脑机百科消息(bciwiki.com)，兰州交通大学电子与信息工程学院的研究团队提出一种面向虚拟现实（VR）运动想象解码的层级图学习框架，在团队自采的VR运动想象数据集上，其三分类解码准确率超过EEGNet等基线模型。相关论文发表于2026年9月23日的《Journal of Neural Engineering》，PMID 42777778，DOI 10.1088/1741-2552/aeabf5。
研究背景是：VR结合动作观察（AO）能为运动想象（MI）提供更丰富的视觉引导，但在动态环境中，脑电（EEG）信号本身非平稳、信噪比低，运动想象脑机接口的解码稳定性仍是难题。
该框架先用多变量变分模态分解（MVMD）把复杂的脑电信号拆解为不同节律成分，用于多域特征分析；再通过混合特征选择得到紧凑的特征表示；随后基于锁相值构建功能脑网络。每次试验被表示为一张稀疏化的图，由层级图卷积网络捕捉多尺度的空间依赖与高阶交互，完成分类。
除解码性能外，研究还分析了VR引起的脑网络组织变化。作者报告，基于VR的“动作观察加运动想象”范式能增强感觉运动连接，并促进大尺度脑网络整合，提示运动想象任务中神经活动更加协调。作者认为该框架有望用于更先进的脑机接口应用。论文摘要未给出具体准确率数值和受试者人数。