基于选择性听觉注意解码的脑机接口无监督准确性估计研究 学术背景 在复杂的听觉环境中，人类能够选择性地关注某一个声音源，而忽略其他干扰声音，这一现象被称为“鸡尾酒会效应”（cocktail party effect）。选择性听觉注意解码（Selective Auditory Attention Decoding, AAD）技术通过分析脑电图（Electroencephalography, EEG）等脑信号，解码出用户正在关注的声音源。这一技术在神经导向助听器（neuro-steered hearing aids）和脑机接口（Brain-Computer Interface, BCI）等领域具有重要应用。然而，当前的AAD算法通常依赖于监督学习，即需要用户明确告知其关注的声音源，以提供“地面真值...

模块化脑机接口：神经记录、神经刺激与药物递送的创新突破 学术背景 脑机接口（Brain-Machine Interface, BMI）是神经科学与临床医学中的重要工具，能够实现大脑与外部世界之间的电荷、物质与信息交互，广泛应用于神经解码、神经系统疾病的诊断与治疗以及脑科学研究。随着神经科学的发展，多模态脑机接口（multimodal BMI）引起了广泛关注，这类接口能够同时支持神经记录、神经刺激和药物递送等多种功能。然而，现有的多模态脑机接口大多针对特定场景设计，具有高度集成的固定配置，难以适应不同实验需求。 针对这一问题，Sheng等人提出了一种模块化的多模态脑机接口，旨在通过灵活的模块化设计，使脑机接口能够根据不同实验需求调整配置、模态和功能。这种设计不仅提高了设备的适应性，还为需要多种...

《Internal Speech Representation by Single Neurons in Human Supramarginal Gyrus》科学报道 背景介绍 近年来，脑机接口（BMIs, Brain-Machine Interfaces）技术在语音解码领域取得了显著进展。BMIs通过将大脑信号转化为语音或音频输出，使得那些因疾病或损伤失去说话能力的人能够重新交流。然而，尽管在有声语音、尝试语音和模拟语音解码方面取得了重要进展，内在语言（internal speech）的解码研究却相对稀缺且功能性较低。这篇文章旨在解决内在语言解码过程中存在的挑战，尤其是确定从哪些大脑区域能够解码出内在语言。研究的重点是位于顶下小叶（Supramarginal Gyrus，SMG）和初级躯体...

MI-EEG解码中基于注意力机制的时间依赖学习卷积神经网络（CNN） 研究背景与问题描述 脑机接口（Brain-Computer Interface, BCI）系统提供了一种通过实时翻译大脑信号与计算机进行通信的新途径。近年来，BCI技术逐渐在为瘫痪患者提供辅助和预防性护理方面发挥了重要作用。现有的许多BCI系统依赖于非侵入性且相对便捷的脑电图（EEG）信号记录来追踪大脑活动。然而，即使在同一MI任务期间，不同时期产生不同MI相关模式的时间依赖性特性也往往被忽略，从而大大限制了MI-EEG解码性能。 论文来源与作者信息 论文《A Temporal Dependency Learning CNN with Attention Mechanism for MI-EEG Decoding》于202...

脑机接口（Brain-Computer Interface, BCI）技术近年来发展迅速，被认为是一种无需通过外周神经和肌肉，仅通过大脑直接控制外部设备的前沿技术。特别是在运动想象（Motor Imagery, MI）脑电图（Electroencephalography, EEG）应用中，BCI 技术展现了巨大的潜力。通过分析MI-EEG信号，可以帮助患有物理障碍或神经肌肉退化的病人提高生活质量。然而，由于个体之间的差异以及大脑活动的稳定性、低信噪比（Signal-to-Noise Ratio, SNR）等因素，如何从复杂的EEG信号中提取有效特征以提高MI-EEG分类系统的准确性，仍然是一个巨大的挑战。 在MI-EEG分类中，特征提取与表示是决定分类性能的关键。当前广泛使用的特征提取方法，...