脑机百科消息(bciwiki.com)，华东理工大学等机构的研究团队提出一种名为SCR-FTSDNN的深度卷积神经网络，用于基于稳态视觉诱发电位（SSVEP）的脑机接口脑电解码，作者报告其在校准数据有限时仍能保持较高识别准确率。相关论文发表于2026年10月2日的《Cognitive Neurodynamics》（PMID 42824274，DOI 10.1007/s11571-026-10565-6）。
SSVEP脑机接口因信息传输率高、可识别目标多而受到关注。论文指出，深度学习方法在SSVEP特征提取和目标频率分类上表现出潜力，但模型复杂度较高、依赖大量校准数据，增加了数据采集负担，并可能导致受试者疲劳，限制了实际应用。
SCR-FTSDNN先用傅里叶变换将原始脑电信号转到频域，提取初步的频率特征，再用时间卷积捕捉动态时间特征。网络中引入空间与通道重建卷积模块，以增强判别性特征的提取；并采用空洞卷积扩大频率、空间和时间特征的感受野，抑制冗余信息，为关键判别成分赋予更高权重。
研究团队在Benchmark和BETA两个公开SSVEP数据集上开展系统实验，并与多种现有方法比较。作者称，SCR-FTSDNN取得了更高的识别准确率和稳定性，在校准数据有限时尤为明显。论文摘要未列出具体数值。复现代码已在GitHub公开。
论文作者为Xiao Wu、Brendan Z. Allison、Weijie Chen、Xinjie He、Chongfeng Wang和Xingyu Wang，单位包括华东理工大学、加州大学圣迭戈分校认知科学系、波兰科学院系统研究所和哥白尼大学等。据《Cognitive Neurodynamics》刊载的信息，以上结果均来自离线数据集测试。