Appearance
本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写
人工智能如何解码神经信号？
摘要
在生物医学领域，神经信号的解码是理解大脑功能和开发先进神经技术的关键。随着人工智能（AI）技术的迅速发展，特别是机器学习和深度学习的应用，为神经信号解码提供了新的视角和方法。AI能够处理和分析海量的神经信号数据，提取潜在的有用信息，从而实现对大脑活动的更为精准的解读。研究神经信号解码的意义在于，它不仅有助于揭示大脑的工作机制，还能推动神经工程和脑机接口技术的发展。这些技术在治疗神经疾病、恢复运动功能以及增强人机交互等方面具有广泛的应用前景。通过AI技术，研究人员可以构建更为高效的解码模型，提升对复杂神经信号的理解能力，从而为相关疾病的早期诊断和个性化治疗提供支持。本文综述了AI在神经信号解码中的基础理论、技术进展及应用案例，探讨了不同神经信号类型（如EEG、fMRI和单神经元放电模式）的解码方法，并分析了AI解码神经信号所面临的挑战及未来研究方向。AI在神经信号解码中的应用正推动神经科学与人工智能技术的交叉融合，为理解大脑的复杂性提供了新的工具。
大纲
本报告将涉及如下问题的讨论。
- 1 引言
- 2 人工智能在神经信号解码中的基础理论
- 2.1 神经信号的基本特征
- 2.2 机器学习与深度学习的基本原理
- 3 AI解码神经信号的技术进展
- 3.1 传统方法与AI方法的对比
- 3.2 主要算法的应用案例
- 4 AI在不同神经信号类型中的应用
- 4.1 脑电图（EEG）信号解码
- 4.2 功能性磁共振成像（fMRI）信号解码
- 4.3 单神经元放电模式解码
- 5 AI解码神经信号的挑战与未来展望
- 5.1 数据获取与处理的挑战
- 5.2 算法的可解释性问题
- 5.3 未来研究方向
- 6 总结
1 引言
在生物医学领域，神经信号的解码是理解大脑功能和开发先进神经技术的关键。神经系统通过电化学信号传递信息，形成复杂的神经活动模式，这些模式在认知、运动控制和感知等多种功能中发挥着重要作用。随着人工智能（AI）技术的迅速发展，特别是机器学习和深度学习的应用，为神经信号解码提供了新的视角和方法。AI能够处理和分析海量的神经信号数据，提取潜在的有用信息，从而实现对大脑活动的更为精准的解读[1]。
研究神经信号解码的意义在于，它不仅有助于揭示大脑的工作机制，还能推动神经工程和脑机接口技术的发展。这些技术在治疗神经疾病、恢复运动功能以及增强人机交互等方面具有广泛的应用前景。通过AI技术，研究人员可以构建更为高效的解码模型，提升对复杂神经信号的理解能力，从而为相关疾病的早期诊断和个性化治疗提供支持[2]。
目前，神经信号解码的研究已经取得了一定的进展。传统的解码方法主要依赖于统计学和信号处理技术，而近年来，AI特别是深度学习的引入，使得解码过程变得更加高效和准确。AI方法能够处理多模态数据，例如脑电图（EEG）和功能性磁共振成像（fMRI），并通过学习复杂的模式和特征来实现对神经信号的高效解码。这种技术的突破使得神经科学研究与人工智能技术的交叉融合成为可能，为理解大脑的复杂性提供了新的工具[1]。
本综述将围绕“AI如何解码神经信号”这一主题展开，内容组织如下：首先，介绍人工智能在神经信号解码中的基础理论，包括神经信号的基本特征及机器学习与深度学习的基本原理。接着，分析AI解码神经信号的技术进展，比较传统方法与AI方法的异同，并讨论主要算法的应用案例。随后，将探讨AI在不同神经信号类型中的应用，包括脑电图信号解码、功能性磁共振成像信号解码以及单神经元放电模式解码。最后，分析AI解码神经信号所面临的挑战，并展望未来的研究方向。通过对这些内容的系统分析，本文旨在为AI与神经科学的进一步交叉融合提供参考，推动生物医学技术的发展。
2 人工智能在神经信号解码中的基础理论
2.1 神经信号的基本特征
