脑机百科消息(bciwiki.com)，杭州电子科技大学自动化学院的研究团队提出一种名为TSMD-Net的两阶段多域蒸馏网络，在训练中不使用目标受试者数据的条件下，于三个公开脑电数据集上取得70.21%、77.82%和79.53%的跨被试平均解码准确率。该研究发表于2026年10月2日的《Cognitive Neurodynamics》，PMID 42824656，DOI 10.1007/s11571-026-10564-7。
运动想象脑电解码让脑机接口把使用者自发产生的运动意图转换为外部控制指令。但不同受试者之间的个体差异，以及脑电信号本身的非平稳性，会造成数据分布偏移，限制现有解码模型在新用户身上的泛化能力。论文指出，现有域泛化方法大多依赖特征对齐或数据增强，对源受试者之间互补的判别知识利用不足。
TSMD-Net为多个源域分别设置特定的分类头，再把这些分类头的知识蒸馏到一个统一的主分类头中。训练分两阶段推进：第一阶段通过特征协方差对齐建立稳定的跨域表征；第二阶段采用多域协同蒸馏，并结合双曲空间的有监督对比学习，提升跨域预测的一致性和类别区分度。
研究团队在两个运动想象基准数据集BCI Competition IV 2a和2b，以及规模更大的运动执行数据集High Gamma Dataset上进行了测试，三者的平均准确率依次为70.21%、77.82%和79.53%。作者认为，该方法在所评估的三个脑电数据集上实现了有效且可泛化的跨被试运动解码。