面向多无人机集群编队控制双向 BCI 的协同自适应混合神经编码与类神经形态解码

基于摘要分析。本文针对 EEG 控制多无人机集群时单向 BCI 的信号不稳定、用户疲劳及离散指令自由度受限问题，提出 Co-Adaptive Hybrid Neural Encoding（CAHNE），在类神经形态双向自适应 BCI 框架中结合离散编队意图识别、连续运动参数映射及闭环反馈。 方法将高层编队意图，如悬停、分裂、分散和聚合，通过 Hierarchical Attention-weighted Common Spatial Pattern（HA-CSP）提取器进行离散分类；将速度偏移、角度偏差和机间距离等低层参数，由频谱梯度特征经在线自适应神经映射函数连续输出，更新采用 Hebbian-inspired 可塑性规则。触觉与增强现实（AR）提示构成双向反馈，旨在共同调整编码器参数与用户的神经适应。控制端结合基于图的 Model Predictive Control（MPC）集群规划器及避碰约束。摘要提及已有忆阻器双向自适应 BCI 工作，但未明确本系统是否采用忆阻器硬件，不能将类神经形态机制等同于硬件实现。 作者报告，在 10 名被试、4 架无人机的 OpenBCI + Crazyflie 平台实验中，平均四分类 Accuracy 为 92.3%，连续参数映射相关系数为 r = 0.87，混合 ITR 为 38.6 bits/min，平均指令延迟为 237 ms。相较传统纯离散编码基线，作者报告集群任务完成率提高 31.2%，碰撞率降至 3.5% 以下；摘要未说明完成率提升的具体计算口径，不能改写为百分点增益。 主要待核对事项包括 EEG 采集与任务诱发方式、被试内或跨被试划分、在线校准与测试流程、连续参数的参考值及相关性计算方式、混合 ITR 定义、延迟统计边界，以及碰撞率的分母与场景条件。实验协议、消融及统计信息尚未验证；特别需区分混合编码、反馈引导、编码器在线更新和 MPC 规划各自的贡献。摘要也不足以确认用户疲劳改善、长期神经适应或更大规模集群的可扩展性，所报告的避碰结果不能直接推广为一般安全保证。全文、实现细节及代码可用性尚未验证。