人工智能（AI）在神经信号解码中的应用主要依赖于其对复杂数据的智能分析能力。AI能够提取神经信号中的隐藏模式，并通过与大脑的接口，解码由神经信号生成的命令。这些命令可以被输入到设备中，例如机器人手臂，以帮助移动瘫痪的肌肉或其他人体部分。这一过程的基础理论主要体现在以下几个方面。
首先，AI与神经科学的相互关系促进了对神经信号的理解和应用。神经科学研究大脑的结构和认知功能，为AI提供了生物神经网络的理论基础。这些生物神经网络的特性促使计算机科学家开发出复杂的深度神经网络架构，能够处理如文本处理、语音识别和物体检测等多种应用。AI在神经信号解码中的有效性部分来源于这种深度学习模型，它能够模拟人脑处理信息的方式[1]。
其次，AI在解码神经信号时，利用强化学习的概念。人类和动物的强化学习过程为计算机科学家提供了灵感，使他们能够为人工系统开发出强化学习算法。这种学习方式使得AI系统能够在没有明确指令的情况下，学习复杂的策略，从而在解码神经信号时，能够更有效地识别和预测大脑活动模式[1]。
此外，AI的强大计算能力使其能够进行大规模的模拟，这为神经科学家提供了测试假设的工具。通过AI，研究人员能够分析复杂的神经影像数据，从而提高早期检测和诊断神经系统疾病的能力。AI的应用不仅限于数据分析，还包括在临床环境中帮助识别和预测各种神经疾病的潜力[1]。
总之，AI在神经信号解码中的基础理论主要涉及其对复杂数据的分析能力、深度学习模型的应用以及强化学习算法的借鉴。这些因素共同促进了AI在神经科学领域的应用，尤其是在解码神经信号和支持神经系统疾病的检测与预测方面。
2.2 机器学习与深度学习的基本原理
人工智能（AI）在神经信号解码中的基础理论主要依赖于深度学习和机器学习的算法，这些算法模仿人类大脑的功能以实现对复杂数据的分析。神经科学为这些算法的开发提供了理论基础，通过对生物神经网络的研究，AI能够实现复杂的深度神经网络架构。这些架构被应用于多种任务，如文本处理、语音识别和物体检测等。
具体而言，AI能够通过分析复杂的神经数据，提取隐藏的模式，进而解码神经信号。通过与大脑的接口，AI系统能够提取根据神经信号生成的脑信号和指令。这些指令可以被输入到设备中，例如机器人手臂，从而帮助控制瘫痪肌肉或其他身体部位。AI的能力使其成为分析神经影像数据的理想选择，并能够有效减少放射科医师的工作负担。
在机器学习的框架下，强化学习的概念在动物和人类中的应用为计算机科学家开发人工系统中的强化学习算法提供了灵感。这种学习方式使得系统能够在没有明确指令的情况下学习复杂的策略，进而构建复杂的应用程序，如机器人手术、自动驾驶汽车和游戏应用等。
总之，AI与神经科学的结合不仅促进了对神经信号的解码，还在早期检测和诊断神经系统疾病方面展现了巨大的潜力。这种相互关系的深入研究有助于推动这两个领域的共同进步，促进对各种神经疾病的检测和预测[1]。
3 AI解码神经信号的技术进展
3.1 传统方法与AI方法的对比
本知识库信息不足，建议更换知识库或者补充相关文献。
3.2 主要算法的应用案例
人工智能（AI）在解码神经信号方面的应用正迅速发展，尤其是在脑机接口研究和系统神经科学领域。解码行为、感知或认知状态直接从神经信号中提取信息对于理解大脑功能至关重要。近年来，深度学习成为许多机器学习任务的先进方法，其在语音识别和图像分割等领域的成功促使其在神经科学中的广泛应用。
在神经解码中，深度学习被用来提取来自多种神经记录模式（如神经尖峰和功能性磁共振成像）的有用特征。通过使用预训练的深度网络，研究者能够更好地预测常见输出，包括运动、语言和视觉等复杂解码目标。例如，Livezey和Glaser（2021）在其研究中综述了深度学习方法在神经解码中的应用，强调了这些方法如何提升解码的准确性和灵活性[3]。
此外，人工神经网络已成为脑部护理领域最常用的分析工具之一。Segato等人（2020）在其系统性综述中指出，AI在脑部疾病的诊断、手术治疗、术中辅助和术后评估等方面的应用取得了显著成果。研究表明，AI有潜力改善临床医生在神经科学应用中的决策能力，但仍需解决数据收集和可解释性算法等主要问题[4]。
