脑机百科消息(bciwiki.com)，该研究2026年8月10日发表于《Computer Methods in Biomechanics and Biomedical Engineering》。基于运动想象（MI）的脑机接口（BCI）将脑电信号解码为控制指令。然而，同一肢体内不同运动的细粒度MI解码因神经模式高度相似而极具挑战性。
研究者Zhu L.、Yue Q.、Huang A.、Zhang J.和Yuan P.提出了基于多尺度Transformer的对比学习网络CLMT-Net。该网络整合了多尺度时间卷积、基于FFT的频率融合、空间卷积和双路径Transformer来学习互补的脑电表征。监督对比学习进一步提升了特征判别能力。
在MI-2数据集上，CLMT-Net实现了76.13% +/- 6.77%的准确率，95%置信区间为[73.33, 78.92]，展示了在同一肢体运动想象解码这一挑战性任务上的有竞争力的性能。