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。
#运动解码
News of Bahrain精选AI 评分7676 Bioengineer.orgAI 评分4242 双阶段运动想象提升脑机接口解码准确率
一项离线 EEG 研究提出 CEP-MI 范式，让受试者在倒计时内想象动作、随后短暂执行，并配套双分支网络 PGCANet。97 名健康受试者数据显示，该范式使 PGCANet 手部二分类准确率从 80.82% 升至 85.77%，足部任务从 80.00% 升至 82.06%。
Europe PMCAI 评分2525 EEG 研究刻画分级阻力弯举中的皮层动态，TTCN-KNN 解码准确率达 97.2%
一项 EEG 研究让 10 名健康受试者在 5 种阻力条件下完成单臂弯举，捕捉运动相关皮层电位与功率谱密度随阻力变化的差异。研究采用 Triplet Temporal Convolutional Network（TTCN）提取特征并结合 KNN 分类，受试者内留一试次评估准确率达 97.2%，留一受试者交叉评估最高 93.0%。
arXiv eess.SPAI 评分3434 TriRouter：面向鲁棒 EEG 运动想象解码的稀疏到稠密电极空间路由
研究提出电极空间路由框架 TriRouter，通过判别保持、掩码鲁棒与潜在补偿三条路径，并依据可观测通道可用性由验证校准路由器分配各路径贡献。在 BNCI2014-001 上，其在标称 25%、50%、75% 缺失设置下分别比最强的受损 EEG 基线提升 3.68、4.02、6.46 个百分点，在结构化区域缺失和额外低通道数据集评估中仍有效。
arXiv cs.LG + cs.RO + cs.HCAI 评分4343 GRAFT-EEG 提出跨数据集运动想象 EEG 的规范感知物理场迁移方法
GRAFT-EEG 用规范感知物理场迁移做跨数据集运动想象 EEG 解码，在 5 个留一数据集目标、253 名受试者上取得 60.865% 等目标平衡准确率，比 strict-clean 5/5 BIOT 的 52.684% 高 8.182 个百分点。
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。
Bioengineer.orgAI 评分4242 SRM University-AP 用滑动窗口与傅里叶分解打造轻量脑机接口框架
印度 SRM University-AP 团队提出一套轻量脑机接口解码框架，在 BCI Competition III Dataset IVa 上取得 93.67% 准确率，在四分类的 BCI Competition IV-2a 上取得 79.14%，模型仅约 12 万个可学习参数。
Europe PMCAI 评分3838 图卷积分支网络解码上肢运动想象 EEG 信号
一项研究提出基于图卷积的双分支网络，用于上肢运动想象 EEG 的受试者无关解码，在 PhysioNet 数据集三类任务上，64、21、5 个电极的 SGKF 准确率分别为 86.42%、91.01%、93.91%，LOSO 准确率为 92.25%、95.72%、96.01%。
Journal of Neural EngineeringAI 评分3838 分层图学习框架提升 VR 运动想象脑机接口解码
研究提出一种面向 VR 运动想象解码的分层图学习框架，用 MVMD 将 EEG 信号分解为节律成分并结合混合特征选择与相位锁定值构建功能脑网络，每个试次表示为稀疏图后由分层图卷积网络分类。在实验室采集的 VR 运动想象数据集上，该框架取得有竞争力的三分类准确率，优于 EEGNet 等基线模型。研究还发现 VR 动作观察联合运动想象可增强感觉运动连接并促进大尺度网络整合。
Europe PMCAI 评分3434 滑动窗口与傅里叶分解结合 1D-CNN 的脑机接口运动想象 EEG 分类框架
研究提出一种融合滑动窗口、傅里叶分解方法与 1D-CNN 的运动想象 EEG 分类框架，FDM 将信号分解为 8 个正交 FIBFs。在受试者依赖协议下，BCIC IV 2a 与 BCIC III IVa 数据集准确率分别为 79.14% 和 93.67%；LOSO 跨受试者协议下分别为 55.50% 和 76.49%。
微信公众号AI 评分5555 布朗大学等团队在 PNAS 发表研究：观察动作时运动皮层呈网络级响应
布朗大学、麻省总医院布莱根神经技术与神经康复中心及退伍军人事务部神经修复与神经技术中心的团队在 PNAS 发表研究，基于 BrainGate 临床试验中两名四肢瘫痪受试者植入运动皮层的微型电极阵列，记录其观看不同拟人程度动作时的单神经元活动。