Yu等人（2025）则探讨了如何利用视网膜神经尖峰数据解码复杂动态视觉场景。他们使用神经网络解码器，定量分析了不同场景复杂度下的视觉刺激，并通过多种指标进行图像质量评估。这项研究不仅提供了关于视觉场景神经编码的深入见解，还为设计下一代神经假体和其他脑机接口设备的解码算法提供了指导[2]。
总的来说，AI在神经信号解码中的应用通过深度学习和人工神经网络等技术，正在推动脑机接口和神经科学研究的前沿，提升了解码的准确性和应用的广泛性。未来的研究将进一步探索如何解决当前存在的挑战，以实现更为有效的神经信号解码。
4 AI在不同神经信号类型中的应用
4.1 脑电图（EEG）信号解码
脑电图（EEG）信号解码是利用人工智能（AI）技术对脑电活动进行分析和解释的过程。EEG是一种记录大脑电活动的非侵入性技术，广泛应用于神经科学和临床医学。近年来，随着AI技术的进步，特别是深度学习和机器学习的应用，EEG信号解码的准确性和效率得到了显著提升。
首先，EEG信号的非线性和非平稳性使得其解码过程复杂。深度学习技术，特别是长短期记忆（LSTM）网络和卷积神经网络（CNN），已被证明在多种研究领域中优于传统方法[5]。例如，一项研究展示了基于LSTM和结合CNN的EEGNet-LSTM解码器的实施，该解码器在BCI Competition IV的数据集上表现出显著的性能提升，准确率达到了85%[5]。
其次，AI技术在EEG信号解码中的应用还包括异常检测和分类。使用递归特征消除（RFE）算法与支持向量机（SVM）相结合的方法，可以有效识别昏迷与脑死亡患者的EEG信号特征。这种方法通过提取频率特征，取得了99.59%的准确率和99.61%的F1分数，显示出其在临床诊断中的潜力[6]。
此外，AI还被用于自动化EEG的解释，减少对专业知识的依赖。一项名为SCORE-AI的AI模型能够全面自动化解读常规EEG，准确率与人类专家相当。这一模型在多个独立测试数据集上验证了其高准确性，尤其在识别癫痫病灶方面表现出色，提升了在资源匮乏地区的诊断能力[7]。
AI在EEG信号解码中的应用也包括对不同类型的神经活动进行分析，如癫痫发作的检测和分类。研究表明，基于神经网络的AI系统能够自动分析EEG信号，从而识别出癫痫发作的焦点[8]。这些系统通常通过使用标记数据进行训练，以便提高对癫痫活动的识别能力。
最后，AI的使用还能够通过增强人机交互的方式来改善EEG信号的解读。例如，某些研究探索了将EEG信号转化为声响，以便医务人员能够通过听觉来识别癫痫发作的特征，这种方法在一定程度上提高了非专业人员对EEG信号的理解能力[9]。
综上所述，AI在EEG信号解码中的应用涵盖了从数据预处理、特征提取到最终的分类与解释等多个方面。这些技术的进步不仅提高了EEG信号解码的准确性和效率，也为临床实践提供了更为可靠的工具，助力神经疾病的早期诊断与治疗。
4.2 功能性磁共振成像（fMRI）信号解码
功能性磁共振成像（fMRI）信号解码是一种利用AI技术从大脑活动中提取信息的过程，旨在通过分析大脑反应来重建外部刺激或刺激特征。根据Ziyu Li等人（2023）的研究，fMRI作为一种测量人类大脑活动的方法，因其非侵入性而在神经解码中越来越受到欢迎。神经解码的目标是建立模型，从已知的脑反应中重建外部刺激，从而理解情感、认知和语言等大脑功能的原理。
在fMRI信号解码的过程中，现有的研究通常考虑从fMRI获得的多尺度脑网络拓扑信息，但往往忽视了网络结构与血流动力学反应的同时建模，导致信息损失。此外，当前的多尺度方法通常只利用脑网络的空间或逻辑推理关系，这对精确的神经解码带来了挑战。为此，Li等人提出了一种新颖且稳健的多尺度空间与逻辑推理学习框架（MSLR），以增强fMRI基础的神经解码能力。
该框架首先设计了图信号小波生成模块，将脑网络拓扑与节点信息结合，以构建从局部到全局的多尺度表示。随后，开发了多尺度信息融合模块，能够同时建模脑网络的空间和逻辑推理关系，并学习具有脑状态转变的区分性多尺度特征。最后，构建了神经解码模块来预测脑状态。该框架在公共的人类连通组计划（HCP）数据集上进行了评估，参与者人数为986人。实验结果显示，使用支持向量机（SVM）的方法在四个评估指标上超过了当前最先进的方法，具体表现为准确率91.58、Kappa系数0.883、宏F1值0.865和汉明距离0.105，这些结果涵盖了19种不同的刺激，涉及7种不同的认知任务。
