ISSUE 002 · 2026 年 9 月 11 日
本周最值得注意的不是又一个更深的解码网络，而是几项更接近真实部署的问题：有用组件叠加后可能互相拖累，平均准确率会掩盖个体受损，消费级与科研级硬件必须用严格留出测试比较，植入链路也必须把每比特能耗算清楚。
通用型 BCI 不是把所有先进模块全部打开，而是依据神经证据质量、通信约束、最差用户风险和端到端测试结果选择组件。
已核验博睿康、强脑科技、脑虎科技及国际主要厂商的一手更新页；本周未发现能以厂商、监管或临床登记一手材料确认的新产品里程碑，因此不以旧闻或二手宣传补位。
作者用 BrainFlow 与 LSL 搭建不改代码即可跨五种 EEG 配置运行的实时 P300 管线。Emotiv Flex 的后续 20 次会话中，15 次重复后的 xDAWN AUC 约为 0.72；同一数据的样本内多数投票达到 94.7%，按字符严格留出后却只有 31.3%。
它把硬件比较和评估泄漏放到同一实验里：能看见 P300 不等于能稳定拼写，样本内高分也不等于新字符可用。对通用非侵入 BCI，统一采集接口与严格留出验证缺一不可。
先看 94.7% 与 31.3% 的评估协议差别，再读五类硬件的信号可分性；最后核对参与者规模和电极覆盖限制。
框架让原始 EEG 与个体分类头留在本地，由边缘网关协调共享骨干网络。在 BCICIV-2a 与 OpenBMI 的链路回放中，下行骨干流量约减少 42%，群体平均精度变化不大，但部分受试者相对理想链路损失接近 12 个百分点。
它把网络延迟、陈旧更新和下载策略从部署细节提升为学习变量；更重要的是，证明群体平均值可能遮住某位用户的显著退化。
先看理想链路与六种异构链路策略，再看逐受试者差值；不要只读 42% 的流量节省。
论文把攻击分为神经仿冒、失同步规避、重放劫持、链路窃听和嵌入式后门五个维度，并用 EEGle 框架报告 17 类新的神经特异攻击实例。
BCI 的失败后果可能跨越隐私、认知自主性和实体设备控制。只给解码器做对抗测试不够，采集、时序、无线、模型与执行器都要进入威胁模型。
先读五维威胁分类和攻击前提，再看 17 个实例如何验证；生成式 AI 降低攻击门槛是作者结论，尚需独立复现。
研究用 3D-CRNN 解码自动驾驶乘客的风险预测与危险识别，报告风险预测平衡准确率 95.3%±2.7%；危险识别在单被试为 85.0%±3.2%，跨会话 77.0%±5.3%，完全未见被试降至 64.9%±8.5%。
这类被动 BCI 不直接下指令，而是给自动系统提供人的风险感知。但明显的跨人落差提醒：高实验室精度不能直接变成安全冗余，更不能替代车辆传感器。
先读跨会话、已见与未见被试三组结果，再看标签构造与事件级分析；最后再看最高的 95.3%。
综述统一比较感应、中场、RF、超声、磁电、光、UWB 与脑信道通信，并估算在约 10 mW 通信功耗预算下，1–10 nJ/bit 的窄带高 Q 链路难以支撑千至百万通道所需的高速上行。
通道数扩展最终会撞上组织温升和每比特能耗，而不只是芯片面积。作者提出亚 10 pJ/bit、最终亚 1 pJ/bit 的目标，把电磁、封装、压缩、安全和监管放进共同设计空间。
先读功耗预算与数据率推导，再看各链路按深度、尺寸和速率的比较表；路线图是综述判断，不是已实现的整机指标。
研究同时开关欧氏对齐、xDAWN、个体校准和语言模型先验。校准是最强单项贡献，零校准时欧氏对齐能补偿；但独立有效的组件组合后可能降低准确率、增加重复次数或拉低信息传输率，语言模型也并非普遍有益。
通用 BCI 是耦合系统。空间对齐、监督校准和语言先验会改变彼此可用的证据，‘全部开启’不是稳健策略；组件选择应由当前 EEG 质量和任务风险门控。
先看完整交互效应而非主效应均值，再看零校准与有校准条件；最后检查信息传输率是否与准确率结论一致。