BCI 科研日报 · 2026 年 10 月 15 日 · 星期四
BCI RESEARCH RADAR
常数深度有理权重 GNN 及其与 Schanuel 猜想的联系
基于摘要分析。本文研究常数深度 GNN 在仅使用有理权重时，能否达到 1-dimensional Weisfeiler-Leman（1-WL）测试的表达能力。作者给出以超越数论中的未解问题 Schanuel 猜想成立为前提的构造，并建立特定扩展设置下的部分逆向联系；主要贡献属于图模型表达能力理论，而非 EEG 或 BCI 解码方法。 作者报告，在 Schanuel 猜想成立的条件下，其 GNN 构造能够匹配 1-WL 的表达能力，权重甚至可取整数，也适用于较广范围的有理权重；激活函数可采用 logistic sigmoid、hyperbolic tangent 或相关函数。构造对所有图规模统一适用，但摘要未提供具体深度、隐藏维度、聚合算子及表达能力判定的完整定义，不能据此推断模型计算成本或实际训练可行性。 部分逆向结果针对允许图中存在特定辅助顶点的、表达能力稍强的设置：若以 exponentiation、hyperbolic sine 或 hyperbolic cosine 为激活函数的 GNN 能匹配 1-WL，则可推出限定于该 GNN 计算中所出现数值的 Schanuel 猜想。该结论并不等同于证明完整的 Schanuel 猜想，也不能直接推广到所有激活函数与普通图设置。 作者报告实验中所构造的 GNN 能够匹配 1-WL，但摘要未给出图集合、测试范围、比较指标或计算精度。实验协议、消融及统计信息尚未验证；复现时尤其需要核对精确数学运算与有限精度实现之间的关系。摘要未建立 EEG 图结构与该构造的具体机制对应，因此暂不提出 BCI 迁移或复现实验建议；已有 EEG 相关工作尚未检索确认。
arXiv · 架构与算子一手原文 表征学习与基础模型
arXiv · 其他神经模态一手GeoNIRS：面向异构 fNIRS 表征学习的几何感知预训练
基于摘要分析。该研究针对 fNIRS 数据集之间通道数、探头布局、信号分布及任务类型差异导致的联合预训练困难，提出几何感知框架 GeoNIRS。其核心贡献是以光源与探测器位置建立共享空间参考，将不同大小的通道集合压缩为固定大小的潜在表征，并结合 HbO/HbR 双向交叉重建与连续时间掩码开展预训练。 机制上，GeoNIRS 显式利用物理通道几何，而不只依赖各数据集的通道排列。HbO/HbR 分别对应氧合与脱氧血红蛋白，交叉重建旨在利用两类血流动力学信号之间的关联学习表征。摘要未提供具体编码器结构、几何编码方式、重建损失形式、掩码比例及潜在表征大小，这些实现细节尚未验证。作者声称，这是首个在异构通道配置联合预训练中显式建模物理通道几何的 fNIRS 框架；该优先性主张尚未独立检索确认。 预训练与评估方面，GeoNIRS-base 使用八个异构数据集，GeoNIRS-large 扩展至 22 个数据集。作者说明预训练不使用下游数据或标签，并在严格跨任务设置下评估八个留出任务，覆盖临床与听觉评估、疼痛与情感加工、语义解码及运动功能。具体数据集名称、被试数量、下游划分及是否同时满足跨被试、跨会话或跨数据集条件，摘要未明确，不能将跨任务协议等同于这些设置。 作者报告，在上述留出任务评估中，GeoNIRS 的任务平均 Balanced Accuracy 高于所比较的传统机器学习、fNIRS 专用、通用时间序列及 fNIRS 预训练基线。相较随机初始化，预训练在线性探测下使平均 Balanced Accuracy 提高 4.12 个百分点，在全量微调下提高 3.30 个百分点，且标签稀缺时收益更大。作者还报告模型对输入通道缺失具有鲁棒性，几何扰动与预训练消融支持通道几何和跨血红蛋白重建均对表征有贡献；绝对分数、缺失通道比例、消融幅度及统计不确定性尚未验证。 复现价值主要在于检验空间几何对异构 fNIRS 数据整合的作用，以及预训练收益能否在一致的下游协议下重现。作者称提供完整源代码和可下载预训练检查点，但材料未给出对应地址，实际可用性尚未核验。上述结果属于 fNIRS 表征学习证据，不直接证明在线 BCI 效用。