此外，fMRI神经反馈作为一种生物反馈方法，利用实时在线fMRI信号自我调节大脑功能。自2003年首次提出以来，fMRI神经反馈技术取得了显著进展，尤其是在隐式协议、外部奖励、多变量分析和连接性分析的使用上。这些技术的结合推动了新型神经反馈技术的发展，如解码神经反馈（DecNef）和基于功能连接的神经反馈（FCNef），它们通过调节神经活动和行为，显著推动了基础和临床研究的发展[10]。
总之，AI在fMRI信号解码中的应用，尤其是通过新颖的学习框架和神经反馈技术，极大地提升了对大脑功能的理解与研究的深度，为神经科学的进步提供了新的视角和方法。
4.3 单神经元放电模式解码
在生物医学领域，尤其是神经工程的研究中，解码神经信号的能力对于实现有效的脑机接口（BMI）至关重要。最近的一项研究探讨了如何解码与语言相关的单神经元放电模式，特别是针对位于丘脑左侧腹中间核（Vim）的神经元活动。该研究的目标是理解这些神经元的放电模式如何与言语的产生、感知和想象相关联，从而为开发更精确的语言脑机接口奠定基础。
研究中，研究者在八名接受深脑刺激器植入或射频损伤的神经外科患者身上进行术中单神经元活动记录。通过对五个单元音（monophthongal vowel sounds）的言语产生、感知和想象过程进行观察，研究者们利用了一种名为Spade的机器学习算法，该算法能够动态学习放电模式的特定特征，并基于高维特征空间的稀疏分解进行解码。
结果显示，Spade算法在言语的三种方面——产生、感知和想象——中均优于其他比较的算法，获得的准确率分别为100%、96%和92%（机会水平为20%）。研究还发现，随着参与解码的神经元数量的增加，准确率呈对数关系增长。在所有三种言语方面中，产生的准确率最高，而感知和想象的准确率则相当。这一发现表明，丘脑左侧Vim的单神经元活动可以作为恢复语言功能的脑机接口的有希望的输入来源，尤其是对于锁定综合症患者或患有失语症和构音障碍的患者，能够帮助他们重新沟通。
此外，研究对实现特定解码准确率所需的神经元数量进行了表征，这对于规划脑机接口的植入至关重要。这种对单神经元放电模式的深入理解，标志着在神经信号解码方面的一个重要进展，为未来的临床应用提供了理论基础[11]。
5 AI解码神经信号的挑战与未来展望
5.1 数据获取与处理的挑战
在近年来的研究中，人工智能（AI）在神经信号解码领域的应用逐渐受到关注，特别是在处理复杂的生理信号时展现出显著的潜力。然而，解码神经信号面临着一系列挑战，主要集中在数据获取与处理方面。
首先，获取神经信号的过程通常涉及到非线性、非平稳和高度个性化的信息，这使得传统的生理信号分析方法难以有效处理这些复杂的数据。例如，传统方法在处理多模态数据时的局限性，导致信号分析的准确性和实时性不足[12]。AI技术，尤其是深度学习和机器学习的引入，为解决这些问题提供了新的思路。通过深度学习算法，AI能够更好地提取和分类信号，从而提高个性化健康监测和疾病预测的准确性[12]。
其次，数据隐私和算法泛化能力也是AI解码神经信号过程中必须面对的挑战。由于涉及到个人生理数据，如何确保数据的安全性和隐私性是一个重要问题。同时，AI模型的泛化能力，即在不同个体和环境下的适应性，直接影响到解码结果的可靠性[12]。在实际应用中，算法需要能够处理来自不同个体的多样化信号，以实现广泛的适用性。
此外，实时处理能力和模型可解释性也是当前AI解码神经信号的关键挑战。随着数据量的增加，尤其是在图像和生理信号的处理上，如何在保证处理速度的同时保持准确性，是技术发展的重要方向[13]。同时，AI模型的可解释性问题，影响着临床医生对AI系统的信任程度，这在医疗应用中尤为重要。
展望未来，AI在神经信号解码领域的应用前景广阔。随着材料科学、算法优化、芯片技术和多学科协作创新的发展，AI驱动的生理监测技术将不断演进，提供更为精准和个性化的健康解决方案[12]。研究者们需要继续探索和解决上述挑战，以推动AI在神经信号解码中的应用，最终实现对神经系统的更深入理解和更有效的临床应用。
