一项针对两名四肢瘫痪受试者的研究表明，基于运动皮层的侵入式脑机接口（iBCI）在双任务场景下对注意力负荷变化具有较强鲁棒性。研究结合二维光标控制与N-Back工作记忆任务，发现尽管头皮EEG指标显示注意力负荷增加，但iBCI整体性能保持稳定；仅一名信号质量较低的受试者在轻度负荷条件下出现完成时间延长和路径长度增加，而信号质量较高的受试者未受影响。
推荐理由：原文通过双任务范式验证了皮层内脑机接口在注意力负荷变化下的鲁棒性，并揭示了信号质量对个体差异的影响。
MTDANet 是一种结合多尺度时空特征提取、分解时间整合和距离正则化循环注意力的架构，旨在解决运动想象 EEG 单试次解码难题。该模型在 BCI Competition IV 2a/2b 及 BNCI2014_002 数据集上进行了评估，结果显示其在受试者特定协议下取得了最高平均准确率，并在部分对比中表现出统计显著的提升。研究为离线 MI-EEG 评估中的分阶段局部到全局时间建模提供了证据。
一项新研究提出了基于多尺度卷积神经网络和时空注意力机制的深度学习网络，用于解码运动想象脑电信号。该网络通过四个并行分支提取特征并引入Transformer模块学习全局相关性，最终使用CNN替代全连接层进行分类。在三个公开BCI数据集上的评估显示，其平均准确率分别为80.21%、90.19%和97.32%，均超越了FBCNet和MSFBCNN等最强基线模型。
推荐理由：该研究提出结合多尺度卷积与注意力机制的网络，在三个公开数据集上解码运动想象脑电，准确率优于现有基线。
一项基于 EEG 的研究通过 10 名健康受试者在五种阻力条件下的单侧二头肌弯举，揭示了不同阻力水平下的皮层活动差异。结合 TTCN 与 KNN 分类器，该框架在受试者内评估中达到 97.2% 准确率，跨受试者最高为 93.0%，为自适应脑机接口应用提供依据。
Du K等人发表一项针对VR环境下运动想象脑机接口解码的研究，提出一种分层图学习框架以应对EEG信号的非平稳性和低信噪比挑战。该方法利用多变量变分模态分解解耦复杂EEG信号为节律成分，结合混合特征选择及基于相位锁定值的功能脑网络建模，通过分层图卷积网络捕捉多尺度空间依赖和高阶交互进行三分类。
一项预印本研究记录了恒河猴在执行40种不同手-物交互条件时的前顶叶皮层神经活动与手部运动学数据。该数据集涵盖初级运动皮层、前顶叶等多个脑区的同步信号，旨在解决现有脑机接口研究中运动自由度受限及依赖单一皮层区域的问题，为解码灵巧手部控制提供资源。
推荐理由：该预印本提供了猕猴前顶叶多区域同步记录与自然手动作数据集，有助于突破单脑区解码局限并支持复杂手部行为研究。
提出融合滑动窗口、傅里叶分解与1D-CNN的运动想象脑电分类框架，在BCIC IV 2a和BCIC III IVa数据集上分别取得93.67%和79.14%受试者内准确率。跨受试者验证中平均准确率为55.50%和76.49%，NVIDIA Jetson Nano部署延迟为58-85毫秒/次。
Kim H和Kim JS发表研究，提出一种生成对抗网络框架，通过从功能相关皮层区域合成初级运动皮层的人工神经信号波形来丰富训练特征。在目标导向手臂伸展任务的脑磁图记录中，该方法使连续运动学解码性能显著提升约10%（p<0.05），且在缺失真实M1信号时仍能维持改进效果。研究进一步将该增强方法推广至运动想象BCI竞赛数据集以提升分类准确率，展示了信号生成网络改善非侵入式运动脑机接口的潜力。
Zhao R等人提出一种名为ResDSNet的新型残差深度可分离神经网络，旨在解决轻量级脑机接口网络中因残差结构不匹配导致的深度瓶颈问题。该研究基于对残差连接路径的分析，设计了符合二项分布层数分配的模块及专用数据预处理单元，有效整合了深层特征提取与残差机制。在运动想象脑电信号解码任务中，该方法克服了传统浅层网络的局限，实现了更优的分类性能。
RUNet 是一种针对运动想象 EEG 信号的零校准解码框架，旨在解决因个体差异和环境因素导致的会话间及受试者间变异性问题。该框架结合黎曼流形学习与无监督表征学习，利用多尺度时空卷积模块捕获局部-全局空间及多分辨率时间动态特征。通过引入多协同协方差优化模块增强非平稳性下的特征鲁棒性，并集成黎曼仿射对数映射层以缓解跨域协方差漂移，从而提升域不变特征的学习能力。