arXiv · 多模态与生成机制一手GreenWAM：面向机器人的世界基础模型
基于摘要分析。GreenWAM 研究同一个机器人世界模型能否同时承担动作条件下的场景预测与控制策略生成，并跨不同机器人形态使用。其贡献是将共享动作表示、多模式联合训练和从生成器中分离动作专家的策略适配组合成一套训练与适配方案。 核心机制包括：以共同关节坐标构建共享解剖动作空间，覆盖双臂机械臂至灵巧人形机器人等 20 个机器人家族；联合训练 visual、action-conditioned 与 world-action 模式；策略端从生成器分离动作专家。摘要未提供各模式的输入输出定义、网络结构、损失函数及训练数据规模，这些细节尚未验证。 作者报告，在 WorldArena 1.0 的轨迹、深度与 3D 精度评估中，GreenWAM 优于其比较范围内的所有 world-action 模型与视频生成器；作为策略，在 RoboTwin 2.0 排行榜处于前列，在所比较方法中取得最高的零样本 LIBERO-plus 成功表现，并在 CALVIN 与 LIBERO 上与专用 vision-language-action 和 world-action 策略具有竞争力。作者还报告，在真实人形机器人适配中，其成功表现优于由 π₀.₅ 和 Cosmos 3 Edge 适配的策略，并可蒸馏为用于实时控制的单步策略。摘要未给出具体分数、任务划分、试验次数、控制延迟或统计不确定性，不能据此量化优势或跨协议比较。 作者报告的受控实验结论是：机器人专门化可同时改善世界预测与控制；在适配开始时分离动作专家有帮助；策略适配期间保留世界模型模式有助于维持对场景变化的鲁棒性。复现需核对共享动作空间的映射规则、预训练与适配数据、专家分离时机、模式混合方式及蒸馏配置；实验协议、消融及统计信息尚未验证。 研究的直接对象是机器人视觉、动作与控制，而非神经信号。其共享关节坐标与动作条件预测机制依赖机器人动作及场景数据，摘要未建立其与 EEG 解码瓶颈的具体对应关系，因此不据此提出 BCI 迁移实验。已有 EEG 相关工作尚未检索确认。
学习策略与优化
arXiv · 多模态与生成机制一手物理信息生成模型中分布偏差的刻画与缓解
基于摘要分析。本文研究物理信息生成模型中物理约束满足与数据分布保真度之间的冲突，核心贡献是分析残差正则化可能引发的分布偏差，并提出以干净训练样本为锚点的惩罚方法。主要研究对象是带残差正则化的扩散模型，而非 EEG 或 BCI 解码模型。 这类模型在数据拟合目标之外加入物理残差惩罚，但更小的残差不必然意味着生成分布更接近真实数据。作者指出两种可能后果：其一，相同预测误差在不同可行状态附近产生不同残差代价，使模型偏向残差敏感度较低的状态，称为 avoidance；其二，这种偏好可能延伸至数据支持集之外、但物理残差同样为零的可行状态，称为 leakage。此处 leakage 指生成分布向数据支持集之外偏移，不是训练与测试数据泄漏。 提出的 data-anchored penalty 使用干净训练样本处的残差 Jacobian 对预测误差加权，并对所得幅度进行归一化。作者称，这能去除模型向低残差敏感度状态迁移的激励，且不改变模型架构或采样流程。具体损失公式、归一化方式、Jacobian 的计算开销及适用条件尚未验证。 作者报告，在一个受控合成系统、三个 PDE 系统，以及采用 flow matching 的分子过渡态生成任务上，锚定方法体现出收益。摘要未提供具体指标、提升幅度、数据划分和对照基线，因此不能据此判断不同任务上的效果大小或稳定性；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核对。 平台推测（待验证）：若 EEG 生成或逆问题方法同样采用可微物理残差正则化，本文的敏感度偏置分析可能具有参考价值；但原领域结果不等于 BCI 有效性，低信噪比、物理模型误差和跨被试差异可能影响锚定点的可靠性。相关 EEG 工作尚未检索确认，当前不据此提出已验证的迁移结论。
arXiv · 泛化与分布偏移一手超越规划：控制在环的可微端到端自动驾驶
