞赛数据集上，用于提高分类准确率。

研究汇集前70名植入解剖顺应性薄膜神经接口患者的高分辨率表面电生理记录，在共同解剖框架中构建人类中枢神经系统功能图谱。接口放置于超过100个位置，累计涵盖超过100,000个电极部署，记录范围包括运动、感觉、语言等功能区域，以及脑干和脊髓。跨参与者汇总后，记录呈现手指表征的空间排列、运动相关频段变化及任务调节的神经群体活动。研究还演示了实时神经假体控制，以及对口语、面部运动和情绪表情相关皮层活动的解码。这是跨患者整合记录的图谱路径，并非在单个患者中同时读取整个中枢神经系统。本研究为预印本，尚未经同行评审。

色觉检查通常依赖受试者主观作答，而脑机接口可以直接读取大脑对颜色差异的反应。受试者注视在两种光源间交替闪烁的刺激，两种颜色看起来差别越大，脑电中的稳态视觉诱发电位就越强。已有系统在色彩空间里均匀取样、同一位置重复测量取平均，准确但耗时。研究团队提出闭环系统MetaIDNet，用高斯过程回归和神经网络决定下一步测哪里。离线实验中，它在保持精度的同时把评估速度提高70%；在线实验中，它在速度不变时把精度提高40%。离线和在线实验分别只有10名和8名参与者。

多数瘫痪辅助技术只走一个方向：读出大脑意图，再驱动肢体。这项研究把方向变成了双向。一名完全四肢瘫痪的参与者植入皮层内脑机接口，系统从运动皮层读出动作意图，驱动肌肉电刺激完成抓握；手上的力传感器再把触觉信息通过刺激感觉皮层送回大脑。另有一路脊髓刺激与感觉输入配对，用于促进神经可塑性。参与者能够自己进食，也能抓起易碎物品。更引人注意的是，停止刺激后，肘部屈曲力量和手腕感觉的改善仍然持续，提示系统可能在重新训练神经通路，而不只是替代它们。

在嘈杂的房间里，大脑会专注听其中一个人说话，这被称为“鸡尾酒会问题”。助听器和脑机接口如果能从脑电信号中读出用户在听谁，就知道该放大哪个声音。研究人员提出名为NEUROTOKEN的单一网络，用条件流匹配方法给候选声源打分。在KU Leuven、DTU和NJU三个公开数据集上，以5秒时间窗计算，识别聆听对象的分段准确率比最强的非生成式基线高出9%至16%，受试者间差异缩小约3倍。研究还发现，以往报告的95%至97%方向判别准确率，在训练与测试严格分开试次后会下降17%至45%。该研究为预印本，尚未经同行评审。

脑机接口康复对中风患者手臂功能有没有帮助，练多久最合适？南昌大学第二附属医院神经外科等单位的研究人员汇总了检索范围为1990年1月至2026年1月的26项随机对照试验、共1100名卒中患者，开展了一项荟萃分析。与对照干预相比，基于脑机接口的康复在Fugl-Meyer上肢运动功能评分、上肢动作研究量表、Wolf运动功能测试、改良Barthel指数等多项指标上有统计学意义的改善，但在下肢运动功能和起立行走计时测试上未见差异。剂量反应分析提示，训练时长与上肢功能改善呈倒U形关系，每次约48分钟时效果最大；作者认为其对下肢恢复的作用尚无定论，仍需进一步研究。

脑机接口能不能用在儿童身上？这篇综述梳理了五种主要技术路线：P300、运动想象、稳态视觉诱发电位、功能性近红外和多模态混合系统，逐一分析它们对儿童的适应程度与技术局限，并总结了在辅助沟通、运动康复、多动症注意力训练和孤独症社交干预四类应用中的现有证据。结论是，非侵入式脑机接口在5岁以上儿童中初步可行，但依据来自样本小、周期短的研究。儿童大脑尚在发育、注意力持续时间短、对设备耐受度低，成人系统不能直接照搬。

语音脑机接口想做的，是把与说话、语言或交流意图相关的神经活动转成文字、合成语音或虚拟形象的动作，帮失去说话能力的人重新交流。这篇综述认为，它并不只是一台把脑信号翻译成文字的解码器，而是一个会随时间变化的临床系统：神经表征、记录硬件、解码算法、语言模型、反馈和使用者自身的学习相互影响。作者提出，下一代语音脑机接口不能只比离线准确率，还要看跨天使用是否稳定、校准负担多重、延迟多长、能否表达不确定性、好不好用，以及能否防止把不想说的话解码出来。该研究为预印本，尚未经同行评审。

