UCSF 团队在 Nature Neuroscience 发表研究，用单块皮层植入体同时解码语音与手势
加州大学旧金山分校（UCSF）团队在 Nature Neuroscience 发表研究，用一块植入感觉运动皮层上方的高密度电极阵列，把神经信号解码为文字和虚拟化身的手势动作。
推荐理由：原文给出 3 名受试者、语音与手势同时解码的准确率，读者可据此判断单块皮层植入体同时承载两类沟通信号的研究阶段。
#AI 解码
News of Bahrain精选AI 评分7676 arXiv cs.LG + cs.RO + cs.HC精选AI 评分6060 BrainPro：按实验范式条件化预训练的大规模 EEG 模型
研究团队提出 BrainPro，一个将电极布局映射到统一通道-脑区模板、并按实验范式线索条件化分支激活与掩码重建的 EEG 自监督预训练框架。该方法在 9 个公开 BCI 基准上取得较强表现，消融与通道缺失分析显示地形检索与过程条件化表示学习共同提升解码效果。论文已被 NeurIPS 2026 接收，代码已公开。
推荐理由：论文提出按实验范式条件化的 EEG 预训练框架，并在 9 个公开 BCI 基准上做了对比与消融，可供关注 EEG 大模型路线的人参考。
arXiv cs.LG + cs.RO + cs.HC精选AI 评分6060 BrainCodes：基于离散神经编码的轻量 EEG 基础模型
作者提出 BrainCodes，一个在超过 800 小时、1000 余名受试者记录上自监督预训练的轻量 EEG 基础模型。该模型结合量化神经分词器与支持任意电极配置的时空编码器，在睡眠分期、注意力评估和认知负荷估计等任务上达到或超过现有水平，可训练参数最多减少 97%。
推荐理由：论文给出 800 小时预训练数据和可训练参数减少 97% 的对比，读者可据此判断轻量 EEG 基础模型的落地空间。
公众号：脑机接口产业联盟精选AI 评分6666 MAPA 方法将颅内脑电解码标注试验从约 3500 次降至约 164 次
Ben Tang、Zachary Spalding 和 Gregory B. Cogan 提出 MAPA 方法，在 Neuroprobe 基准的跨受试者测试中把所需带标注试验从约 3500 次压到约 164 次，减少九成以上。该方法基于掩码自编码器，并加入解剖区域嵌入和相对位置编码两种空间编码来应对电极布局与脑解剖的个体差异。研究为预印本，尚未经同行评审，代码已在 GitHub 公开。
推荐理由：预印本给出跨受试者标注需求从约 3500 次降到约 164 次的结果，可据此判断自监督预训练在颅内脑电解码上的位置。
搜狐精选AI 评分7272 清华戴琼海团队研发 1 克无线介观显微镜 Airscope，成果发表于 Nature
清华大学戴琼海团队与解放军总医院戴朴团队合作研发出无线介观显微镜 Airscope，重量仅 1 克，可在 6 毫米视场内以单细胞分辨率记录小鼠皮层神经活动，相关论文 10 月 19 日发表于 Nature。
推荐理由：论文给出重量、视场和单只小鼠记录神经元数，读者可据此判断无线介观成像在自由活动动物上的观测能力。
arXiv cs.LG + cs.RO + cs.HC精选AI 评分6262 Brain-OF：联合预训练 fMRI、EEG 和 MEG 的全功能脑基础模型
研究团队提出 Brain-OF，一个在 fMRI、EEG 和 MEG 上联合预训练的全功能脑基础模型，可在统一框架内处理单模态和多模态输入。
推荐理由：该预印本把 fMRI、EEG 和 MEG 放进同一个基础模型，并公开代码与权重，读者可据此判断多模态神经影像预训练的整合路径。
公众号：脑机接口社区精选AI 评分7575 Precision Neuroscience 基于 70 名患者数据发布神经系统电生理图谱
Precision Neuroscience 基于前 70 名患者、87,342 个电极位点和超过 180 小时记录，构建了覆盖运动感觉皮层、语言区、听觉区及脑干脊髓的电生理图谱，相关论文已于 9 月 24 日发布在 bioRxiv 且尚未经同行评审。
推荐理由：原文把 Precision 的广度路线与 Neuralink 的深度路线并置，读者可据此理解两家公司数据资产结构的差异与各自约束。
Neuralink精选AI 评分7878 Neuralink 用 5 万小时无标注脑数据预训练解码器，实现 11.32 BPS 传输
Neuralink 介绍其自监督编码器在 50,000 小时无标注脑数据上预训练，使神经解码器无需重新校准即可持续工作数周。该方案还实现了 11.32 BPS 的传输速率。
推荐理由：Neuralink 公开了用 5 万小时无标注脑数据预训练自监督编码器的做法，读者可据此了解解码器免校准的路线。
Blackrock Neurotech精选AI 评分6767 Blackrock 介绍端到端脑到文本接口 BIT：词错误率降至 10.22%
Blackrock Neurotech 介绍了一项预印本研究提出的端到端脑到文本框架 BIT，用单一可微神经网络把神经活动直接翻译成句子，词错误率从先前端到端方法的 24.69% 降至 10.22%。
推荐理由：BIT 把此前端到端方法的词错误率从 24.69% 降到 10.22%，并让尝试言语与想象言语的表征相互对齐。
已经到底了