基于摘要分析。本文研究端到端自动驾驶中轨迹规划与车辆控制之间的梯度断裂问题，提出 DIVA（Differentiable Identified Vehicle dynamics for end-to-end Autonomous driving），将辨识得到的执行器级车辆模型嵌入训练，使感知网络能够通过车辆状态反馈接受端到端优化。研究对象是自动驾驶闭环控制，不是 EEG 解码或 BCI。 核心机制包括：以学习式控制解码器替代外部手工调节的跟踪控制器，使用动力学滚动预测的车辆状态进行监督，绕开粗采样专家控制输入标签造成的混叠；以速率一致的控制输入参数化协调高频控制与低频重规划。作者报告，该设计支持异步执行，控制独立运行周期为 3.8 ms，但摘要未交代相应硬件与计时条件。此外，on-policy 重新辨识用于应对训练时分布偏移，在线扰动观测器用于应对部署时车辆模型失配。 作者报告，在闭环 Bench2Drive 评估中，DIVA 的 driving score 为 86.7，比摘要所称的广泛采用的先进方法高 3.3 分，同时平均 jerk 接近减半、制动切换减少 64%；对照方法名称和具体配置尚未验证。作者还报告，在部署车辆模型显著失配时保持更好的路径跟踪精度，但摘要未给出失配幅度及对应误差指标。实验协议、消融及统计信息尚未验证，亦需核对动力学辨识数据、状态监督来源及在线更新条件。 平台推测（待验证）：若用于 BCI 驱动的机器人或辅助设备闭环控制，可借鉴的机制是“可微执行器动力学—状态监督—在线失配补偿”，而非直接迁移车辆控制模型。该假设依赖可观测设备状态、可辨识动力学及足够的闭环数据；需替换感知输入与设备模型，并处理 EEG 低信噪比、跨被试变化、通道变化、小数据和解码延迟带来的不稳定性。可先在固定 EEG 解码器的仿真设备控制中，对比外部跟踪控制器与可微控制解码器，在相同指令及预设动力学扰动下测量跟踪误差和控制平滑性，以检验机制是否有益；已有 EEG 相关工作尚未检索确认。
arXiv · 泛化与分布偏移一手DT-LoRA：突破低秩适配的切空间限制
基于摘要分析。本文研究计算机视觉与自然语言处理任务中 LoRA 相对全量微调的性能差距，从切空间视角分析低秩因子更新未利用的梯度分量，并提出 Dynamic Tangent LoRA（DT-LoRA），在固定秩预算内捕获主要残差梯度方向。 核心机制：作者将因子化更新描述为受限于当前低秩因子的切空间。作者报告，对十种代表性 LoRA 变体的分析发现，切空间外的残差分量占据大部分梯度能量，且具有较强的谱集中性。DT-LoRA 将固定秩预算分配给稳定分支和动态分支，由动态分支捕获主要残差梯度方向。摘要称，这些方向在正交补与秩约束下构成局部二次模型的最优更新；方法利用无需显式构造残差梯度矩阵的随机化 SVD 恢复这些方向，再通过受控写回保留累积更新，并在分配的秩内稳定训练。具体推导条件、方向更新频率及写回规则尚未验证。 结果与复现：作者报告，在计算机视觉和自然语言处理任务中，DT-LoRA 相对 LoRA 及其变体取得一致改善，并在语义分割的开放词汇域泛化任务中超过任务专用方法，达到作者所称的 SOTA。摘要未提供具体数据集、划分、基线配置或指标数值，实验协议、消融及统计信息尚未验证。作者称其相对 LoRA 不增加可训练参数或推理成本，但这不等于训练计算与显存开销不变，随机化 SVD 和写回的实际代价需核对正文。摘要提供了代码地址，代码可运行性尚未验证。 平台推测（待验证）：若 EEG 基础模型的低秩适配也存在显著且谱集中的切空间外梯度，动态方向恢复可能帮助缓解受限更新空间造成的适配瓶颈。可复用的是低秩预算分配与残差方向估计，需按 EEG 模型的可适配权重及监督任务调整；低信噪比、被试差异、通道变化和小样本可能使估计方向不稳定或过拟合。一个可检验的小实验是在固定 Cross-subject 划分、相同秩预算及训练设置下比较 LoRA 与 DT-LoRA，同时测量残差谱、任务指标和训练开销，检验机制与收益是否同时出现。已有 EEG 相关工作尚未检索确认。
