神经同频｜2026-09-21

本期看点： 一个把 258 个认知实验标准化、用于大规模比对人与大模型的评测框架；一个覆盖 139 只小鼠、276 个脑区的神经表征预训练与跨个体迁移基准；一个保留脑电张量结构、可直接替换现有基础模型注意力模块的解码单元；另有两项关于新皮层区间通信与丘脑—皮层动力学的基础神经科学结果。

1. CogGym：面向人类与机器认知的大规模对比评测框架

CogGym: Towards Large-Scale Comparative Evaluation of Human and Machine Cognition

📄 PDF（长按复制链接）：

https://arxiv.org/pdf/2609.21259

第一作者：Lance Ying，麻省理工学院

通讯作者：同第一作者

发表状态：预印版

指数：11.2

评测模型「像不像人」通常依赖准确率，而准确率无法刻画人类行为的结构性特征。CogGym 提供一套可复用的评测基础设施：通过半自动的人在环路流程，把来源各异的心理学实验范式统一为任务无关的 Experiment Markup Language（EML），从而在配对的实验试次上大规模比对模型与人类。首个版本标准化了来自 100 篇论文的 258 个认知实验，聚焦人类常识推理，并评测了 50 个大语言模型。结果显示模型规模与人类判断的复现程度正相关，但该类常识推理的进展明显慢于数学、编程等形式推理基准：人类自身的 split-half 信度为 R² = 0.93（文本）、0.95（图像）、0.92（视频），而最好的模型仅 0.59、0.58 与 0.43。

2. BrainWideBench：多脑区神经记录的大规模预训练与跨个体迁移评测基准

BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings

📄 PDF（长按复制链接）：

https://arxiv.org/pdf/2609.22064

第一作者：Alexandre Andre，宾夕法尼亚大学

通讯作者：Matthew R. Whiteway / Liam Paninski，哥伦比亚大学；Eva L. Dyer，宾夕法尼亚大学

发表状态：预印版

指数：10.6

大规模神经记录已能覆盖多动物、多脑区，但「这些数据能否训练出跨个体、跨任务的通用表征」缺乏统一评测。BrainWideBench 基于国际脑实验室（IBL）的 Brainwide Map 数据集构建，包含 139 只小鼠、276 个脑区在执行感觉引导决策任务时的行为与神经记录，并组织为三个互补的任务套件：下游行为解码、掩码或未来神经活动预测，以及能否恢复具有生物学意义的解剖组织。作者据此在微调与零样本迁移两种设定下系统评测现有预训练方法，发现预训练普遍优于配对的单会话基线，但迁移增益高度依赖预训练目标与下游任务之间的对齐程度，没有单一方法能在三个套件上一致领先，多数方法只针对其中一部分设计。

3. TriDim：保留脑电张量结构的可复用三轴解码模块

Beyond Flattened Tokens: Structure-Preserving EEG Decoding with Reusable TriDim Blocks

📄 PDF（长按复制链接）：

https://arxiv.org/pdf/2609.19842

第一作者：Shiyue Su，南方科技大学

通讯作者：Xinke Shen / Quanying Liu，南方科技大学

发表状态：预印版

指数：10.0

脑电解码需要同时保留通道间的组织关系、局部波形动力学与长程时间上下文，而现有架构要么用彼此独立的专用模块分别处理，要么将其展平为单一 token 序列，使三类结构在骨干网络中难以维持各自角色。TriDim 是一个可复用模块，显式保留通道、patch 内采样位置、跨记录 patch 位置三个轴，对每个轴做前馈变换，再通过跨轴注意力协调信息交换；叠加多个 TriDim 模块并配多级三轴读出，构成独立解码器 TriDimEEG。在覆盖临床诊断、睡眠分期、运动想象与情绪识别的 8 个数据集上按严格跨被试设定评测，TriDimEEG 在 15 个对比模型中综合表现最好，平均准确率相对第二名提升 4.3%；将三个脑电基础模型中的 Transformer 模块替换为 TriDim 模块，下游准确率平均相对提升 7.4%，参数量同时减少 17.0% 至 47.3%。

