技术与应用
用深度学习和大模型解码神经信号，以及神经数据基础模型。
10 条精选近 30 天 9 条共收录 48 条
OpenAI 投资的初创公司 Coherence Neuro 正在开发一种用 AI 识别肿瘤生长相关电信号、并以电脉冲回应的脑植入体。公司称已在动物中识别出与肿瘤变化相关的电信号，今夏在澳大利亚 3 名患者切除脑肿瘤手术中植入约半小时测试记录能力后取出，具体结果尚未公布。目前研究人员正在另外 7 名患者身上测试该器件，同时检验其能否输出电脉冲。
推荐理由：材料交代了 Coherence Neuro 在 3 名患者身上完成的短期植入测试，以及正在进行的 7 人试验，读者可据此判断该路线所处的早期阶段。
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。
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。
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。
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。
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。
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。
ABILITY Neurotech 在慕尼黑工业大学附属 Rechts der Isar 医院完成其脑机接口技术的首例人体手术，首次在真实手术环境中使用其神经信号采集技术。研究计划纳入最多 5 名接受脑肿瘤手术的患者，每人术中记录 20–30 分钟神经数据，首名患者在全身麻醉下完成系统性能测试与信号采集。后续阶段将让清醒患者在同类手术条件下进行语音和运动任务，以验证神经解码。
推荐理由：原文交代了受试者规模、术中记录时长和下一步解码任务，读者可据此判断这项技术所处的早期可行性阶段。
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 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。