OmniNeuro：面向可解释 BCI 反馈的多模态 HCI 框架
人工智能
2026-01-06 v1
摘要
尽管深度学习已显著提升脑机接口（BCI）解码准确率，但其“黑箱”特性阻碍了临床应用，导致用户挫败感和神经可塑性不良结果。我们提出 OmniNeuro，一种新型 HCI 框架，将 BCI 从静默解码器转化为透明的反馈伙伴。OmniNeuro 集成三种可解释性引擎：（1）物理（能量）模型、（2）混沌（分形复杂度）模型、以及（3）量子类不确定性建模。这些指标驱动实时神经声学化（Neuro-Sonification）和生成式 AI 临床报告。经在 PhysioNet 数据集（）上评估，系统平均准确率达 58.52%，定性小规模研究（）确认，可解释反馈有助于用户调节心理 effort，显著缩短“试错”阶段。OmniNeuro 对解码器agnostic，作为任何前沿架构的必需可解释性层。
引用
@article{arxiv.2601.00843,
title = {OmniNeuro: A Multimodal HCI Framework for Explainable BCI Feedback via Generative AI and Sonification},
author = {Ayda Aghaei Nia},
journal= {arXiv preprint arXiv:2601.00843},
year = {2026}
}
备注
16 pages, 7 figures, 3 tables. Source code and implementation available at: https://github.com/ayda-aghaei/OmniNeuro. Highlights the use of LLMs (Gemini) and Quantum probability formalism for real-time BCI explainability