脑机百科消息(bciwiki.com)，南洋理工大学研究者TongLiang Yang将脑电与肌电融合，用于跨使用者手势识别。在WAY-EEG-GAL和WEE-Ges两个数据集上，ACF-Net的准确率分别达到87.6%和89.2%，比最强对照方法高9.4和9.1个百分点。论文于2026年10月22日发表于《Journal of Neural Engineering》。
研究采用留一受试者验证，每轮用其他人的数据训练，再测试一名未参与训练者。WAY-EEG-GAL包含12名参与者，WEE-Ges包含20名参与者、覆盖3天。各轮验证分别构建先验信息，所报告比较经Holm校正的Wilcoxon检验后均达到统计学显著。
网络利用脑电与肌电通道之间的时滞相干性和相位锁定值，描述两类信号在时间上的关联。受格兰杰因果启发的定向注意力模块，只允许30至120ms时间窗内从脑电到肌电方向的信息影响。这是网络对信号先后关系的约束，生理因果仍需独立验证。模型还将融合特征映射到对称正定流形这一数学空间，比较不同手势的特征。适应新使用者时，只调整批归一化层中控制缩放与偏移的参数，以脑电先于肌电作为学习线索，无需带标签的个人数据。
逐一移除模块的实验，将6.3、4.9、3.4和1.8个百分点的增益分别归于定向注意力、先验注入、流形嵌入和测试时自适应。20mm模拟电极位移下的准确率为77.5%；自适应将跨天准确率损失从6.8个百分点降至2.1个百分点。在NVIDIA Jetson Nano上，单次前向计算耗时32.4ms，端到端响应时间为178ms，运行频率为30.9Hz。
研究使用健康年轻成人的数据，硬件为凝胶或半干式有线设备。临床人群、无线干电极设备及真实电极滑动条件下的表现，仍待进一步测试。