脑机百科消息(bciwiki.com)，一套名为BELT的模块化贝叶斯边缘云架构，在ARM Cortex-A7硬件上把运动想象脑机接口的平均延迟压到6.75毫秒每样本，比EEGNet的8.36毫秒快21%，代价是准确率低约2.7个百分点。该研究2026年8月21日发表于《PLOS ONE》。
论文提出，深度学习虽然推动了脑机接口发展，但现有系统普遍存在设计绑定特定应用、扩展性差、可移植性弱、需要针对用户单独适配以及隐私顾虑等问题。BELT围绕三条原则设计：以贝叶斯先验与后验平衡泛化能力与个体化学习，采用适合嵌入式设备的轻量分类器，并通过压缩降低边缘与云端通信的带宽占用、改善隐私。作为可行性验证，研究者实现了轻量版BELT-lite，它仅由线性时不变运算构成，因而可以直接对接数字信号处理硬件。
在BCI Competition IV-2a与IV-2b两个运动想象数据集上，研究共使用18名受试者的数据并采用十折交叉验证。经受试者特定微调后，数据集B的平均准确率为87.9%±6.8%，数据集A为80.6%±8.6%。压缩方面，任务无关自编码器把数据量减少3.3倍，先验模型的性能仍保持在未压缩基线约1%以内。
论文还报告了一个反直觉的结果：这种仅以重建输入为目标训练的任务无关自编码器，在所有微调场景下都优于同时纳入分类目标的自编码器，给出了最好的准确率与压缩率折中。作者来自德黑兰大学、伊朗基础科学研究所与亨利福特医疗集团。