脑机百科消息(bciwiki.com)，研究人员提出了一种名为RUNet的免校准运动想象脑电解码框架。在BCI Competition IV 2a数据集上，RUNet的平均跨会话准确率达到87.19%。该研究发表于2026年1月12日的《IEEE Transactions on Bio-Medical Engineering》。
脑电信号在不同场次、不同个体之间存在差异，这些差异来自个体差异和环境因素，是脑机接口神经解码的主要难题。RUNet结合了黎曼流形学习与无监督表示学习。框架中的多尺度时空卷积模块同时提取局部与全局的空间特征，以及多分辨率的时间动态特征。多协同协方差优化模块通过多重正则化和自适应融合加强协方差矩阵表示，以应对脑电的非平稳性。黎曼仿射对数映射层基于仿射不变变换和对数欧氏映射，以端到端方式减轻跨域协方差漂移。
训练采用迁移学习。预训练阶段，模型在静息态脑电数据上使用无监督对比损失，学习不随场次和个体变化的时空特征。再训练阶段，模型使用任务数据提升区分能力和特征解耦。
据论文摘要，在BCI Competition IV 2a、2b数据集和团队自采的实验室数据集上，RUNet的平均跨会话准确率分别为87.19%、88.03%和85.45%，跨被试准确率分别为68.09%、78.29%和87.25%。在PhysioNet数据集上，跨被试准确率为78.14%。