论文发表

重庆大学电气工程学院团队提出端到端神经网络MTANet，用于提升运动想象脑电的解码精度。该模型包含脑电inception注意力模块和并行时序注意力模块，前者提取并加权脑电信号中的时间-频率-空间耦合特征，后者用多条并行时间卷积网络处理不同特征序列的加权片段。在3个公开数据集的离线测试中，MTANet均优于7种现有模型：BCI Competition IV数据集IIb平均准确率89.47%，数据集IIa为83.39%，BCI Competition III数据集IIIa为77.06%。研究尚未在在线脑机接口场景中测试。

预训练脑电基础模型日益被视为脑机接口的通用编码器，但近期基准测试对其迁移效果的评价并不一致。两个主流脑电基础模型LaBraM和CBraMod在BCI Competition IV-2a四类运动想象数据集上，采用验证锁定协议评估后，所有配置均不及传统监督学习模型，包括经验证集选择的微调方案。研究进一步发现，基础模型与任务特定解码器通常使用不同的输入管道进行评估，构成关键混淆因素。将三个监督架构切换到基础模型所用的宽带输入后，准确率变化方向因架构而异：ATCNet提升0.078，EEG Conformer下降0.088，且经多重比较校正后均不显著。这意味着用单一对照模型来衡量基础模型的性能差距可能不可靠。该研究为预印本，尚未经同行评审。

研究提出一种新模型，尝试减少不同参与者之间脑电信号差异对运动想象分类的影响。模型结合更全面的深层特征表示与域适应学习，让分类器学习不同参与者之间可共用的信息。研究在4个基准数据集上进行测试，平均准确率分别为84.34%、89.59%、73.32%和87.75%；作者报告，其表现优于所比较的先进深度域适应模型。研究还通过消融实验评估两个核心模块的作用。这些结果来自数据集分类测试，说明的是跨被试识别表现，不能直接视为在线脑机接口控制或康复疗效的证据。

人看到一张图片时，大脑会留下可测量的电信号和磁信号，能否据此反推他看的是哪张图？多数现有方法只把脑信号和图像的一个整体特征做匹配。这项研究改用视觉模型中间层的全部局部图块特征，设计了一个轻量的残差补丁适配器（RPA）。在公开的THINGS-EEG2脑电数据集上，同一受试者内的Top-1识别准确率为95.4%，跨受试者为35.5%；在THINGS-MEG脑磁图数据集上分别为65.2%和6.7%。作者称在两个数据集上均达到当前最佳水平。分析显示，颜色、纹理等低层视觉特征与高层语义同样重要。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。

混合运动想象脑机接口将脑电与功能性近红外两种模态结合，利用电生理与血流动力学信息的互补优势提升解码精度，但实际使用中需同时佩戴两套采集设备，操作不便且成本较高。此前基于扩散模型的跨模态生成方法需上千步迭代，延迟过高，难以用于实时场景。陕西师范大学现代教学技术教育部重点实验室与微软（北京）的研究者提出Bio-MF框架，采用一步生成策略直接从脑电信号预测近红外波形，在一块RTX PRO 6000 GPU上仅需7毫秒即完成一次生成，比1000步扩散模型快857倍。在数据集1上，脑电加合成近红外比仅用脑电的分类准确率提高3.37至4.15个百分点；在数据集2未见过的64通道脑电布局下，提升为2.50至2.98个百分点。该研究为预印本，尚未经同行评审，所有验证均基于离线数据。

研究用47名肌萎缩侧索硬化症患者的1,065个片段数据，测试五种语言模型作为AI代理执行指令的表现。在相同执行覆盖率下，向模型提供重建的解码器置信度，并未使其不忠实执行率低于确定性门控，两个模型还显著更差。看似改善的安全表现主要来自减少执行。在后续让十个模型与确定性解析器获得相同指令词表的测试中，直接执行的代理均未超越解析器的风险—覆盖率前沿；但由模型提出语义修正、外部门控决定是否放行的混合架构，在十个模型中的五个上扩大了覆盖范围，且未观察到不忠实执行。

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。

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。

脑机接口的硬件和算法进步很快，但“到底能从脑信号里读出多少意图、误差最低能降到多少”一直缺少系统的理论回答。这篇论文把整个脑机接口系统看成一个闭环的随机过程：人产生意图，大脑把意图编码成神经活动，设备采集信号，算法做统计判断，再把结果反馈给使用者。在此基础上，研究者用信息论和统计决策理论推出几条基本定理，分别描述意图在什么条件下可以被解码、可观测信息的上限、最优解码误差的下限，以及闭环学习能否收敛；又总结出信噪比、类别可分性、信号随时间漂移等因素带来的约束。作者以四类SSVEP脑机接口（让用户注视不同频率闪烁目标的范式）作为理论案例，演示这套框架如何落到具体设计建议上。该工作为纯理论推导，未报告新的实验数据。