arXiv · 学习目标与优化一手基于 Frequent Directions 的高效预条件优化方法
基于摘要分析。本文研究自适应优化中维护预条件矩阵带来的大规模计算开销，利用矩阵草图技术 Frequent Directions（FD）构造高效预条件器，并提出 FTSL、FTSL-Shampoo 及其低成本变体；主要贡献涉及在线优化的遗憾界分析，以及向离线随机凸优化的扩展。 核心机制方面，FTSL 在原始—对偶框架下将 FD 与自适应次梯度方法结合，并补回 FD 丢弃的累积信息。作者报告其遗憾界比已有最先进结果更紧；进一步使用 doubling trick，在维持相同遗憾保证的同时降低时间复杂度。摘要未给出补偿公式、草图大小、适用假设及复杂度表达式，具体保证尚待全文核对。 对于矩阵值决策变量，作者利用其结构构造草图预条件器，将 FD 引入 Shampoo，形成 FTSL-Shampoo，并在原始—对偶框架下提供分析。作者还在镜像下降与原始—对偶两种框架下设计单侧变体，报告相较 FTSL-Shampoo 降低计算成本并获得更紧的遗憾界。方法进一步扩展至离线随机凸优化，利用光滑性获得更快收敛率；这些理论结果不能直接等同于非凸神经网络训练保证。 实证方面，作者报告实用变体在多类任务上具有计算效率与有效性，但摘要未列出任务、数据集、对照基线、指标或具体数值。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未确认。 平台推测（待验证）：若 EEG 模型训练中的矩阵预条件开销确为瓶颈，可考虑复用 FD 草图与单侧预条件机制，并针对参数矩阵形状及梯度统计调整实现。其依赖的是优化梯度及矩阵结构，而非 EEG 特定监督；低信噪比、跨被试梯度差异和小数据可能使草图保留的信息不足，成本下降也未必带来泛化收益。一个可检验的小实验是在固定 EEG 任务、模型、被试划分和训练预算下，对比 Shampoo 与相应草图变体，记录峰值内存、每步耗时、收敛曲线及同一协议下的任务指标。已有 EEG 相关工作尚未检索确认。
泛化、迁移与自适应
arXiv · 泛化与分布偏移一手未知时刻分布偏移的监测：无超参数条件共形鞅
基于摘要分析。本文研究序列数据中发生时刻未知的分布偏移检测，重点解决检测器经历长期平稳期后对变化适应缓慢的问题。作者提出无超参数的条件共形检验鞅方法，以重启通用投资组合及随时间分配财富的重尾机制实现快速适应，并提供误报控制与检测延迟的理论保证。 核心机制是使用固定参考数据集构建条件共形检验鞅，避免测试时样本污染参考数据；再将带惩罚的下注问题转化为三资产市场中的投资组合选择。摘要将既有方法的适应迟缓与在线优化中的平滑、截断及其他超参数联系起来，新方法则通过重启通用投资组合处理未知偏移时刻。具体下注函数、重启规则和财富分配公式尚未验证。 作者报告，该方法具有任意时刻误报控制，并在可检测备择条件下获得最优的有限样本检测延迟界；这些保证所依赖的分布条件、可检测性定义及最优性比较范围需核对全文。对于 T 轮投资组合序列计算，作者给出的 FFT 实现时间复杂度为 O(T² ln T)，朴素实现为 O(T³)。作者报告，合成与真实数据实验表明，该方法在长期原假设样本之后仍能快速适应，检测延迟对偏移发生时刻的依赖显著弱于既有基线。摘要未提供具体数据集、基线名称、实验数值或误报水平，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于 EEG 在线监测中长时间稳定运行后出现的信号分布变化，但原论文研究的是通用序列分布偏移检测，并非 BCI 解码。迁移假设依赖于能够用固定参考数据构造满足理论条件的条件共形检验量；可复用的是下注、重启与财富分配机制，需改造的是 EEG 特征、参考集及校准流程。低信噪比、时间相关性、通道变化和跨被试差异可能削弱检验有效性或导致非任务相关告警，小参考集也可能限制可检测性。可先在具有稳定段和预设偏移时刻的 EEG 序列上，在相同参考集与误报水平下比较不同稳定段长度对应的检测延迟，并核对经验误报率。已有 EEG 相关工作尚未检索确认。
多模态与生成模型
arXiv · 多模态与生成机制一手对齐还是不对齐：训练前先检查 COMPASS