5.2 算法的可解释性问题
本知识库信息不足，建议更换知识库或者补充相关文献。
5.3 未来研究方向
人工智能（AI）在解码神经信号方面展现出巨大的潜力，但其发展面临多重挑战，同时也为未来的研究方向提供了丰富的机遇。神经接口技术，作为神经科技与城市规划交叉的产物，旨在通过记录和解码神经信号，促进大脑与外部设备之间的直接连接，从而实现信息的无缝交流和共享体验。然而，这一领域的发展并不平坦，主要面临以下几个挑战。
首先，材料科学和电化学的复杂性是开发高效神经接口的一大障碍。现有的电极材料在与生物组织的相容性和信号保真度方面存在不足。电生理学的串扰以及电极刚性与组织柔性之间的失配，进一步影响了信号的准确解码和生物相容性。这些问题限制了神经接口的应用效果，尤其是在需要高分辨率记录和刺激能力的植入式接口中[14]。
其次，闭环脑-机接口的应用虽然在情绪调节和认知增强方面显示出前景，但其解码精度和用户界面的适应性仍然有限。这意味着，尽管技术在进步，但在实际应用中，如何提高解码的准确性和实时反馈能力仍是一个亟待解决的关键问题[14]。
未来的研究方向应当聚焦于以下几个方面。首先，开发新型材料和电极设计，以提高信号的传输效率和生物相容性，将是提升神经接口性能的基础。其次，优化算法设计以增强解码的准确性和适应性，这可能包括利用更先进的机器学习和深度学习技术来处理复杂的神经信号。此外，跨学科的合作也是推动这一领域发展的重要因素，结合神经科学、材料科学和计算机科学的力量，有望在神经接口的设计和应用中取得突破[14]。
总之，AI在解码神经信号方面的研究正在逐步深入，尽管面临多重挑战，但其未来的发展潜力巨大，能够为医疗健康及其他领域带来变革性的影响。
6 总结
本文总结了人工智能（AI）在神经信号解码领域的最新进展与挑战。首先，AI通过深度学习和机器学习技术在解码神经信号方面展现出强大的潜力，尤其是在脑电图（EEG）、功能性磁共振成像（fMRI）和单神经元放电模式的解码中取得了显著的成果。这些技术的应用不仅提高了神经信号解码的准确性，还推动了脑机接口和神经科学的前沿研究。其次，尽管AI在解码神经信号方面取得了一定的成就，但仍面临数据获取与处理、算法可解释性、实时处理能力等多重挑战。未来的研究方向应集中于开发新型材料和电极设计、优化解码算法以及加强跨学科合作，以推动神经信号解码技术的进步。通过解决这些挑战，AI有望在神经科学和生物医学技术的应用中发挥更为重要的作用，促进对大脑复杂功能的理解与相关疾病的早期诊断和个性化治疗。
参考文献
- [1] Chellammal Surianarayanan;John Jeyasekaran Lawrence;Pethuru Raj Chelliah;Edmond Prakash;Chaminda Hewage. Convergence of Artificial Intelligence and Neuroscience towards the Diagnosis of Neurological Disorders-A Scoping Review.. Sensors (Basel, Switzerland)(IF=3.5). 2023. PMID:36991773. DOI: 10.3390/s23063062.
- [2] Zhaofei Yu;Tong Bu;Yijun Zhang;Shanshan Jia;Tiejun Huang;Jian K Liu. Robust Decoding of Rich Dynamical Visual Scenes With Retinal Spikes.. IEEE transactions on neural networks and learning systems(IF=8.9). 2025. PMID:38265909. DOI: 10.1109/TNNLS.2024.3351120.
