ISSUE 006 · 2026 年 10 月 9 日
本周最值得关注的变化不是又出现一个更大的统一模型，而是适配问题被拆得更具体：时间漂移要按顺序评估，预训练目标要对应下游物理量，跨模态适配要说清使用了哪些目标数据，跨设备对齐也应尽量回到可解释的前向模型。产品侧则出现了四年级别的长期临床前记录声明，但它仍不是人体或同行评审证据。
通用 BCI 不能只在静态随机划分上复用参数；它要明确何时更新、保留多少旧数据、对齐哪一种物理变化，以及所谓零样本究竟使用了哪些目标域信息。
已核验博睿康、强脑科技、脑虎科技及主要国际厂商、临床登记和监管来源。本周只有 Paradromics 的长期临床前耐久性公告达到收录门槛；它是厂商披露，不等于人体疗效、同行评审结论或监管批准。
Paradromics 称，两只羊植入代表 Connexus 电极技术的皮层模块后，神经尖峰信噪比和解码表现稳定超过四年，未观察到器件迁移；另一项六只羊的全平台研究报告接近两年的稳定尖峰信噪比。
全植入高通量 BCI 的关键瓶颈之一是多年级信号与封装稳定性，四年观察窗口比短期演示更接近产品寿命问题。但数据由厂商发布，尚缺同行评审方法、完整个体曲线和人体长期结果，不能据此推断临床寿命或安全性。
先看植入数量、随访时间和‘稳定’的具体指标，再区分电极模块与完整平台两项研究；最后确认是否公开逐动物失败、组织学和完整统计。
研究用 test-then-train 的时间顺序协议评估 CSP 与 Riemannian 协方差管线：每批数据先预测，再揭示标签并更新。在两个最大数据流中，标签揭示式在线更新让 14 个模型—数据集组合中的 13 个改善，相对准确率最高提升约 18%。
它把‘在线学习有效’从静态重采样改成更接近部署的数据到达过程，并用时间块价值分析显示最新数据通常最有用、旧数据仍可能保留正价值。这里的在线并非无监督：真实标签会在每批之后揭示，部署可获得性必须单独说明。
先看 prequential test-then-train 协议和标签何时可用，再读新旧时间块的 Shapley 价值；最后比较只保留近期数据与保留历史数据的逐用户差异。
BraVista 把多通道 EEG 转成结构化图像，以任务指令继续训练通用视觉语言模型，统一处理睡眠分期、情绪、工作负荷和异常 EEG。论文称无需大规模 EEG 专项预训练；不同图像表示差异明显，逐级加噪会使性能平滑下降。
这条路线用现成多模态模型降低跨任务接口成本，也把输出从固定分类头扩展到指令条件化。但四项任务仍是离线判别，加噪退化只能说明模型使用了部分信号，不能完全排除数据集、排版或患者身份捷径。
先看 EEG 图像编码的消融和跨数据集划分，再看冻结与继续训练的计算成本；最后检查异常 EEG 与睡眠任务是否按患者隔离。
研究比较 64 通道线性 S-probe 与 96 通道平面 Utah array 在 PMd、M1 和 dlPFC 的延迟伸手解码。高频尖峰带功率随单元数量扩展，而低频 LMP 更受电极几何和通道相关性影响；平面阵列因覆盖更广、相关性更低，对 LMP 更有利。
结果说明‘增加通道’不是统一答案：无线 BCI 做片上压缩或选频带时，必须同时考虑阵列几何、通道冗余和表示类型。证据仍是动物离线任务，阵列位置与几何也难完全分离。
先看 S-probe 与 Utah 的通道相关性和覆盖差异，再比较 SBP、LMP 与单元计数的缩放曲线；最后读 CNN/GRU 是否改变结论。
方法冻结 EEG 编码器和任务头，从无标签目标记录中提取条件，并在受约束潜空间生成适配器权重。六个完整留出的数据集、三个基础模型上，平均比 EEG-only 高 7.22 个百分点，比直接权重回归高 4.89 个百分点，与监督多模态适配平均只差 0.50 个百分点。
它把每个新任务重新优化适配器，改成一次生成权重，适合设备和任务频繁变化的场景。但‘零样本’只表示无目标标签、无目标优化；系统仍读取目标域无标签记录和配套模态，不能误写成无需目标数据。
先确认六个目标数据集是否完全不参与训练与选择，再看 adapter latent space 的约束；最后核对部署时需要哪些伴随模态和多少无标签目标记录。
11 类 c-VEP 键盘在约 33 秒校准后报告 99.8% 准确率和 4.3 秒平均选择时间；显式两分钟空闲测试中未出现误命令。VR 概念验证达到 100% 与 5.6 秒，但主观疲劳更高。
它把电极准备、视觉舒适、异步拒绝和沉浸式界面合并到端到端设计，而不只优化分类准确率。两分钟零误触不足以证明全天候安全，实验室短任务和健康参与者也不能代表家庭长期使用。
先看空闲状态的判定与置信阈值，再看校准时间是否包含电极准备；最后比较平面与 VR 条件的疲劳、速度和误触发。
SpecBraM 在匹配骨干、数据和训练步数下，把掩码波形重建与掩码窄频带对数功率预测做 2×2 对照。睡眠分期中，频带功率目标在全标签线性探测提高 1.6–2.8 个平衡准确率点，在 1% 标签时提高 4.7–7.3 个点；目标选择的影响大于 tokenizer。
它把自监督学习的关键问题从‘模型多大’转向‘要预测什么’，并用对照显示与下游频谱结构一致的目标更省标签。但收益没有普遍扩展到运动想象、抑郁或警觉任务，不能把频带功率当作通用答案。
先看 2×2 tokenizer—target 矩阵和严格线性探测，再比较 1% 标签与全量标签；最后读失效任务，判断目标与下游物理量是否一致。
SPDAlign 从 EEG 前向生成模型出发，把头部几何、源—传感器映射等变化表示为 SPD 协方差流形上的线性变换，再用 Wasserstein Procrustes 对齐域均值和旋转，并回溯频段与源—传感器空间模式。
它试图把黑箱域适配变成可解释的生理与几何变化，对跨用户、跨设备故障诊断更有价值。但前向模型只覆盖部分漂移来源，伪迹、策略变化和标签条件偏移未必满足全局线性假设。
先看哪些 shift 能由前向模型严格导出，再看模拟与真实数据的一致性；最后检查全局线性假设在伪迹和任务漂移下是否失效。