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%。
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%。
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。
研究团队提出 NeuroCodec,一个在神经音频编解码器潜空间中运行的 EEG 引导目标说话人提取框架,通过图卷积建模 EEG 空间依赖,并用注意力机制与 Mamba 时序建模融合脑电和语音表征。
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。
昆明理工大学伏云发教授等构建了一套覆盖意图生成、神经编码、信号观测、统计解码与反馈调节全闭环的脑机接口理论体系,汇总 4 条科学假说、4 条神经科学原理、4 条基本定理与 8 条基本定律。
一项发表于 Frontiers in Neurology 的系统综述与荟萃分析汇总 11 项随机对照试验、共 559 名卒中患者,发现脑机接口训练在认知功能和日常生活活动能力(ADL)上优于常规康复。
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。
研究团队提出基于扩散模型的 EEG 表征学习框架 EEGDM,通过结构化状态空间模型的扩散预训练(SSMDP)捕捉长程时间依赖,并用 Latent Fusion Module 融合多层潜特征。
研究者提出 Context-Aware Topological Distillation Graph Network(CTD-GNet),以 EEG 特征构成电极图节点,由眼动与历史窗口通过电极专属提示调节图的边、节点与读出。
研究提出 Dynamic State Filtering(DSF),把流式 EEG 空间超分辨率建模为序列状态滤波问题,用历史感知的动态分支与创新滤波分支分别处理状态预测和观测驱动修正。
作者提出 NeuroAct,一个面向 EEG 分析与解码的自主研究代理框架,通过内环的研究、开发、评审角色与将结果蒸馏为条件化建议的外环协同工作。
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%。
研究团队为 Llama-3.1-8B 的每一层各训练一个解码器,用 19 通道 EEG 在默读时解码词汇信息,发现词级可解码性在浅层达到峰值并随层数加深持续下降,而语境追踪成分随深度上升。作者用目标几何对照和跨运行预测置换对照排除了词解码副产物与会话特征的影响,认为单个 0.5 秒 EEG 窗口即可携带可被语境化目标吸收的篇章级信息。
一项系统性综述梳理了健康与临床队列在静息态、事件相关电位(ERP)及运动想象、SSVEP 等 BCI 范式下的 EEG 变异性,发现受试者间差异通常大于受试者内波动,但两者都影响推断与模型泛化。
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。
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。
一项研究让 24 名 8-13 岁神经典型儿童在三种条件下完成 P300 脑机接口任务,评估将照片式视觉场景显示(VSD)用于儿童辅助与替代沟通的可行性。结果显示,不对称布局提高了额区与中央顶区 P300 波幅,场景条件增强了枕区 N170,离线 BCI 准确率在场景与网格条件间相近,受试者认为场景更具视觉吸引力。
阿联酋大学团队提出 PQ-NeuroLink 框架,用 ML-KEM-768 与 ML-DSA 为脑机接口链路提供抗量子加密。在蓝牙式单跳配置下,混合后量子模式仅使 95 分位延迟增加 0.45 毫秒,同时保持 99.0% 丢包率表现。开销主要落在约 4.6 KB 的握手报文而非实时数据流,加密握手处理在测试主机上低于 1 毫秒。
Air University 团队在 Frontiers in Neuroergonomics 发表概念验证研究,用 fNIRS 区分健康人与踝关节损伤患者的静息、背屈和跖屈状态,并驱动外骨骼踝关节装置。
研究团队提出基于 QTPat 的自动化特征工程框架,用于对英语和土耳其语受试者的 EEG 记录进行受试者独立分类。实验使用 20 名英语受试者和 20 名土耳其受试者的 14 通道 EEG 数据,在留一受试者交叉验证下以 4 个选定通道达到 96.37% 分类准确率。作者指出数据集将语言与受试人群耦合,结果不能视为语言特异性神经解码的确证,需受试者内双语设计进一步验证。
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。
广东三九脑科医院与华南师范大学团队在 Frontiers in Neuroscience 发表系统综述与网络荟萃分析,纳入 22 项随机对照试验、共 956 例卒中患者,比较脑机接口训练中机器人、功能性电刺激、视觉和多模态四类反馈方式。
烟台市科学技术研究所的 Jing Gao、Dong Lin 与 Jianfeng Hu 在 Frontiers in Neurorobotics 发表研究,提出 Neuro-Adaptive Learning Design(NALD)五阶段模型与配套的 E-NALD 伦理框架。
两项实验让受试者外显(n = 14)或想象(n = 21)发出愤怒、快乐、中性、悲伤、愉悦五类情绪声音,同时记录 64 通道 EEG。单试次 EEG 情绪解码准确率在外显发声为 78.1%(随机水平 20%),想象发声为 36.4%,高伽马频段(50 至 100 Hz)与 T7、T8 等侧向通道作用关键。
一项单中心初步研究用正中神经近神经刺激(NNS)配合高密度 EEG,对 19 名持续意识障碍患者进行检测,并以 2 个月内临床诊断改善定义康复。由场强峰值与扰动复杂度指数组成的 NNS 综合指标区分慢性无反应患者的留一受试者交叉验证准确率为 94.7%,敏感度 100%、特异度 90.9%,优于表面皮肤刺激的 63.2%。研究者称 NNS 有望成为床旁工具,但结果仅为内部交叉验证,仍需外部验证。
一项系统范围综述梳理了截至 2026 年 5 月 15 日的 178 篇文献、199 种单通道兼容 EEG 伪迹去除方法变体,其中 179 种在推理阶段无需参考信号。综述分析了 303 项学习型方法的模型-数据集评估,发现仅 31/303 明确将测试窗口、干净源与伪迹源同训练集分离,122/199 种变体无实测部署证据。
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%。
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。
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%。
一项研究让 30 名受试者佩戴 64 通道 EEG 阅读并评价 LLM 生成的问答对,按事后 5 点量表将试次重标为五种评价状态。结果显示满意时双侧额颞区 delta 功率在中后期持续增强,不满意时右额颞区 gamma 功率在早期被抑制。ShallowFBCSPNet 在受试者混合交叉验证下区分“非常满意”与“非常不满意”平均准确率达 81%,作者称其为可行性演示。
研究团队提出闭环脑机接口 MetaIDNet,用高斯过程回归与神经网络改善基于 SSVEP 的色觉评估速度与准确率的权衡。离线实验 10 名受试者中评估速度提升 70% 且保持准确率,在线实验 8 名受试者中准确率提升 40% 且速度不变。
研究在四个数据集、两种范式(运动想象与 ERP)和两种架构上,对 SSA、一阶 Taylor、L1 范数、几何中位数与随机五种滤波器重要性准则做了无泄漏的实体化比较。