脑机百科消息(bciwiki.com)，据《PLOS One》2026年10月23日发表的研究，南昌大学参与的合作团队提出一种深度学习网络，用于解码运动想象（MI）任务中的脑电（EEG）信号。研究针对脑电信噪比低、信号特性随时间变化，以及训练数据不足等问题，探索改善脑机接口（BCI）分类表现的方法。
该网络使用四条并行的卷积神经网络（CNN）分支提取时间与空间特征，每条分支后接一个Transformer模块，学习局部时间特征之间的全局关联。四个模块的输出沿通道维度拼接，再通过通道注意力模块融合。最后的分类环节使用CNN替代常用的全连接层，设计目的在于降低计算复杂度。
研究通过分段与重建扩充训练数据，在三个公开脑机接口数据集上评估网络，并与五种先进深度学习网络比较。数据集1为4类任务，平均准确率为80.21%；数据集2为2类任务，平均准确率为90.19%；数据集3为4类任务，平均准确率为97.32%。三个数据集上表现最好的对照方法依次为FBCNet、MSFBCNN和MSFBCNN，新网络的平均准确率均高于相应对照。
这些结果支持该网络在所测试数据集上的运动想象分类能力。作者将其定位为脑机接口应用的一种潜在方法；公开数据集上的分类结果本身，并不能证明实时使用表现或临床效果。