脑机百科消息(bciwiki.com)，伊朗K N Toosi理工大学计算机工程学院的研究人员提出一种用于脑电情绪识别的混合批流框架，在DEAP、AMIGOS和SEED三个基准数据集上分别取得85%、94%和74%的分类准确率，相关论文发表于2026年5月20日的《Neural Networks》（PMID 42155274，DOI 10.1016/j.neunet.2026.109072）。
论文指出，现有基于脑机接口的情绪识别模型通常采用离线（批处理）或在线（流处理）两种模式之一：批处理一般准确率较高，但处理速度慢；流处理可以实时输出，但往往牺牲准确率。新框架试图把两者的长处结合起来。
该架构的核心是一个概率式智能切换机制：它根据流处理模块的历史表现估计其当前可靠性，并据此动态决定从批处理单元还是流处理单元取输出的概率。研究人员还设计实验，检验切换机制本身的表现，以及系统各组成部分在概念漂移（即数据分布随时间变化）情况下的表现。
作者表示，实验结果表明该方法能够在分类准确率与计算效率之间取得平衡，并预计此类混合思路未来将在基于反馈的系统中得到广泛应用。该研究的评估基于公开数据集，摘要未报告在线用户实验结果。