概况
本月订阅论文共26篇，参与研究的作者数量达54人，来自106家机构，其中合作研究机构数量达105对。研究范围涵盖了生物医学工程,计算机科学与技术,神经科学与认知科学,电子工程与信号处理,康复医学与运动科学等学科领域。总体来说，本月研究呈现出脑机接口（BCI）技术在医疗康复与人机交互领域的广泛应用，涵盖运动想象、情绪识别、言语解码等多个方向。研究方法上，深度学习和机器学习被广泛应用于脑电信号分类与解码，提升了系统性能。同时，跨学科合作加强，涉及医学、工程、计算机科学等领域，推动了非侵入式EEG-BCI技术的临床转化与实用化发展。
研究重点
本月订阅的论文覆盖了生物医学工程,计算机科学与技术,神经科学与认知科学,电子工程与信号处理,康复医学与运动科学等学科领域，各重点学科领域占比详情如下，本月研究一定程度反映出脑机接口（BCI）技术在医疗康复与人机交互领域的广泛应用，涵盖运动想象、情绪识别、言语解码等方向。深度学习与机器学习方法提升了脑电信号分类与解码性能，推动了非侵入式EEG-BCI技术的临床转化与实用化发展，跨学科合作进一步加强了技术融合与创新应用。
图片来源：技术发展分析报告
主要研究进展
脑机接口技术 | 提出了一种监督式自编码器去噪方法，用于处理多会话EEG数据中的非平稳性问题。 | Supervised autoencoder denoiser for non-stationarity in multi-session EEG-based BCI |
综述了基于脑电图的无创脑机接口在脑卒中后运动功能障碍康复中的应用现状与前景。 | 基于脑电图的无创脑机接口技术在脑卒中后运动功能障碍中的应用进展 | |
发布了一个基于脑电图的脑机接口数据集，旨在解码想象语音任务以推动相关研究发展。 | Chisco: An EEG-based BCI dataset for decoding of imagined speech | |
利用机器学习和深度学习分析舌部运动意图，为吞咽障碍康复提供新思路。 | Examining Tongue Movement Intentions in EEG-Based BCI with Machine and Deep Learning: An Approach for Dysphagia Rehabilitation | |
采用深度学习方法对尝试性手臂和手部运动的EEG信号进行分类，提升BCI系统性能。 | Deep learning classification of EEG-based BCI monitoring of the attempted arm and hand movements. | |
总结了基于头皮脑电信号的无创脑机接口在神经系统疾病临床应用中的共识与指导原则。 | 基于头皮脑电信号的无创脑机接口在神经系统疾病中的临床应用上海专家共识 | |
回顾了机器学习和深度学习在EEG情绪识别脑机接口系统中的作用及发展趋势。 | Role of machine learning and deep learning techniques in EEG-based BCI emotion recognition system: a review | |
梳理了非侵入式EEG拼写脑机接口的发展历程及其关键技术进展。 | Non-invasive EEG-based BCI spellers from the beginning to today: a mini-review | |
梳理了非侵入式EEG拼写脑机接口的发展历程及其关键技术进展。 | Non-invasive EEG-based BCI spellers from the beginning to today: a mini-review | |
探讨了面向实际应用的无创脑机接口系统设计与优化方向。 | 面向无创脑机接口系统的研究 | |
开发了基于Transformer的运动轨迹重建模型，用于EEG脑机接口解码任务。 | MTRT: Motion Trajectory Reconstruction Transformer for EEG-based BCI Decoding. | |
开发了基于Transformer的运动轨迹重建模型，用于EEG脑机接口解码任务。 | MTRT: Motion Trajectory Reconstruction Transformer for EEG-based BCI Decoding. | |
比较了LDA和SVM分类器在个体无关与个体特定EEG脑机接口中的表现差异。 | Comparison of subject-independent and subject-specific EEG-based BCI using LDA and SVM classifiers. | |