4. 新皮层区间通过相互连接动态建立一致的活动模式

Reciprocal connections dynamically build consensus between neocortical areas

📄 PDF（长按复制链接）：

https://www.nature.com/articles/s41593-026-02437-3

第一作者：Mitra Javadzadeh，剑桥大学 / 冷泉港实验室 / 伦敦大学学院

通讯作者：Mitra Javadzadeh，冷泉港实验室

发表状态：Nature Neuroscience

指数：16.0

皮层被划分为功能各异的分区，但各分区之间出现分歧时由谁统一结论，此前并不清楚。研究在小鼠上同时记录初级视觉皮层（V1）与高级外侧内侧区（LM）的放电，并用光遗传学激活 PV+ 抑制性神经元做因果扰动：7 只小鼠共记录到 V1 的 194 个、LM 的 228 个神经元，每只小鼠平均 513 ± 110 个正确试次与 98 个扰动试次。作者用数据驱动的非线性系统辨识构建带生物约束的潜回路模型，每个分区分设兴奋性与抑制性单元，且只允许兴奋性单元发出长程投射。模型揭示 V1 与 LM 之间的相互兴奋连接在两者的联合动力学中实现了一个近似线吸引子：一致的活动模式衰减被选择性放慢，不一致的衰减被加快，两个分区因而不需要外部仲裁即动态收敛到同一模式。该慢模式的时间尺度约 400 毫秒，是单个神经元时间常数（约 20 毫秒）的 20 倍；模型在 78.24% 的拟合中正确地把被光直接刺激的神经元标注为 PV+ 抑制性细胞，扰动实验进一步确认抑制 PV+ 细胞会改变一致与不一致模式之间的时间尺度差异，即该机制是因果的而非相关的。

5. 丘脑在不同唤醒状态下沿解剖轴调节皮层动力学的线性度

Thalamic modulation of cortical linearity across arousal states

📄 PDF（长按复制链接）：

https://www.science.org/doi/10.1126/sciadv.aef5358

第一作者：Eli J. Müller，悉尼大学

通讯作者：Eli J. Müller / Robert D. Sanders，悉尼大学

发表状态：Science Advances

指数：14.8

大脑需同时支持稳定与灵活的动力学，丘脑被认为在两种模式之间起协调作用，但缺少系统层面的直接检验。作者提出时间分辨的线性度度量「线性地平线」：用线性自回归模型估计状态传播算子并据此预测未来若干步，预测误差随步长上升得越快，表示该时刻的动力学越非线性。在 59 名被试的 7T 静息态功能磁共振数据上，清醒状态下脑活动的线性度存在非平凡波动，相位随机化与时间打乱两种替代数据都无法复现这种水平。动态模式分解给出的时间尺度谱进一步显示，这些波动沿丘脑的一条关键神经解剖轴排列；在 14 名被试的丙泊酚麻醉数据中，唤醒水平下降伴随线性可预测性升高；对丘脑施加直接电刺激又可使动力学部分恢复为类清醒状态。猕猴电生理与人脑电数据支持同一结论，且不同的丘脑—皮层投射系统对皮层可预测性的调节作用并不相同。

6. 预测听觉通路连续脑电响应的深度神经网络

A Deep Neural Network for Predicting Continuous Human EEG Across the Auditory Pathway in Response to Sound

📄 PDF（长按复制链接）：

https://arxiv.org/pdf/2609.20595

第一作者：Thomas J Stoll，密歇根大学

通讯作者：Ross K Maddox，密歇根大学

发表状态：预印版（投稿 ICASSP 2027）

指数：8.8

计算听觉模型通常只针对某一类响应或通路中的某一级，难以跨实验范式与跨神经时间尺度整合结论。作者训练了一个因果神经网络，把双耳声波形直接映射到高采样率脑电，训练数据约 250 小时、来自 92 名被试（22.6 ± 4.1 岁），电极布局与刺激类型（短音、语音、音乐）差异都较大。模型用于检验三类经典响应：听性脑干反应对刺激速率、频率与给声方式的依赖；连续语音诱发的皮层与皮层下时间响应函数；以及短声诱发的双耳交互成分。结果显示预测的脑干反应与时间响应函数复现了已知的响应形态与刺激依赖效应，模型与组平均的相关落在对应被试级人类分布之内，双耳交互成分的指标也接近文献报道值，说明单一音频到脑电模型足以跨范式、跨时间尺度地刻画听觉生理。

7. Bio-MF：面向混合运动想象脑机接口的低延迟高保真 EEG-to-fNIRS 跨模态生成

Bio-MF: Low-Latency and High-Fidelity EEG-to-fNIRS Cross-Modal Generation for Hybrid Motor-Imagery Brain--Computer Interfaces

