Nature Portfolio（Brain–machine interface）·· 2026-04-29AI 评分62
浙江大学 Yaoyao Hao 团队提出低功耗差分特征 MAND，用于高性能皮层内脑机接口
Low-power differencing feature extracts spiking-band activities for high-performance intracortical brain-computer interfaces
AI 导读
浙江大学 Yaoyao Hao 团队提出 MAND 特征，用带延迟的差分运算直接从原始神经信号中提取放电频段活动，省去传统方法所需的高通或低通滤波。研究在人体、非人灵长类和啮齿类共五个数据集上验证，MAND 在书写、伸手和抓握等任务中的解码表现优于 SBP、ESA 和 TCR，其扩展版本 eMAND 通过加权组合两次差分进一步提升频谱精度。
AI 要点
团队
浙江大学脑机智能全国重点实验室，末位作者 Yaoyao Hao；属于长期专攻脑机接口、与医院有长期临床合作的团队
主要结果
提出 MAND（n 阶差分均值）特征，在全部多个皮层内数据集上解码性能一致优于现有方法，计算复杂度显著更低
解决什么问题
现有 SBP、ESA 等尖峰频段特征需高通或低通滤波，在 MCU、FPGA 等植入式通用嵌入式硬件上开销大
方法
用 5 个数据集（人、非人灵长类、啮齿类）的皮层内记录，分析尖峰频谱并系统表征、优化差分操作及其变体用于复杂运动解码
局限
从研究设计看，为离线数据集上的解码性能比较，未涉及在体植入硬件的实时验证
AI 依据原文整理，未经人工核对。
来源：Nature Portfolio（Brain–machine interface） · nature.com