技术方向
神经信号解码、语音与运动控制的研究和验证。
82 条精选近 30 天 35 条共收录 82 条
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。
一项针对24名8-13岁神经典型儿童的研究评估了将摄影视觉场景显示（VSD）集成到脑机接口辅助沟通中的可行性。实验对比了非对称布局、无上下文排列及标准网格三种条件，发现非对称性增强了P300振幅，场景提升了N170反应，且离线BCI准确率与网格条件相当。结果表明，场景嵌入可提升神经参与度与用户体验，为儿科BCI应用提供了初步基础。
该研究是一篇关于语音神经假体中副语言特征建模的系统综述。文章指出当前系统虽能解码音位和词汇信息，但常难以捕捉语调、韵律、响度和情感等对传达情绪和意图至关重要的副语言维度。综述整合了从皮层组织映射到表达性编码及多模态感知的相关研究，强调向集成情感调制与语言解码的闭环神经假体系统转变的趋势。
推荐理由：系统梳理了语音神经假体中副语言特征建模的研究进展，为理解情感与意图在脑机接口中的编码机制提供了综述视角。
一项描述性可行性研究分析了健康老化及脊髓损伤患者排尿排便运动意图的脑电（EEG）特征。研究发现所有队列在感觉运动皮层均表现出事件相关去同步化，且生理老化和脊髓损伤伴随大规模拓扑重构及额叶长程功能连接增强以补偿缺陷。这些结果证实高位皮层排尿排便意图在脊髓损伤后得以保留，为基于脑机接口的靶向盆腔神经调节建立了时空框架。
宾夕法尼亚大学团队在《Nature Medicine》发表研究，展示了一种允许癫痫患者通过智能手机应用与其脑电（EEG）监测系统直接对话的平台。在为期数天的住院监测中，13名患者与系统交换了1307条消息，AI准确回答了38次数据查询中的35次；利用患者反馈重新训练检测器后，误报率降低了约80%，但未增加真实发作的检出率。
推荐理由：该研究展示了患者通过对话式AI与脑电监测系统交互的可行性，为癫痫及帕金森病等神经疾病的实时共管理提供了新的技术路径参考。
Chrisilla S等人提出一种基于图卷积的双分支网络，用于受试者独立的上肢运动想象脑电信号解码。该模型结合图卷积与跳跃连接及手工时频特征，通过并行空间和时间卷积路径增强表征学习。在PhysioNet、BCI IV-2a和BCI IV-2b数据集上的评估显示，该方法在减少可训练参数和电极数量的同时保持了具有竞争力的性能，例如在PhysioNet上使用5个电极达到93.91%的SGKF准确率。
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。
Precision Neuroscience于10月8日宣布发布一篇预印本，描述了基于前70名植入其Layer 7皮层接口的患者数据构建的人类神经系统图谱。该研究利用超过10万次的电极放置记录，覆盖了运动、触觉、语言及听觉等区域，实现了手指级分辨率映射及上肢运动实时解码等功能。
推荐理由：该预印本展示了基于70名患者短期皮层脑电数据构建的高分辨率神经系统图谱，提供了大规模多中心数据采集与实时解码的实证参考。
北京交通大学团队在IJCAI 2026发表论文《When and How to Adapt》，提出原型驱动的在线EEG解码框架PRED，以无监督方式检测受试者分布变化并触发模型适应。
一项研究提出基于相位滑动振荡（PSO）的异步分类方法（PSO-AC），旨在解决稳态视觉诱发电位（SSVEP）脑机接口中因信号相位漂移导致的性能下降问题。该方法将EEG信号重构为不同初始相位的序列，并通过小波同步挤压变换提取相位解耦特征，结合概率时间模型区分控制与非控制状态。
推荐理由：提出基于相位滑动振荡的异步分类方法，通过解耦相位特征提升SSVEP脑机接口在离线与在线实验中的控制稳定性。
McPherson等人在预印本中展示大鼠可通过内侧前脑束的活动依赖性电刺激作为唯一强化物，实现对递归脑机接口（rBCI）的自主控制。动物成功学会调节运动单位放电率及特定皮层脑电频段（β和γ波）以自我触发刺激，并能独立调节同一皮层位点的不同频谱特征。该研究表明对内部奖励网络的隐性强化可在无约束自然行为中驱动特定神经信号的操作条件反射，为自适应脑机接口和闭环精神疗法开辟了新方向。
推荐理由：该研究展示了大鼠通过内源性奖励网络实现自由行为下的闭环脑机接口控制，为自适应BCI和闭环精神治疗提供了新路径。
MIT 团队在《Nature Methods》发表研究，展示了一种适应于高速体积成像的新显微镜系统，能够以毫秒级时间尺度追踪斑马鱼全脑的电活动。该系统基于基因编码电压指示剂 Positron2-Kv，将光片显微镜的相机采集速度提升并采用远程重聚焦技术，实现了每秒扫描整个斑马鱼大脑 200 次（每 5 毫秒一次）。
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。
一项新研究提出结合瞬时相位锁定值与共空域模式的双分支深度学习框架，用于从脑电信号中解码内心言语。该模型在受试者依赖设置下表现优异，对社交和数字词汇的平均准确率分别达 95.16% 和 95.96%，但在两个公开数据集上的跨受试者独立准确率仅为 64.09% 和 52.19%，凸显了个体间泛化的困难。
Neuralink 利用超过 50,000 小时的无标签日常脑活动数据对参与者特定模型进行预训练，使部分用户的校准频率从每天约 10 分钟降至每周 10 分钟。这一变化旨在减少用户负担，其中一名参与者在光标测试中达到 11.32 bits per second 的个人最佳成绩。目前该结果由 Neuralink 报告且未经独立验证，植入设备仍属研究性产品，未获 FDA 批准。
推荐理由：报道详述了利用无标签数据预训练降低校准频率的技术路径，并对比了行业基准与监管状态，提供了评估该进展实际价值的多维视角。
该研究通过小鼠解剖电路映射和闭环模型，揭示基底节和小脑经丘脑向皮层传递学习信号的机制。发现两条通路在丘脑中 largely 分离但在初级运动皮层层1a汇聚，且模块特异性反馈对多目标神经元同时调节的脑机接口任务至关重要。
脑虎科技（NeuroXess）披露其Triple-Full全植入无线脑机接口系统的最新临床探索案例。一名四肢瘫痪受试者利用该设备绘制草图，经大模型生成选项后由AI构建数字模型并3D打印出玩偶，同时配合智能眼镜实现了病床调节等家居控制。
推荐理由：展示了脑机接口结合AI实现从意念绘图到3D打印及环境控制的完整闭环，并梳理了其与博睿康在注册路径上的异同。
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。