研究者开发了一种结合听觉输入与视觉反馈的非侵入式脑机接口，通过头皮脑电采集信号，目标是改善发展性阅读障碍相关的语音加工，并首先在有、无阅读障碍的成人中测试。参与者完成16次训练，前后接受语音意识和阅读能力评估。在学会使用脑机接口的参与者中，包括阅读障碍组和控制组，离线脑机接口分数与非词阅读能力的提高显著相关；脑机接口学习表现还与真实单词阅读及声音振幅上升时间辨别能力的改善显著相关。这些关联不能证明训练导致阅读改善，也不能直接外推至婴儿或儿童。本研究为预印本，尚未经同行评审。

三名四肢瘫痪参与者在想象操作物体时，多个脑区的神经活动都表征了抓握时的整只手构型。研究还发现，后顶叶皮层可同时编码抓握与物体属性，且主要由彼此不同的神经元亚群承担。抓握相关活动随运动规划、想象执行及物体是否存在而变化；部分脑区在运动规划阶段还表征了物体形状。作者认为，区分手形与物体信息可能有助于脑机接口更稳定地控制抓握，但研究任务是运动想象，不能据此认定参与者已恢复手部功能或机器人抓握性能已获改善。该研究为未经同行评审的预印本。

研究人员提出一种神经行波分析框架，并在狨猴皮层脑电和人类脑电数据中识别出沿相反方向传播的活动模式。这些行波集中在特定的空间和时间频率范围，涉及alpha及低beta频段，传播速度被作者评估为符合生理范围。新框架同时分析时间频率、空间频率与传播方向，可适用于不规则传感器布局，并帮助区分传播的波与驻波。研究还提出用于单次试验检测的方法。结果涉及动物和人类神经信号分析，不代表脑机接口控制性能或临床效果已获改善；该研究为未经同行评审的预印本。

猕猴使用自适应解码器练习脑机接口数天后，运动皮层中承载任务信息的神经元数量显著减少，达到80%分类准确率所需的神经元比训练初期更少（p = 9.8 × 10⁻⁴），而使用固定解码器时不出现这种压缩。神经网络模型提示，自适应解码器直接促成了更紧凑的神经表征；研究者认为，这可能是因为解码器改变了长期学习中信用分配所依赖的误差信息。这一发现对脑机接口解码器的设计有直接启示：辅助算法不只是提升即时性能，还会塑造大脑的长期学习方式。研究在两只恒河猴上进行，使用128通道微丝电极阵列记录运动皮层和前运动皮层活动，尚未在人体中验证。

MINTS研究方案拟纳入21名卒中后至少6个月、仍有上肢运动障碍的患者，在家开展14次运动想象神经反馈训练，即想象动作并接收脑活动反馈。训练使用移动脑电，每隔一天进行一次。研究采用单组设计，在各人长度不同的训练前观察期及训练期间反复测量，追踪脑活动与运动表现的变化。主要评估脑电活动及反映脑功能连接的指标，同时结合脑成像、运动功能测试和日常活动监测，并设置探索性3个月随访。这是一项尚未经同行评审的研究方案，尚无训练效果数据。

研究者提出两阶段学习框架FUSE，将同步记录的脑电与脑磁信号用于运动想象分类，并在20名参与者的数据上评估。与传统手工频谱特征相比，学习得到的表征使中位分类准确率从73.4%提高至79.4%。联合使用两类信号的中位准确率也高于仅用脑磁的68.0%和仅用脑电的76.5%，但相对脑电的增幅较小。研究还测试了跨参与者迁移：超过一半的跨受试者模型，与对应的受试者专属模型相比，准确率差距在1个百分点以内。结果涉及信号分类与表征迁移，并非临床疗效验证。本研究为预印本，尚未经同行评审。

研究人员提出跨脑区信号转换框架NeuroGate，尝试用一个已记录脑区的信号，预测另一个未记录脑区的波形。在涵盖啮齿动物局部场电位、人类立体定向脑电和皮层脑电，以及头皮脑电的56条通路上，其波形预测精度优于13个深度学习和线性基线模型。研究还通过沉默梨状皮层输出检验预测方向性：梨状皮层至嗅球的预测在全部8轮交叉验证中失效，反向预测则得以保留。作者认为，这一结果与单突触解剖结构相符，并展示了评估记录信号冗余、检验方向性转换的应用。本研究为预印本，尚未经同行评审。

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，即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。

癫痫预测算法在实验室里成绩亮眼，换到连续实时的场景却明显失灵。研究团队用16名药物难治性癫痫患者共664.9小时的颅内脑电数据测试后发现，同一套方法的平均AUROC（衡量预测准确度的指标）从离线测试的90%降到在线的57.9%。原因是患者的脑信号会随时间缓慢变化。团队改用在线进化框架，在连续数据流中不断筛选和更新模型，在75%的患者中提前预测了全部发作，在87.5%的患者中只漏掉一次。只读取致痫网络的电极触点时，所需触点减少79.12%。团队同时公开了这套数据集。该研究为预印本，尚未经同行评审。