- [3] Jesse A Livezey;Joshua I Glaser. Deep learning approaches for neural decoding across architectures and recording modalities.. Briefings in bioinformatics(IF=7.7). 2021. PMID:33372958. DOI: 10.1093/bib/bbaa355.
- [4] Alice Segato;Aldo Marzullo;Francesco Calimeri;Elena De Momi. Artificial intelligence for brain diseases: A systematic review.. APL bioengineering(IF=4.1). 2020. PMID:33094213. DOI: 10.1063/5.0011697.
- [5] Iago Henrique de Oliveira;Abner Cardoso Rodrigues. Empirical comparison of deep learning methods for EEG decoding.. Frontiers in neuroscience(IF=3.2). 2022. PMID:36704007. DOI: 10.3389/fnins.2022.1003984.
- [6] Boning Li;Jinsha Liu;Tao Zhang;Yang Cao;Jianting Cao. Quantitative analysis and machine learning-based interpretation of EEG signals in coma and brain-death diagnosis.. Cognitive neurodynamics(IF=3.9). 2024. PMID:39555272. DOI: 10.1007/s11571-024-10131-y.
- [7] Jesper Tveit;Harald Aurlien;Sergey Plis;Vince D Calhoun;William O Tatum;Donald L Schomer;Vibeke Arntsen;Fieke Cox;Firas Fahoum;William B Gallentine;Elena Gardella;Cecil D Hahn;Aatif M Husain;Sudha Kessler;Mustafa Aykut Kural;Fábio A Nascimento;Hatice Tankisi;Line B Ulvin;Richard Wennberg;Sándor Beniczky. Automated Interpretation of Clinical Electroencephalograms Using Artificial Intelligence.. JAMA neurology(IF=21.3). 2023. PMID:37338864. DOI: 10.1001/jamaneurol.2023.1645.
- [8] Md Rabiul Islam;Xuyang Zhao;Yao Miao;Hidenori Sugano;Toshihisa Tanaka. Epileptic seizure focus detection from interictal electroencephalogram: a survey.. Cognitive neurodynamics(IF=3.9). 2023. PMID:36704629. DOI: 10.1007/s11571-022-09816-z.
- [9] Sergi Gomez-Quintana;Alison O'Shea;Andreea Factor;Emanuel Popovici;Andriy Temko. A method for AI assisted human interpretation of neonatal EEG.. Scientific reports(IF=3.9). 2022. PMID:35768501. DOI: 10.1038/s41598-022-14894-4.
- [10] Takeo Watanabe;Yuka Sasaki;Kazuhisa Shibata;Mitsuo Kawato. Advances in fMRI Real-Time Neurofeedback.. Trends in cognitive sciences(IF=17.2). 2017. PMID:29031663. DOI: 10.1016/j.tics.2017.09.010.
- [11] Ariel Tankus;Noam Rosenberg;Oz Ben-Hamo;Einat Stern;Ido Strauss. Machine learning decoding of single neurons in the thalamus for speech brain-machine interfaces.. Journal of neural engineering(IF=3.8). 2024. PMID:38648783. DOI: 10.1088/1741-2552/ad4179.
- [12] Jiahao Wan;Shunyuan Xu;Jinzhi Lin;Linhong Ji;Jia Cheng;Zhou Li;Xuecheng Qu;Chong Li. AI-Enhanced Wearable Technology for Human Physiological Signal Detection: Challenges and Future Directions.. Small (Weinheim an der Bergstrasse, Germany)(IF=12.1). 2025. PMID:40990059. DOI: 10.1002/smll.202504078.
- [13] Jorge Valente;João António;Carlos Mora;Sandra Jardim. Developments in Image Processing Using Deep Learning and Reinforcement Learning.. Journal of imaging(IF=3.3). 2023. PMID:37888314. DOI: 10.3390/jimaging9100207.
- [14] Shumao Xu;Yang Liu;Hyunjin Lee;Weidong Li. Neural interfaces: Bridging the brain to the world beyond healthcare.. Exploration (Beijing, China)(IF=22.5). 2024. PMID:39439491. DOI: 10.1002/EXP.20230146.
麦伴智能科研服务
在麦伴科研 (maltsci.com) 搜索更多文献
人工智能 · 神经信号解码 · 深度学习 · 脑机接口 · 神经工程
© 2025 MaltSci 麦伴科研