研究人员开发了一款名为BrainNet Studio的一体化工具包，把脑网络从构建、特征提取、预测建模到可视化的整套流程放进同一个框架。脑网络描述的是不同脑区之间在结构和功能上的联系，而现有工具大多只处理静态网络，难以刻画这些联系随时间的变化。该工具包集成了27种算法，涵盖深度学习、图神经网络和时空序列模型，并用大语言模型生成可由研究人员核查的连接摘要。开发者称它可服务于认知神经科学、脑疾病探索性研究和脑机接口研究。该研究为预印本，尚未经同行评审。

卒中后手臂动不了，看别人做动作能不能帮大脑重新练起来？这项范围综述从386条记录中筛出22项研究，考察患者在观看上肢动作的训练中脑电信号如何变化。结果显示，运动相关的脑电节律在观看时稳定地出现去同步化，也就是负责感觉和运动的脑区被调动起来；持续数周的训练后，这类变化持续增强，并常与上肢功能评分的改善同步出现。作者认为，把观察训练接入脑机接口、让脑电实时调整训练的闭环做法有潜力，但各研究方案差异大，结果难以横向比较。

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。

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。

瘫痪患者用脑机接口控制外部设备，难点之一是配对的神经信号与动作数据太少，解码模型很难训练充分。常规做法是针对具体任务学习从神经活动到运动学参数的映射，这类数据的稀缺直接限制了模型能力。研究团队提出BrainVLA框架，借用已在大量机器人数据上预训练的视觉-语言-动作模型：先构建包含神经活动、动作信号、语言指令和渲染视觉观测的配对数据集，通过LoRA微调把OpenVLA-OFT策略适配到目标动作空间，再把神经活动与语言表征对齐，从中提取“想做什么”的意图信号，由该模型结合视觉画面生成可执行的动作。在两个动作维度不同的神经运动数据集上，该框架的跨会话解码R²和任务成功率均优于所评估的基线方法，训练数据效率也较高。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。

毕索大学团队比较了脑电、脑磁图、颅内脑电和功能磁共振成像中的视觉解码，发现使用同一种仪器时，参与者之间谁更容易被准确解码的差异具有可重复性；但在外部配对队列中，不同仪器未呈现共同的参与者排序。研究使用未参与训练的记录轮次和刺激身份检验分类器。注意、行为和外周信号影响记录质量，却未解释大多数稳定的个体差异。颅内记录还显示，局部类别选择性更鲜明的参与者更容易解码。作者认为，这些差异反映个体、所区分的表征与仪器之间的关系，而非单纯属于个人的固定特征。

北京大学等合作团队在清醒小鼠中，将自然电影的动态画面转换为具有时空图案的光遗传刺激，再从初级视觉皮层的反应中重建电影帧。研究比较了自然观看与人工刺激两种条件下的皮层活动，发现人工刺激诱发的宏观动态与自然视觉反应具有较高可比性，信息表征也呈现对齐。团队开发的深度学习模型能够从两种条件下的皮层信号中重建画面。这项动物实验为评估视觉皮层假体如何将图像转换为刺激模式提供了概念验证，但并不等于已证明人工刺激能让小鼠产生相应视觉体验，更不代表人体视力恢复效果。

脑机接口要给新用户用，解码器得在没见过此人数据的情况下读懂他“想象动一动手脚”时的脑电信号。研究人员提出ThinkNet框架，从数据归一化、模型挑选到多模型组合，全程不让被测者的数据参与决策，避免成绩被高估。在公开数据集BCI Competition IV-2a的四分类任务中，研究采用9折留一被试交叉验证，选出的小模型只有4.9K个参数，准确率为44.35±15.41%，单次推理耗时0.99毫秒；参数不超过25K的小模型平均准确率40.10%，高于中型和大型模型的35.09%和34.78%，由验证集把关的模型集成也优于单模型推理。研究同时发现，验证集成绩与测试成绩几乎不相关，模型挑选的可靠性仍是瓶颈。该研究为预印本，尚未经同行评审，作者注明论文已被IEEE-EMBS BHI'2026会议接收。