📄 PDF（长按复制链接）：

https://arxiv.org/pdf/2609.20904

第一作者：Boyuan Zhao，陕西师范大学

通讯作者：Boyuan Zhao，陕西师范大学

发表状态：预印版

指数：8.4

脑电与功能性近红外（fNIRS）结合的混合运动想象脑机接口可利用电生理与血流动力学的互补信息，但两套设备同时佩戴不便，由此产生了用脑电生成 fNIRS 的思路。已有方法生成速度慢或依赖预训练，难以用于实时场景；而将迭代精修简化为一步生成又会牺牲保真度并引入非生理伪影。Bio-MF 提出无隐变量的一步 MeanFlow 框架：在信号空间直接做 x-prediction，再把该输出转换为 MeanFlow 的速度监督，推理只需一次网络评估。为在异构传感器布局下保住任务相关的血流动力学结构，作者加入时空交互 4D 编码、跨模态无分类器引导与噪声水平门控的 FFT 正则。在 29 名被试的配对 EEG-fNIRS 数据上，脑电加合成 fNIRS 相对仅用脑电的运动想象准确率分别提升 3.37 个百分点（脱氧血红蛋白）与 4.15 个百分点（氧合血红蛋白）。

8. 基于便携脑电头环熵特征分类的心流状态检测

Practical flow state detection: Entropy-based EEG classification from portable EEG headbands

📄 PDF（长按复制链接）：

https://arxiv.org/pdf/2609.19737

第一作者：Matin Beiramvand，坦佩雷大学

通讯作者：Matin Beiramvand，坦佩雷大学

发表状态：Biomedical Signal Processing and Control

指数：8.0

心流对学习、表现与康复均有意义，但行为学之外缺少适合真实场景的客观检测手段，消费级脑电设备的可行性也缺少系统验证。作者用 Muse-S 与 Emotiv Insight 两款便携头环，在 45 名被试执行自适应俄罗斯方块任务时采集脑电，先用离散小波变换把信号分解到多个频带，再在各子带提取熵特征：通道内的斜率熵、分布熵、谱熵，以及跨通道的交叉分布熵与交叉谱熵，最后送入随机森林分类器。两种验证方案的差距是论文的重点：随机采样交叉验证下平均准确率为 97%，而更严格的留一被试方案下降到 75%。这一落差表明被试独立的泛化仍是消费级设备做心流检测的主要瓶颈。

9. PV-Care：基于低密度脑电与情境感知的轻度认知障碍主动辅助系统

Beyond Reactive Assistance: PV-Care Using Low-Density EEG and AI to Provide Proactive, Context-Aware Help for MCI

📄 PDF（长按复制链接）：

https://arxiv.org/pdf/2609.22024

第一作者：Simon L Liu，上海中学国际部

通讯作者：同第一作者

发表状态：预印版

指数：7.2

面向轻度认知障碍（MCI）的既有助手系统均为被动等待用户下指令，而这类用户恰恰更需要系统主动发起帮助。PV-Care 把可穿戴脑电与视觉环境感知结合起来：用空间与频率精炼网络（SFR-Net）从低密度脑电中识别学习、回忆、静息三类认知状态，AUC 为 0.94、准确率为 0.804 ± 0.016；再把识别结果与场景视觉分析合并，生成结构化的「4W-UT」提示，用于驱动大语言模型主动发起情境化语音辅助，并以仿真与用户研究验证交互有效性。作者把「由脑状态触发、而非由用户指令触发」作为与常规对话助手的核心区别。

10. HyperAMS-Net：面向脑疾病分类的自适应多尺度空间超图网络

HyperAMS-Net: Adaptive Multi-Scale Spatial Hypergraph Network for Brain Disorder Classification

📄 PDF（长按复制链接）：

https://arxiv.org/pdf/2609.19755

第一作者：Proloy Kumar Mondal，北德克萨斯大学

通讯作者：Hoi Leong Lee，马来西亚玻璃市大学

发表状态：预印版（MLMI 2026 录用，与 MICCAI 2026 同期举办）

指数：1.2

从神经影像表示中分类脑疾病面临被试间异质性强与多尺度模式复杂两个困难。HyperAMS-Net 以静息态功能磁共振或结构磁共振导出的表示为输入，集成自适应多尺度卷积、超图注意力、空间—通道注意力与自适应特征融合：多尺度卷积在多个感受野上学习数据驱动的权重，超图注意力通过「节点—超边—节点」消息传递建模高阶依赖，空间—通道注意力增强判别性特征，自适应融合则聚合并行分支的信息。作者在 ABIDE（自闭症谱系障碍，1,035 名被试、17 个国际站点）、REST-meta-MDD（重性抑郁障碍）与 ADNI-1（阿尔茨海默病）三个基准上按 5 折分层交叉验证评测，六项指标全部取得最优：准确率分别为 86.82%、84.17%、84.73%，AUC 分别为 87.54%、84.31%、85.12%，相对最强基线 AGMGC 在 ADNI 上提升 3.09 个百分点（准确率）与 2.93 个百分点（AUC）。消融实验显示移除超图注意力造成的性能下降最大，配对 t 检验在三套数据上均为 p < 0.05。

由文献阅读总结家自动生成 · 仅供参考