运动想象是脑机接口系统中常用的认知范式，用户通过想象肢体运动产生脑电信号，系统解码这些信号以识别意图。然而，脑电信号的非平稳性和个体差异给可靠解码带来挑战。MSARFNet采用并行多尺度卷积分支，在不同时间分辨率下提取判别性时空特征；注意力重建融合模块选择性削弱非主导信息，促进多尺度特征的有效交互；局部-全局时间编码策略则通过局部时间上下文聚合增强瞬态运动想象响应，并通过全局时间建模捕获长距离时间依赖。研究团队在受试者依赖的实验设置下验证了该网络，结果显示其性能优于多种现有方法，表明MSARFNet为基于脑电的运动想象解码提供了有效且稳健的解决方案。
运动想象解码新网络问世，两数据集准确率均超84%
内容概述
脑机接口（BCI）依赖运动想象（MI）解码来识别用户的意图，但脑电信号的非平稳性和个体差异让准确解码变得困难。研究人员提出一种名为MSARFNet的多尺度注意力重建融合网络，通过并行多尺度卷积分支提取时空特征，并利用注意力机制融合多尺度信息，增强与运动想象相关的瞬态响应。在BCI Competition IV 2a和2b两个公开数据集上，该网络的平均分类准确率分别达到84.64%和87.96%，优于多种现有方法。研究发表于2026年2月27日的《IEEE生物医学与健康信息学杂志》。
推荐理由
这项研究提出了一种新的运动想象脑电解码网络，在两个公开数据集上均取得较高准确率，为脑机接口的实时交互提供了更可靠的信号解码方案。对关注脑机接口算法进展的读者，该研究展示了多尺度特征融合与注意力机制在提升解码性能上的潜力。
本文由 BCIwiki 根据公开信息撰写
关联信源 · 1
pubmed.ncbi.nlm.nih.gov 2026-02-27