比较了LDA和SVM分类器在个体无关与个体特定EEG脑机接口中的表现差异。 | Comparison of subject-independent and subject-specific EEG-based BCI using LDA and SVM classifiers. | |
研究了用户在使用模拟轮椅控制的EEG脑机接口系统中运动想象能力的影响因素。 | Investigating User Proficiency of Motor Imagery for EEG-Based BCI System to Control Simulated Wheelchair | |
综述了非侵入性脑机接口在脑卒中患者手功能康复治疗中的应用现状与挑战。 | 非侵入性脑机接口在脑卒中手功能康复中的应用现状 | |
总结了基于脑电图的无创脑机接口在多种临床场景中的应用进展与未来潜力。 | 基于脑电图的无创脑机接口的临床应用进展 | |
探索了将非特异性视觉空间想象作为新型在线EEG脑机接口控制任务的可行性。 | Nonspecific Visuospatial Imagery as a Novel Mental Task for Online EEG-Based BCI Control. | |
对比了支持向量机与神经网络在EEG脑机接口移动机器人控制中的初步实验结果。 | Preliminary Comparative Experiments of Support Vector Machine and Neural Network for EEG-based BCI Mobile Robot Control | |
通过元分析评估了基于情绪驱动的EEG脑机接口在解决BCI文盲问题中的潜力。 | Towards EEG-based BCI driven by emotions for addressing BCI-Illiteracy: a meta-analytic review | |
概述了基于脑电的无创脑机接口领域的研究进展，并指出了未来发展方向。 | 基于脑电的无创脑机接口研究进展 | |
利用同步状态衍生的脑连接度指标提升EEG脑机接口系统中运动想象分类精度。 | Using brain connectivity metrics from synchrostates to perform motor imagery classification in EEG-based BCI systems. | |
通过贝叶斯优化改进用于移动机器人控制的EEG脑机接口神经网络模型性能。 | Improving EEG-based BCI Neural Networks for Mobile Robot Control by Bayesian Optimization | |
报告了EEG脑机接口与视频游戏结合的应用进展及其在娱乐与康复中的潜在用途。 | EEG-based BCI and video games: a progress report | |
构建了一个基于概率仿真的EEG脑机接口设计框架，用于优化系统建模与评估。 | Probabilistic Simulation Framework for EEG-Based BCI Design. | |
开发了一个基于EEG的脑机接口平台，通过操作学习训练结合力反馈提升慢性中风患者的上肢运动能力。 | An EEG-Based BCI Platform to Improve Arm Reaching Ability of Chronic Stroke Patients by Means of an Operant Learning Training with a Contingent Force Feedback. |
跨学科研究
本月订阅的论文涉及多个学科，围绕脑机接口、神经康复、情绪识别和运动想象等研究主题开展了跨学科研究，这些研究融合了人工智能、神经科学和临床医学，推动了无创EEG技术的应用发展。
人工智能与神经科学 | 监督自编码器去噪 | 设计了用于处理非平稳EEG信号的监督自编码器模型 | Supervised autoencoder denoiser for non-stationarity in multi-session EEG-based BCI |
神经科学与临床医学 | 脑卒中运动障碍 | 总结了BCI在脑卒中后运动功能障碍中的应用进展 | 基于脑电图的无创脑机接口技术在脑卒中后运动功能障碍中的应用进展 |
计算机工程与人机交互 | 想象言语解码数据集 | 构建了Chisco数据集用于想象言语解码研究 | Chisco: An EEG-based BCI dataset for decoding of imagined speech |
