脑机百科消息(bciwiki.com)，研究团队提出一种名为ResDSNet的残差深度可分离深度神经网络，在3个公开运动想象脑电数据集上的分类准确率分别达到79.36%、84.95%和64.13%，比现有最优方法分别高出3.16%、1.59%和8.40%，差异具有统计学显著性。相关论文发表于2026年5月27日的《IEEE Transactions on Cybernetics》（PMID 42202176，DOI 10.1109/tcyb.2026.3690707）。
运动想象是指受试者只在脑中想象肢体动作，由脑机接口从脑电信号中识别其意图。论文指出，现有运动想象分类网络多采用含深度可分离卷积的轻量结构，层数相对较浅，无法利用深层网络逐级提取特征的能力；而由于残差连接结构欠佳、残差基线层设计不匹配、数据预处理与残差模块兼容性差，加深网络又难以与残差结构有效结合，形成了阻碍性能进一步提升的“深度壁垒”。
研究人员对残差连接结构做了展开式的路径分析，发现当不同路径上的层数分布接近二项分布时，残差机制表现最佳。据此，他们设计了残差深度可分离卷积模块和与之配套的数据预处理模块，用于过滤噪声并保留运动想象任务特征。
评估使用的数据集为BCI Competition IV Dataset IIa、BCI Competition IV Dataset IIb和PhysioNet数据集，共包含127名受试者的脑电记录。作者认为，ResDSNet充分发挥了深层网络在运动想象脑电解码中的层级表征能力，表现稳健。上述结果均基于离线公开数据，论文摘要未报告实时在线控制或临床患者测试。