该论文聚焦于 AI 与脑机接口 (BCI) 融合后新出现的、此前缺乏系统研究的攻击面。随着 AI 被广泛嵌入以人为中心的系统，神经信号与物理执行设备之间形成了一条新的信任链：一端是采集到的脑电等神经生理信号，另一端是假肢、外骨骼、轮椅、神经刺激器等可被驱动的物理装置。作者指出，这一链路一旦被滥用，直接威胁认知自主权、精神隐私与人身安全，风险范围从神经数据外泄一直延伸到对 BCI 所连接设备的恶意操控。为把零散的个案研究上升为系统性分析，论文提出 NERVE Attacks 攻击分类学，用五个正交维度覆盖完整 BCI 技术栈：神经模仿式伪造 (Neuro-mimetic Forgery)、基于失同步的规避 (Evasion via Desynchronization)、重放式劫持 (Replay-based Hijacking)、静脉窃听/传感通路窃取 (Vein Tapping) 以及嵌入式后门 (Embedded Backdoors)。为对该分类进行实证评估，作者构建了 EEGle——一个 AI 辅助、可扩展的 BCI 安全分析框架，用于系统化地构造与验证神经域特有的安全问题。评估结果显示 17 个此前未被报道的神经特异性攻击实例，并揭示出 BCI 后门设计中独有的一条“隐蔽性—有效性”权衡谱系，说明在神经信号场景下，隐蔽性与攻击效果之间存在不同于传统软件后门的取舍关系。论文进一步指出，生成式 AI 显著降低了非专业攻击者的入门门槛，使原本需要神经科学与信号处理专业知识的操作变得更容易复现。作者将 EEGle 开放给社区，用于构建和验证这类高度个人化设备的安全性。整体而言，该工作属于面向 BCI 的威胁建模与安全评估方法论贡献，论文视角强调研究问题定义、分类学构建、可复用评估框架，以及为后续防御研究提供基准；适合 BCI/神经工程研发者、医疗设备安全团队、AI 安全与隐私研究人员，以及关注人机融合系统合规与伦理的从业者阅读。