Nature Portfolio（Neural decoding）·· 2026-09-10精选AI 评分62
Nature Computational Science 研究：深度学习模型从颅内脑活动实时解码情绪
Deep learning models enable high-performance, real-time emotion decoding from intracranial brain activity
AI 导读
一项发表于 Nature Computational Science 的研究通过整合灰质与白质的颅内神经信号，构建个性化深度学习模型，在图像和视频观看任务中解码连续的情绪效价与唤醒度。模型可跨任务泛化，并识别出情绪编码的脑内子网络，实现低延迟实时解码，作者称这使情感脑机接口更接近可用于闭环治疗。该文为 Research Briefing，原始研究由 Yang 等人完成。
AI 要点
团队
通讯作者 Yang Y. 等（原文仅列 Yang, Y. et al.），机构未在材料中写明
主要结果
个性化深度学习模型可跨图像与视频观看任务解码连续效价与唤醒度，并实现低延迟实时解码，还揭示了情绪编码脑亚网络。
解决什么问题
面向情感脑机接口，推动其接近可用于闭环治疗。
方法
整合灰质与白质的颅内神经信号（颅内 EEG），训练个性化深度学习模型进行解码。
局限
从研究设计看，为 Research Briefing 摘要，未给出受试者数量与对照设置；原文未提及。
AI 依据原文整理，未经人工核对。
AI 推荐理由
研究把灰质与白质的颅内信号一起纳入解码，并给出跨任务泛化与低延迟实时解码的结果，可供比较不同颅内情绪解码路线。
来源：Nature Portfolio（Neural decoding） · nature.com