基于摘要分析。本文研究预训练模型在跨模态对齐或模型合并前的兼容性预测问题，提出 COMPASS（COMPatibility ASsessment Score），旨在减少必须完成对齐或合并后才能判断效果的昂贵试验。 核心机制是以表征的局部邻域一致性为依据，将兼容性拆分为两个计算成本较低的维度：模型对层面的 ease，以两个编码器的 k-NN 邻域重叠度定义；训练范式层面的 ceiling，描述相应训练范式所允许的最大重叠度。作者据此对候选模型对排序，并区分优先训练、追加计算、调整预训练范式及降低优先级等策略。摘要尚未说明 ceiling 的具体估计方法、邻域计算所用数据与距离度量。 作者报告，在 72 个跨模态对齐实验和 392 个 task-arithmetic 模型合并实验中，COMPASS 的兼容性估计与下游成功程度相关，平均 Pearson 相关系数分别为 0.91 和 0.70。这些结果反映对应实验集合中的相关性，不等同于模型性能提升，也不能直接视为未见模型或任务上的预测保证。具体模型、数据集、划分、对照、消融及统计信息尚未验证。 平台推测（待验证）：若候选 EEG 编码器能在同一批样本上提取表征，局部邻域重叠度可能用于筛选待对齐或合并的模型对；跨模态应用还依赖可对应的样本。可复用部分是邻域一致性诊断，需改造并验证的是 EEG 训练范式的 ceiling 估计及其与目标任务表现的关系。低信噪比、被试差异、通道配置变化和小样本都可能使邻域结构不稳定。一个可证伪的小实验是：固定表征诊断数据及对齐预算，先对候选 EEG 模型对计算诊断量，再检验其排序能否预测独立评估集上的对齐表现，并分别检查被试内与跨被试条件。已有 EEG 相关工作尚未检索确认。
传统信号处理与机器学习
arXiv · 学习目标与优化一手测度神经映射
基于摘要分析。本文研究概率测度上的算子学习，提出 measure neural mappings（MNMs，测度神经映射），将依赖测度的神经输运与集合一致性结合起来。集合一致性要求：从输入概率律采样的集合规模增大时，模型输出依概率收敛到指定的总体输出。 理论核心是在强次高斯及尾部可积性假设下，为非紧支撑概率律上的 attention 建立定量连续极限，以覆盖 Bayesian inference 和 uncertainty quantification 等科学机器学习中的无界状态空间。作者报告，对固定 self-attention transformer，期望输出 Wasserstein 误差可由经验输入 Wasserstein 误差及额外的 N^{-1/2} attention 项控制；这不意味着总体误差在所有维度下均以 N^{-1/2} 衰减。pre-norm 架构的论证依赖归一化后的紧致稳定性，post-norm 架构则由所述尾部条件覆盖。 作者还给出 cross-attention 的对应估计，并将结果扩展到 multihead attention 和分组 transformer 求值，后者随组规模增大而收敛。对作为测度到向量映射的 Set Transformers，作者报告在所述假设下，期望欧氏输出误差具有 N^{-1/2} 上界。实验涵盖七个算子及 d=1、2、3、5、10 的维度设置，使用一维 Wasserstein 计算与高维 Sinkhorn 近似；作者报告观测到的 Wasserstein 和 sliced Wasserstein 衰减率接近各自的理论采样基准。具体算子、采样协议、对照、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务将多个试次表示为经验分布，该机制可能用于研究集合编码器对试次数变化的稳定性。可复用的是集合 attention 与测度到向量映射，需改造的是 EEG 特征表示及采样建模；时间相关性、跨被试分布变化、低信噪比和重尾伪迹均可能使理论假设不成立。一个可检验的小实验是固定被试内编码器，从独立留出的试次池反复抽取不同规模集合，测量输出相对大集合参考的偏差随规模的变化；该参考不等于真实总体输出。已有 EEG 相关工作尚未检索确认。
