论文发表

混合脑机接口研究面临脑电信号空间分辨率低、数据量小且涉及隐私、以及联邦学习中数据分布不均等挑战。一篇发表于《Computing and Informatics》的论文提出名为FSDFGL的联邦图学习框架，在构建图数据时将肌电信号融入脑电信号，并在联邦学习过程中仅共享结构信息，以避免异构特征共享导致的性能下降。在TAN数据集上的实验表明，该框架在识别复杂运动意图方面具有优势。

一项预印本研究提出一种基于事件的神经解码方法用于神经假肢运动控制。研究指出，现代假肢虽由深度神经网络驱动，但高延迟、高能耗与空间需求限制了其普及：有线连接限制患者活动，无线连接又限制可传输的信息量；脉冲神经网络虽支持压缩通信与低功耗推理，但任务性能常落后于最先进深度学习模型。该研究提出的事件型门控循环单元以分级脉冲生成稀疏通信模式，在任务性能上超过经典脉冲神经网络，并配合高效训练方法与稀疏推理，为设备端神经解码提供新机会，有助于在延迟、能耗与空间受限的情况下部署假肢控制。该研究为预印本，尚未经过同行评审。

一项预印本研究提出CNN-LSTM-RL两阶段解码框架，用强化学习对CNN-LSTM连续运动想象解码器的输出做残差运动学校正。RL智能体离线训练、不直接使用EEG输入，而是基于预测的运动学轨迹优化相对目标轨迹的运动准确度。研究者称，与单独使用CNN-LSTM相比，CNN-LSTM-RL将2D平均相关系数从0.5076提升到0.7181，VR场景从0.6420提升到0.7780，RMSE分别降低40.2%和38.2%。研究者认为，该框架通过离线残差强化学习校正运动学误差，无需额外神经数据即可增强3D脑机接口运动想象解码，对神经康复、假肢与虚拟交互有潜在价值。该研究为预印本，尚未经过同行评审。

多伦多大学团队用扩散模型不同时间步的隐表示作为神经语音解码的中间层,词错误率随时间步选择大幅变化。

诺瓦东南大学团队用颅内皮层脑电网络特征结合支持向量机与贝叶斯更新,构建实时连续的癫痫发作风险预测方法。

脑电研究发现，单侧下肢运动想象与运动执行会引发相似的偏侧化神经活动模式，证实上肢已知的偏侧化规律同样适用于下肢。

研究者结合脑电被动式脑机接口与眼动追踪，在动态VR游戏中实时解码用户的交互意图，在线闭环阶段准确率达69.64%。

该研究考察脑机接口电极暴露于强电磁环境时的潜在脑风险：对植入脑电极的大鼠施以核电磁脉冲（NEMP）照射，并通过多通道生理信号采集处理系统记录初级运动皮层（M1）的局部场电位，再利用MATLAB对不同照射强度下的局部场电位进行时频与功率谱分析。结果显示，200 kV/m的NEMP可抑制静息状态大鼠局部场电位的Alpha和Delta频段，且该效应与NEMP和电极之间的前门耦合有关，耦合电流刺激大鼠脑部并影响其意识状态。作者认为，该研究为脑机接口的电磁防护提供了新方向，属于BCI电极安全性的早期动物数据。

一项预印本研究展示了一种利用植入式神经接口长期监测胶质瘤进展的平台。在多种小鼠品系和胶质瘤模型中，肿瘤进展始终与肿瘤微环境的伽马频段神经活动升高相关；机器学习模型可根据慢性神经记录预测肿瘤负荷，并利用伽马神经轨迹预测个体肿瘤生长速率。该研究由Coherence Neuro Global, Inc.等机构的研究人员完成，于2026年7月9日上传至bioRxiv，尚未经过同行评审。

哈佛医学院研究人员发现，啮齿动物面部运动的光谱分析可以预测其大脑皮层活动和脑机接口任务表现，这一发现为开发更有效的神经假肢控制系统提供了新的生物学基础。该研究为预印本，尚未经过同行评审。

一项预印本研究展示，功能超声成像（fUSI）通过声学透明颅窗植入物，在一名受试者的初级感觉运动皮层内可靠解析多身体部位和单指运动的编码，映射结果与经典躯体定位一致，并能解析单次试验相关活动、支持单次试验解码与跨会话解码。对解码重要体素的分析提示不同布罗德曼分区对单指运动信息存在差异编码。研究者认为，fUSI能以亚毫米分辨率可靠描绘躯体定位组织的运动表征，在人体受试者中填补侵入性电生理与非侵入性血流成像之间的关键空白，为微创、高分辨率的脑机接口神经记录提供新方法。该研究为预印本，尚未经过同行评审。

一项预印本研究以Adaptive Thinking Mapper（ATM）模型为框架，实证评估EEG预处理策略（仅MVNN的基线管线对比整合ICA与陷波滤波的完整清洗管线）对视觉EEG解码中通道注意力表征的影响。研究通过跨泛化、噪声稳健性与谱时消融分析评估模型，并利用节点强度相关与表征相似性分析，考察数据驱动注意力权重与神经生理参考网络（GPDC、PDC、DTF）之间的结构对应。研究者称，完整预处理在保持相当解码精度与基线稳健性的同时，有效抑制了额部噪声等非神经伪迹；学习到的注意力空间组织跨管线保持稳定，仅在全球表征几何上存在细微的度量依赖差异。该研究为预印本，尚未经过同行评审。

研究团队让18名右利手参与者分别想象声音和画面，同时用脑磁图记录脑信号，再比较卷积神经网络与线性逻辑回归两种解码模型。卷积神经网络在两个任务上都高于随机水平，视觉想象的准确率超过70%。更值得注意的是，即使只用与当前任务无关的皮层区域训练，模型仍能显著解码，说明想象内容并非局限于单一感觉区，而是分布在有重叠的神经网络里。这为把听觉与视觉信息一起纳入脑机接口解码提供了实验依据。

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。

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。

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。

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。

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。

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。