心理学与教育学 | 运动想象熟练度 | 研究了用户对模拟轮椅控制的熟练程度差异 | Investigating User Proficiency of Motor Imagery for EEG-Based BCI System to Control Simulated Wheelchair |
统计学与系统建模 | LDA与SVM分类比较 | 对比分析了独立与特定受试者的分类效果 | Comparison of subject-independent and subject-specific EEG-based BCI using LDA and SVM classifiers. |
方法评价
本月订阅的论文采用了多种研究方法，包括深度学习、机器学习、实验对比与数据集构建等，广泛应用于脑机接口领域。
深度学习 | 通过深度学习分类脑电信号，提升运动意图解码精度。 | Deep learning classification of EEG-based BCI monitoring of the attempted arm and hand movements. |
机器学习 | 通过LDA和SVM分类器比较个体化与通用模型效果。 | Comparison of subject-independent and subject-specific EEG-based BCI using LDA and SVM classifiers. |
实验分析 | 通过监督式自编码器去除多会话EEG非平稳性噪声。 | Supervised autoencoder denoiser for non-stationarity in multi-session EEG-based BCI |
数据集构建 | 构建用于解码想象语音任务的公开EEG数据集。 | Chisco: An EEG-based BCI dataset for decoding of imagined speech |
综述分析 | 梳理脑卒中后运动功能障碍中EEG-BCI应用进展。 | 基于脑电图的无创脑机接口技术在脑卒中后运动功能障碍中的应用进展 |
合作追踪
(部分学者合作网络)
(部分机构合作网络)
图片来源：技术发展分析报告
本月学者之间及机构之间合作情况分析显示，脑机接口（BCI）领域呈现出高度的国际合作与跨学科协作特征。在作者层面，多篇论文显示出团队合作趋势，尤其是来自土耳其、中国和俄罗斯的研究团队较为活跃。例如，土耳其的多位学者在舌部运动意图识别和深度学习分类方面展开合作，涉及 Abdullah Gül University 和 İnönü University 等机构；中国的研究者主要集中在哈尔滨工业大学和复旦大学附属中山医院，围绕 EEG 数据集构建、临床应用等方面开展合作。
从机构合作来看，高校与医疗机构之间的联动尤为突出。复旦大学附属中山医院与上海市精神卫生中心、华东理工大学等机构共同参与了关于脑机接口临床应用共识的研究。此外，国际间的合作也频繁出现，如以色列 Ben-Gurion University 与斯洛伐克科学院测量研究所、加拿大 University of Toronto 与意大利、葡萄牙等欧洲高校均有联合研究项目。
热门合作领域主要包括：基于EEG的无创BCI技术在脑卒中康复中的应用、深度学习与机器学习算法在信号解码中的应用、情绪识别系统以及想象言语解码数据集建设等。这些方向体现了当前BCI研究从基础算法开发向临床转化和实际应用场景拓展的趋势。总体而言，该领域呈现出多国、多机构、多学科协同创新的发展态势。
发现&解决
发现
通过对本月订阅论文的整理分析，可以发现非侵入式BCI领域在技术研究方面出现了三个显著变化：一是深度学习与机器学习方法的广泛应用显著提升了脑电信号分类与解码性能；二是跨学科合作日益紧密，融合了人工智能、神经科学和临床医学等多领域知识；三是研究重点从基础算法开发逐步向临床转化和实际应用场景拓展。这些变化为非侵入式BCI技术的发展带来了新的机会，例如更精准的情绪识别系统、更高效的运动想象解码模型以及更实用的言语解码数据集建设，推动了其在医疗康复、人机交互等领域的落地应用。
然而，这些进展也伴随着挑战。首先，随着模型复杂度的提升，如何在保证性能的同时降低计算成本、提高实时性，成为工程化部署的关键问题；其次，跨学科协作虽然促进了技术创新，但也对研究人员的知识整合能力与沟通效率提出了更高要求；最后，临床转化过程中涉及的数据标准化、伦理审查及个体差异适应等问题仍需进一步探索与规范。因此，在推进技术进步的同时，亟需建立统一的数据标准与评估体系，并加强多方协同机制，以加速非侵入式BCI技术的实用化进程。
建议
为了更好地应对这些挑战，我们提供了专业的分析工具和服务，帮助您深入理解技术现状与发展趋势。点击下方链接，获取更多关于非侵入式BCI的发展动态、研发方向及合作机会的信息：
报告内容均由科易网AI+技术转移和科技创新数智化应用工具生成，仅供参考!