arXiv · 泛化与分布偏移一手通过 Monitoring-by-Betting 学习检测非结构化数据流中的分布偏移
基于摘要分析。本文研究生成式 AI 系统输入与输出的非结构化数据流监测，提出 Monitoring-by-Betting，以 testing-by-betting 将序贯变点检测转化为下注过程，在持续学习偏移方向的同时维持统计有效性。主要贡献是提出 asymptotic e-detectors，并结合嵌入学习和 LLM 概念生成构建自适应监测策略。 核心机制：预先固定差异度量会形成敏感性与覆盖范围的权衡；针对预期偏移设计的度量可能遗漏意外变化，宽泛度量则可能降低检测敏感性。方法随观测更新假设的偏移方向，即 witness function，并以大小为 m 的校准集近似变化前分布。作者给出的理论结论是：随着 m 增大，误报前平均运行长度得到渐近控制；这不等同于任意有限校准集下的精确保证。具体下注规则、更新时序及理论假设尚未验证。 作者报告：实验中，小至 m=30 的校准集也能提供有效控制；在三个真实世界数据集上，包括临床 AI 记录助手部署数据，自适应监测器在相同误报水平下比固定监测器更快发现偏移。当真实偏移稀疏且可解释时，LLM 概念监测器检测最快、解释性最好，并可辅助复杂偏移的根因诊断。摘要未给出数据集名称、检测延迟数值或误报水平，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其自适应 witness function 可能用于 EEG 跨会话或跨被试的特征分布监测，但原研究并非 BCI 验证。该迁移假设依赖代表性的变化前校准数据及可学习的偏移特征；可复用下注与序贯监测框架，需改造 EEG 表征、校准流程及时间依赖处理。低信噪比、通道变化和小校准集可能使监测器将伪迹当作任务相关漂移；LLM 概念模块也未必适合连续 EEG。可先在保留时间顺序的 EEG 跨会话数据上，对比自适应与固定 witness function，在匹配误报前平均运行长度的条件下测量检测延迟，并核对对任务相关变化与伪迹的区分能力。已有 EEG 相关工作尚未检索确认。
数据、代码与研究综述
arXiv · 多模态与生成机制一手SEAR：自演进智能体机器人学
基于摘要分析。该研究以机器人控制为主要对象，提出 SEAR（Self-Evolving Agentic Robotics）框架与基准，考察语言模型智能体是否通过保留技能与记忆获得持续改进，而非仅靠增加尝试次数提高成功机会，并检验所学经验能否迁移至新任务、新模拟器和真实机器人。 框架包含三种模式：code-as-policy，由智能体生成控制代码作为策略；agent-as-policy，由智能体直接参与实时控制循环；auto-research，由智能体充当研究者，微调 vision-language-action 模型。基准设置旨在区分保留经验的作用与重复尝试、熟悉任务、特权模拟器状态、更大预算及偶然性等因素。具体记忆更新机制、微调目标及控制条件尚未验证。 作者报告，评估覆盖七个前沿语言模型、330 个模拟任务和五个实体机器人任务，累计智能体运行时间超过四年。作者报告，学习曲线同时取决于总时间预算及任务难度相对于模型能力的高低：较难任务更能受益于较长运行时段，较容易任务中，反复启动短时尝试可取得相近表现。作者还报告，控制代码与共享例程能够跨任务、跨模拟器迁移，但任务特定解法不能；在真实机器人上，智能体设计的练习场景与新的人类设计场景之间存在表现差距。摘要未提供这些差异的具体指标与效应大小。 作者报告，不同模型适合不同演进模式，部分更擅长实时行动，另一些更擅长先编写代码；一个纯文本模型的表现可与可比的多模态模型相当。作者据此认为，感知有助于错误评估，但智能体推理与工具使用可能更重要；这一解释不能扩展为感知在机器人任务中普遍不重要。 作者声明发布基准与代码库，但具体获取方式、模型配置、预算匹配、任务划分、消融及统计信息尚未验证。材料未提供 EEG/BCI 实验或具体神经信号机制对应关系，因此不据此推断 BCI 有效性，也不提出神经信号迁移实验。