用于实时电磁波调控的非侵入式智能脑控超表面系统
基于摘要分析。该研究探索如何将非侵入式 BCI 与可重构超表面集成，把运动想象 EEG 和眼部活动转换为电磁波控制指令，贡献主要是神经信号解码与电磁执行硬件的系统级联动，而非摘要已证实的通用 EEG 解码算法改进。 系统采用基于卷积神经网络的运动想象 EEG 解码，并结合基于阈值的眼电图（EOG）指令识别，再通过 FPGA 驱动的双极化可重构超表面执行控制。因此，该系统是结合 EEG 与 EOG 的混合输入架构，不宜将全部控制能力归于 EEG。摘要展示了三种工作模式：极化不变的波束偏转、波束转向与极化转换联合控制，以及通过随机相位编码实现宽带雷达散射截面（RCS）降低。 作者报告，在 +20° 波束转向角条件下，峰值增益为 18.54–19.29 dBi，3 dB 波束宽度为 12°–15°；在 3.7–3.85 GHz 频段内，RCS 降低超过 10 dB。这些指标描述电磁执行端性能，不等同于 EEG 分类 Accuracy、信息传输率（ITR）或端到端控制效率。 摘要未提供被试数量、运动想象类别、EEG 采集与预处理、训练及测试划分、解码指标、误触发率和端到端延迟；实验协议、消融及统计信息尚未验证。阅读全文时需核对 EEG 与 EOG 各自承担的控制功能、在线闭环评估流程，以及信号识别和硬件响应对总延迟的贡献。作者将结果解释为脑控电磁调控的可行性展示；其在自适应无线通信、沉浸式虚拟环境及辅助技术中的实际效益仍需相应场景验证。
阅读价值：值得阅读其将运动想象 EEG 解码、EOG 指令识别与可重构超表面执行端连接的系统实现，但摘要中的电磁性能尚不能替代对 BCI 解码准确率、控制延迟及跨被试可靠性的验证。