ISSUE 004 · 2026 年 9 月 25 日
本周的共同信号不是模型规模继续增长，而是评估条件开始收紧：跨语言检索必须说明任务边界，基础模型必须与任务模型使用相同输入，压缩后的解码器必须单独测试安全性，跨用户协同也要保留个体差异。
通用性不等于复用一个大模型；它至少要经得起匹配输入、锁定验证、未见被试、跨语言任务和部署攻击五类审计。
已核验博睿康、强脑科技、脑虎科技及国际主要厂商、临床登记与监管来源；本周未发现 9 月 18 日后可由一手材料确认的新产品或监管里程碑，因此不以旧闻、融资消息或二手宣传补位。
HDND 不再把词语解码压缩成一次平坦分类，而是逐层融合中间神经表征、上下文语义与部分阅读条件下的字形目标。在英语、荷兰语、普通话和粤语的听、读与朗读任务中，其参与者平均 Top-10 平衡检索点估计在九种条件下均高于匹配基线。
它把跨语言、跨任务和跨 EEG/MEG 的异质性纳入同一框架，是走向可复用语言解码器的重要尝试。但结果是候选集合中的 Top-10 检索，不是自由生成或实时沟通；听觉语音片段任务的收益也并不一致。
先看九种条件的匹配基线和 Top-10 定义，再区分词语、句子与语音片段结果；最后核对字形辅助只在哪些阅读条件启用。
研究在 BCI Competition IV-2a 上比较 FP32、50% 剪枝、INT8 后训练量化和量化感知训练。四种 EEGNet 在 PGD 扰动 ε=0.005 时准确率都只剩 22%–24%；剪枝改变了攻击迁移，却没有改善直接鲁棒性。
边缘部署中的体积、速度、直接攻击鲁棒性和攻击迁移是不同坐标，不能用‘压缩后干净准确率不变’替代安全测试。TensorRT 与模拟量化预测的一致度达到 95%–98%，也让评估更贴近实际部署。
先看直接攻击准确率，再看跨模型迁移矩阵；最后核对 TensorRT 部署与模拟量化的一致性，不要把迁移下降误读为整体更安全。
作者用完全按受试者划分的交叉验证比较时域统计特征与频带功率，并用随机森林给出可复现基线。粗粒度想象语音分类中，频谱流程的试次级准确率为 49.03%±4.18%，高于统计特征的 37.97%±3.79%。
这个结果不追求最高分，而是明确回答新用户能否直接使用。对通用非侵入式语音 BCI，可信的跨被试中等成绩通常比混入同一受试者数据的高分更接近部署现实。
先确认受试者级划分和多数投票单位，再看粗粒度类别的随机水平；最后读前向特征选择，避免把 49% 误解为开放词表沟通率。
个性化联邦学习只同步表征骨干，每名受试者保留本地分类头。Riemannian SPDNet 在三个运动想象数据集上高于标准联邦与集中式 SPDNet，并以更少轮次和更少通信参数收敛；在其中两个数据集上也胜过全部 EEGNet 配置。
它承认跨用户可以共享几何结构，却不强迫所有人使用同一决策边界。对隐私敏感、持续个性化的家庭 BCI，这比把原始 EEG 集中汇总更现实；但集中式 EEGNet 在一项对照中仍优于集中式 SPDNet，不能宣称某种几何普遍占优。
先看个性化与标准联邦的同架构对照，再看三数据集逐项结果和通信轮次；最后比较 SPDNet 与 EEGNet，区分个性化收益和架构收益。
Bio-MF 用一步 MeanFlow 从 EEG 生成 fNIRS，在 RTX PRO 6000 上每试次约 7 ms，比论文使用的 1000 步扩散基线快约 857 倍。EEG 加合成 HbR/HbO 在两个数据集上相对 EEG-only 提升约 2.50–4.15 个百分点。
一步生成把跨模态增强推近实时，但合成 fNIRS 完全由 EEG 条件生成，不能被当作独立生理证据；更合理的解释是模型扩展了 EEG 特征空间。系统还需要证明增益不是额外参数、训练监督或数据泄漏造成。
先看 EEG-only 的等容量基线和未见 64 通道布局，再核对 7 ms 是否包含完整前处理；最后检查生成波形的生理约束，不要只看分类提升。
在验证集锁定的 BCI IV-2a 四分类实验中，所有任务监督基线都高于 LaBraM 和 CBraMod 的各类设置。更关键的是，把三种监督模型换成基础模型使用的宽带输入后，ATCNet 准确率增加 0.078，而 EEG Conformer 下降 0.088，说明输入流程的影响会随架构改变方向。
所谓预训练收益可能混合了预处理、输入频带、优化和架构差异。基础模型必须在多架构、同输入、同调参预算和锁定测试集下审计；不过 n=9 的单项差异经多重校正后未显著，作者也只把符号变化作为描述性结果。
先读验证锁定协议，再看 BCI IV-2a 上基础模型与监督模型的完整矩阵；最后读匹配输入实验和统计限制，避免把单数据集失败推广成基础模型无效。