MSHANet 是一种用于运动想象脑电（MI-EEG）解码的多尺度混合注意力网络，在 BCI Competition IV 2a/2b 及 EEGMMID 数据集上验证。其受试者内实验准确率达 83.56%、89.75% 和 75.66%，跨受试者实验分别为 69.93%、81.85% 和 79.67%。引入电极空间结构感知编码器后，BCI-2a 任务解码性能进一步提升约 2.8%-2.9%。
一项研究评估了共形预测作为命令门控在跨会话EEG偏移下的有效性，旨在解决错误运动想象指令导致意外设备动作的问题。实验对比了阈值共形预测、RAPS和Chow选择性预测等方法，结果显示门控机制将OpenBMI数据集的错误决策率从37.5%降至9%-16%，BCIC IV-2a数据集从35.5%降至6%-8%。该研究提供了根据应用特定风险容忍度选择校准源和不确定性感知门控策略的框架。
推荐理由：原文提出共形预测门控机制以应对跨会话脑机接口误差，读者可据此了解不同风险容忍度下的策略选择框架。
加州大学旧金山分校Edward Chang团队于2026年9月14日在《Nature Neuroscience》发表论文，展示了两名瘫痪受试者通过单个皮层表面植入物实时同步解码语音和上半身手势。
推荐理由：该研究揭示了多模态神经信号的非线性叠加特性，指出同时训练比单独训练更有效，为多效应器脑机接口系统设计提供了关键数据依据。
研究发现自适应解码器在运动皮层脑机接口学习中会导致神经表征紧凑化，即任务信息集中在少数读出神经元和低方差群体模式中。实验数据显示，与固定解码器相比，使用闭环解码器适应（CLDA）时，达到80%分类准确率所需的神经元数量显著减少。
推荐理由：揭示了自适应解码器在提升性能的同时导致神经表征紧凑化的机制，为优化脑机接口长期稳定性提供理论依据。
加州大学旧金山分校团队在《Nature Neuroscience》发表研究，证明单一高密度皮层脑电（ECoG）植入物可支持严重瘫痪患者同时进行语音和手势的多效应器解码。
推荐理由：该研究验证了单一皮层脑电植入物同时解码语音与手势的可行性，为瘫痪患者恢复多模态自然交流提供了技术路径。
《自然·神经科学》发表研究亮点，介绍了一项发表于《自然·医学》的研究，该研究开发了一种双神经旁路系统，结合双向皮层内脑机接口与脊髓及皮层神经调控，旨在恢复四肢瘫痪患者的上肢运动和感觉。
推荐理由：该研究亮点介绍了结合双向皮层内脑机接口与神经调控的双神经旁路系统，展示了其在恢复四肢瘫痪患者上肢运动和感觉方面的潜力。
Nature Communications 发表研究提出感官引导的人机联合学习框架，旨在解决运动想象脑机接口（MI-BCI）训练慢且难的问题。该框架结合振动触觉刺激与样本重加权机制，实现用户神经模式生成与解码器优化的同步适应。
推荐理由：提出感官引导的人机联合学习框架，通过触觉反馈与解码器协同优化加速运动想象训练，为提升非侵入式脑机接口易用性提供新路径。
Vassiliadis 等人研究表明，实时强化反馈可替代感觉反馈以提升脑机接口运动表现。该方法通过激活大脑奖励系统实现强化学习，在感觉反馈受限或受损时仍能改善运动控制。
加州理工学院团队在《Communications Biology》发表研究，探讨运动皮层（MC）在脑机接口（BMI）光标控制中的动态特性。研究发现，尽管不同持续时间的同向运动共享相同的MC初始条件，但长时程运动会使MC活动维持在低速度稳态直至达到目标。这种跨时长的群体动力学差异归因于外部输入的作用，强调了持续输入对运动皮层在运动过程中的关键影响。
推荐理由：揭示了不同时长BMI任务中运动皮层动态差异源于外部输入，为理解长期稳定控制提供新视角。
研究人员利用8名瘫痪受试者植入的20个微电极阵列，首次绘制了人类中央前回（PCG）顶部在单神经元分辨率下的全面运动图谱。研究发现PCG包含四个主要功能区域：背侧手臂-手部区、中部语音区、腹上广泛调谐的面部区和腹下语音区，且各区域均存在可解码的全身运动表征。
推荐理由：该研究绘制了人类中央前回单神经元分辨率的全身运动图谱，揭示了四个功能分区及组合式神经编码，为优化脑机接口电极植入位置提供了依据。
Nature发表一项关于皮层内脑机接口（BCI）的研究，显示一名ALS瘫痪患者在19个月内累计超过3800小时独立使用该系统进行语音沟通和电脑操作。
推荐理由：展示了皮层内脑机接口在家庭环境中支持独立日常使用的可行性，为严重瘫痪患者恢复数字交互提供了实证依据。