南邮团队在 Nature Sensors 发表水凝胶电极结合 SDBformer 的听觉注意 BCI 研究

点击左上方关注“博

睿康

”

导 读

在餐厅、会议室或多人对话场景里，我们通常能把注意力集中到某一个说话人身上。对听力受损人群，这种选择性听觉注意往往会变得困难。脑电听觉注意解码（AAD）可以判断用户正在关注哪一路声音，为神经导向助听提供线索；但现有系统常依赖32或64通道湿电极和计算量较大的模型，佩戴准备和功耗都偏重。

南京邮电大学李杨、赵强等联合多所高校组建跨学科团队，搭建材料制备与算法优化协同设计的完整技术体系，在Nature Sensors发表研究成果

。研究把电极材料和解码算法放进同一套可穿戴BCI方案中：前端采用室温、无氧化剂自聚合OEDOT构建SAAP两性离子水凝胶电极，后端使用轻量化脉冲Transformer-SDBformer。听觉实验只保留双侧颞区8个EEG通道，在三路同时播放的语音中识别受试者正在关注的目标声源。

在人体SSVEP验证中，研究使用

博睿康NeuSen Hub多模态可穿戴采集系统

记录 8 通道枕区 EEG。SAAP 水凝胶电极无需常规头皮准备即可进入实际脑电采集，系统记录到清晰的频率锁定响应，并进一步完成 12 目标机械臂在线控制，准确率超过 98%。NeuSen Hub无线采集平台承担微伏级EEG的实时记录与传输，为后续SSVEP识别和在线控制提供稳定的数据基础，也让新型柔性电极能够直接进入真实BCI任务接受验证。

0

1

全头皮湿电极和高功耗模型，限制了听觉BCI的可穿戴化

听觉注意解码需要从微伏级EEG里找到“我正在听谁”的神经线索。传统全头皮湿电极能提供丰富的空间信息，却需要导电膏和头皮准备，长时间使用还会受到凝胶蒸发和阻抗变化影响。计算端同样有压力：高通道EEG配合CNN、Transformer等模型，运算量和功耗都较高。对于需要长时间佩戴、依靠电池运行的助听设备，电极界面、通道数量和解码能耗都需要一起压下来。

0

2

室温自聚合，让水凝胶电极兼顾低阻抗与柔韧性

团队使用

DBSA

在室温、无氧化剂条件下诱导

EDOT

自聚合，得到可溶的

OEDOT

，再引入由

SBMA

和丙烯酰胺构成的两性离子水凝胶网络。

OEDOT

形成导电通路，水凝胶提供贴肤、保水和机械支撑。经过配方筛选，团队最终选择

2 wt% EDOT

与

20 wt% DBSA

的组合，在界面阻抗和机械韧性之间取得较好的平衡。其断裂伸长率达到

264.31%

，实际

EEG

测试中的低阻抗状态可稳定维持

8 h

。

0

3

从水凝胶电极到机械臂控制，准确率超过98%

SAAP随后进入动物ECoG和人体SSVEP验证。人体实验招募10名志愿者，在枕区布置8个SAAP电极，无需头皮准备。面对12个不同频率的视觉目标，EEG中可以观察到清晰的刺激基频及谐波响应；研究再把12个目标映射为机械臂控制指令，在线控制准确率超过98%。这一步直接检验了水凝胶电极在真实头皮EEG和在线BCI中的信号稳定性。

图1. SAAP水凝胶电极的多场景脑机接口验证：ECoG、SSVEP与8通道听觉注意解码（根据原文图1.整理）

0

4

只留8个颞区通道，2秒内识别你在听谁

完成电极本身的 EEG 和在线 BCI 验证后，研究进入真正面向听觉辅助的任务——听觉注意解码。10名听力正常的受试者同时听三路语音，EEG只保留FC5、T7、C3、CP5、FC6、T8、C4和CP6八个双侧颞区通道。随着决策窗口从0.5 s增加到2.0 s，SDBformer准确率由83.2%提升到91.2%。在2 s窗口下，SAAP水凝胶电极平均准确率为91.2%，传统湿电极为91.1%，商业盐水电极为90.7%，三类电极之间没有显著差异。系统还能根据解码结果实时增强被关注的目标语音。

图2.8通道听觉注意解码：颞区电极、三路语音范式及不同电极的识别表现

0

5

把通道和功耗一起降下来，听觉BCI离日常佩戴更近一步

这项研究把电极材料、

EEG

采集和解码算法围绕同一个目标协同设计：降低听觉

BCI

长期佩戴与低功耗部署的门槛。

SAAP

水凝胶提供稳定贴肤界面，并免去常规头皮准备；

8

个双侧颞区通道把全头皮采集缩减到更适合穿戴的局部电极布局；

SDBformer

继续压缩参数量和推理能耗

，

使这类算法更有机会部署到电池供电、算力有限的可穿戴终端。三部分在同一听觉注意任务中完成验证后，系统在

2 s

内达到

91.2%

的三分类准确率，与同样

8

通道配置下传统湿电极的

91.1%

基本相当。

这种结果对神经导向助听具有直接意义。未来的听觉辅助设备需要在多人交谈中持续判断使用者正在关注谁，再实时增强对应声源。真正进入日常使用后，设备很难长期依赖全头皮湿电极、大型计算平台和高功耗模型。这项工作给出了一条更接近实际设备形态的路线：减少电极数量、改善长期佩戴界面，同时把解码模型压缩到低功耗水平，并维持听觉注意识别性能。

需要说明的是，本研究仍局限于实验室受控环境验证，距离真实生活场景落地仍存在诸多现实限制。个体头皮差异、运动伪影、环境噪声、出汗与皮肤状态变化、长时间佩戴界面稳定性，以及真实复杂多声源场景下的鲁棒性、硬件功耗体积约束等问题还需要进一步研究，从实验室原型到消费级可穿戴装备的工程化转化仍需持续攻关。

感谢

南京邮电大学李杨、赵强团队

对本文解读提供的指导意见！

参考文献：

Gu Y, Liao Y, Li Y, He J, Yu H, Xing G, et al. Synergistic material–algorithm design enables robust auditory attention decoding brain–computer interface applications. Nature Sensors. 2026. doi:10.1038/s44460-026-00103-6.