脑机百科消息(bciwiki.com)，一种动态多分支脑电解码网络在运动想象分类的公开基准数据集上取得96.41%的平均准确率，并在脊髓损伤患者数据上完成了初步的离线跨受试者验证。这项由山东中医药大学、山东中医药大学附属医院、齐鲁工业大学（山东省科学院）等单位研究人员完成的研究，发表于2026年9月25日的《Frontiers in Neuroscience》（PMID 42787353，DOI 10.3389/fnins.2026.1918072）。
运动想象脑电解码的难点在于脑电信号信噪比低、随时间变化且个体差异大。研究人员提出的DMB-EDN网络同时建模时间动态、可学习的时频模式和特定节律的频谱信息：它把基于Gabor函数的可学习时频表示与以生理知识为引导的节律建模结合起来，并采用按单次试验调整的动态融合机制，为每一次脑电试验分别估计3个分支各自的贡献，使数据驱动与生理引导的特征互相补充。
研究在3个数据集上评估了该方法。在BCI Competition IV 2a数据集上，按受试者特定方式评估，平均准确率为96.41%，kappa值为0.952；在High Gamma数据集上，该数据集性能已接近饱和，DMB-EDN与最强的基线方法表现相当；在研究团队自采的脊髓损伤数据集上，按留一受试者法评估，即用未参与训练的受试者做测试，准确率为85.00%，kappa值为0.700。作者称，这为离线跨受试者解码的改进提供了初步证据。
消融实验显示，3个表示分支与按试验调整的融合机制各有贡献；融合权重分析则发现，各分支权重随动作类别和脑电节律呈系统性变化。作者同时指出，该方法仍需在更大规模的多中心人群和前瞻性在线脑机接口系统中验证。