脑机百科消息(bciwiki.com)，一项发表于《Computing and Informatics》的新研究提出了一种名为FSDFGL的联邦图学习框架，用于混合脑机接口中的运动意图识别。该研究由上海阳光康复中心和上海海洋大学的研究人员完成，于2026年7月14日发表。
研究指出，基于深度学习的脑电（EEG）解码面临多重挑战：EEG空间分辨率低，难以准确识别特定脑区；深度学习需要大量数据，而EEG数据集通常较小；合并小数据集会引发隐私担忧，因为EEG信号包含大量个人信息。联邦学习（FL）虽能解决数据不足和隐私问题，但面临非独立同分布（non-IID）数据的挑战。为此，研究团队提出在构建图数据时，通过SPMI方法将肌电（EMG）信号融入EEG数据，利用EMG信号提供肌肉活动的独特特征。在本地图神经网络（GNN）处理中，将结构信息与节点特征解耦，并通过结构编码器捕获结构信息，在联邦学习过程中全局共享。实验在TAN数据集上进行，结果表明FSDFGL在识别复杂运动意图方面具有优越性。
该框架通过共享结构信息而非异构特征，避免了本地模型性能下降，有望为混合脑机接口的数据隐私和模型泛化问题提供新思路。