关注内容
持续收录脑机接口行业的最新文献，保留来源与发生时间。
107 条精选近 30 天 66 条共收录 107 条
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。
一项针对15名健康参与者的脑机接口研究证实，在动作观察结合运动想象任务中，沉浸式虚拟现实比二维视频和真实世界观察引发更强的感觉运动皮层去同步化。实验通过记录8个电极的EEG信号发现，iVR在beta频段的前中央区和右顶中央区以及alpha频段的右中央运动区表现出最显著的神经激活。
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。
一项计算机模拟研究表明，施加静态磁场可使DHA有效扩散系数提升，将乙酰胆碱达到治疗阈值的时间缩短83.3%。在0.5厘米观测点，该时间从10.55秒降至1.76秒；2秒内DHA浓度较基线升高7.39倍，驱动乙酰胆碱达阈值的133.7%。研究还提出了基于脑机接口的闭环给药框架供未来临床验证。
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。
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。
一项新研究提出了通过单一视觉刺激诱发五种不同认知过程（单次伸手、拦截伸手、序列伸手、注意伸手和抑制伸手）的实验范式。利用正则化线性判别分析分类器结合事件相关谱扰动特征，对五种认知状态的解码准确率达到91.72% ± 6.10%；在序列伸手任务中，使用时域特征区分正常试验与捕获试验的准确率为77.96% ± 7.03%。
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%。
研究探讨利用内部生成式AI助手预起草文档以减轻护士行政负担，并结合Galea和EMOTIV脑机接口设备监测认知负荷。该系统通过实时分析神经生理信号识别压力与疲劳指标，在结构化文档期及模拟训练中提供及时支持。此方案旨在恢复护理直接照护时间，并通过护理主导的治理保障专业完整性。
一项发表于2026年10月的研究提出了一种系统性的多模型理论分析框架，用于评估大语言模型（LLM）辅助P300脑机接口拼写器的性能。该研究引入了理想化LLM以确立可达到的性能上限，并证实了LLM带来的显著性能提升并非特定模型独有，而是跨语言模型的普遍趋势。这一工作解决了此前缺乏统一解码框架来界定LLM辅助P300拼写器具体性能界限的问题，旨在改善ALS患者等群体的沟通效率。
推荐理由：通过多模型理论分析框架量化了LLM辅助P300拼写器的性能上限，为评估不同语言模型在脑机接口中的增益提供了统一基准。
Neuralink 公布一项关于神经解码的研究，显示通过自监督编码器在50,000小时无标签脑数据上进行预训练，可使解码器在数周内保持工作而无需重新校准。该研究记录了11.32 BPS（比特每秒）的性能指标。
推荐理由：展示了利用五万小时无标签脑数据进行自监督预训练，使神经解码器在数周内无需重新校准并创下传输率纪录的技术路径。
一项基于258篇PubMed文献的计量分析显示，中国和美国是意识障碍康复领域脑机接口研究产出最多的国家，比利时列日大学为核心机构。当前研究热点聚焦于P300范式、运动想象BCI及神经康复，个性化BCI、深度学习解码和脑网络状态监测正成为快速演进的前沿方向。
一项纳入26项随机对照试验（共1100名卒中患者）的荟萃分析显示，脑机接口康复能显著改善上肢FMA-UE、ARAT、WMFT等指标，但对下肢功能无显著影响。通过限制性立方样条分析发现，脑机接口训练强度与上肢功能改善呈倒U型关系，峰值效应对应的单次训练时长约为48分钟。
推荐理由：该荟萃分析量化了脑机接口对卒中患者上肢运动功能的改善效果，并基于剂量反应模型提出了单次约48分钟的潜在最佳训练时长。
该研究提出TSMD-Net（两阶段多域蒸馏网络），旨在解决运动想象脑电（MI-EEG）解码中因受试者间差异和非平稳性导致的跨受试者泛化难题。该方法采用渐进式两阶段优化策略，先通过特征协方差对齐建立稳定的跨域表示，再利用双曲监督对比学习进行多域协同蒸馏，以增强预测一致性和类别判别力。实验在两个运动想象基准数据集上验证了该方法的有效性。
该研究提出一种基于空间和通道重构的频率-时间-空间深度卷积神经网络（SCR-FTSDNN），旨在解决SSVEP脑机接口中深度学习模型复杂度高及依赖大规模校准数据的问题。该方法通过傅里叶变换提取频率特征，结合时序卷积和扩张卷积增强判别性特征提取，并在Benchmark和BETA两个公开数据集上验证了其优越的识别精度与鲁棒性，尤其在有限校准数据条件下表现突出。相关代码已在GitHub开源。