文献速递
如果有一天，机器能实时"读懂"你此刻是平静还是焦虑、是愉悦还是低落，而且细到能分辨情绪的层次，你会不会隐隐有点发怵？但浙大团队确实刚通过侵入式脑机接口，把它往前推了一大步。
近期，浙江大学杨雨潇研究员、王跃明教授团队在《Nature Computational Science》发了篇论文：Cross-task, explainable and real-time decoding of human emotion states by integrating gray and white matter intracranial neural activity（通过整合灰质与白质颅内神经活动，实现跨任务、可解释、实时的情绪状态解码）。
情绪解码，一直是块硬骨头
全球超10亿患者受抑郁等精神疾病困扰，但精神疾病的神经调控治疗仍面临症状波动复杂、神经标志物不明确、刺激作用机制尚不清晰等挑战。侵入式脑机接口治疗精神疾病仍处于探索阶段。
侵入式脑机接口需要怎样的情绪解码？临床可用的情绪解码模型至少需要满足四个条件。
模型需具备高性能，情绪相关神经活动分布广泛，需突破传统上只使用灰质信号的限制。
模型需具备跨场景泛化能力，捕捉不同诱发方式下的共同脑状态。
模型要可解释，明确支撑解码的脑信号空间、时间和频域信息。
模型要能在线实时运行，满足闭环调控等应用需求。
图1. 侵入式脑机接口实现细粒度、跨任务、可解释、在线动态的人类情绪解码
他们具体干了什么
三件事。
一是纳入22名因临床诊疗需求植入 SEEG 电极的药物难治性癫痫受试者，其中18名数据用于离线解码分析，4名参加在线实时解码。
二是受试者观看图片和视频，完成情绪诱发任务，并在每个试次后自评情绪效价和唤醒分数。同步记录颅内脑电，电极广泛覆盖边缘系统、皮层、皮层下结构以及白质纤维束。形成了约90小时颅内脑电记录、3000个情绪标签的大规模、高质量颅内情绪解码数据集。
三是每位受试者分别训练个体化解码模型。模型性能主要通过试次独立的交叉验证相关系数（cvCC）和交叉验证决定系数（R²）评估。
图2. 个体化深度学习情绪解码模型
结果有多强
细粒度：灰白质信号融合显著提升情绪解码性能，在视频任务中，群体层面的效价解码交叉验证cvCC达到0.70， R² 达到 0.49，较现有 EEG 和 SEEG 情绪解码模型的平均水平提升一倍以上（R²=0.21）； 
图3. 高性能解码- 跨任务：跨任务模型可作为预训练模型，通过少量目标任务数据快速微调，模型可识别与情绪维度相关的可迁移神经表征；
- 可解释：为了让解码模型不仅“能预测”，也“能解释”，研究团队进一步分析了哪些脑区和白质纤维束最关键。结果显示，约4个关键脑区即可接近全脑区性能，提示少量关键脑区可支持较高性能的情绪解码。
图5. 情绪维度的共享与偏向编码
- 在线动态：研究团队建立在线脑机接口系统：前一天通过离线实验训练个体化模型，第二天接入实时颅内脑电数据流，并在在线任务中实时输出解码结果。系统平均延迟仅376毫秒，4名受试者的在线解码性能均与离线训练相当、且显著高于随机水平。
为什么这件事重要
它给"用侵入式脑机接口治疗精神疾病"提供了一个技术底座。情绪能被精准、实时地监测和解读，意味着未来的闭环神经调控，比如检测到负面情绪波动就介入，有了可靠的信号入口。这也是继清华、北脑等团队之后，侵入式脑机接口在精神健康领域落下的又一枚关键子——方向正从运动功能修复，往“读心”“调情绪”延展。对全球约30%对药物反应不佳的难治性抑郁患者而言，这意味着未来或许不再只能靠反复试药，而可能由一套能实时读懂情绪的闭环系统来接管干预时机。
作者信息
通讯作者：杨雨潇研究员、王跃明教授（浙江大学），共同通讯朱君明、胡少华主任医师；第一作者杨雨潇、陈文君。据浙大双脑中心官方通稿整理。
信息来源：
论文原文：https://www.nature.com/articles/s43588-026-01021-w｜综合浙大双脑中心官方通稿及论文原文撰写，版权归原作者所有。
来源：本文来源于“脑机科研站”，仅用于学术资讯分享，如有侵权请联系管理员删除。
原文链接：
脑机接口产业联盟作为脑机接口的合作与促进平台，着力聚集产业界各方资源，共同致力于推进脑机接口产业发展、需求与架构、标准、产品、解决方案及应用推广，形成良好的合作氛围及协作机制，围绕产业链，协调组织关键问题研究和核心技术攻关，促进产业生态繁荣，为中国及全球脑机接口产业发展提供必要支撑。
加入方式
关注脑机接口产业联盟公众号，菜单栏获取联盟加入申请表格，材料齐全后发秘书处。
欢迎业界积极参与联络，联系邮箱：bcia@caict.ac.cn。
（扫码获取加入联盟的申请材料）
