脑机百科消息(bciwiki.com)，研究人员提出名为ThinkNet的验证控制框架，在严格排除被测者数据参与任何决策的条件下，为跨被试运动想象脑电（MI-EEG）解码挑选紧凑型解码器与推理策略，所选模型仅有4.9K个参数、准确率为44.35±15.41%。该研究作为预印本于2026年9月27日上传至arXiv，尚未经同行评审；作者注明论文已被IEEE-EMBS BHI'2026会议接收。作者为Abdul Basit、Saim Rehman和Muhammad Shafique。
作者指出，面向辅助和康复用途的脑机接口需要能推广到新用户的解码器，而新用户的数据有限、设备算力也受限。如果测试者的信息影响了数据预处理、模型选择或集成选择，留出被试上的成绩就会被高估。ThinkNet为此结合了三项做法：只用训练数据做归一化、由验证集引导的进化搜索、以及由验证集把关的推理。
研究使用BCI Competition IV-2a数据集（session T）的四分类任务，采用9折留一被试交叉验证、3个随机种子，评估了7个固定解码器，并在10类代表性解码器中做更大范围搜索。被留出的被试从不参与归一化、超参数、架构或集成策略的选择。在固定基准中，验证选定的紧凑解码器权重为19 KB（FP32），在Orin平台CUDA上单样本推理耗时0.99毫秒。
在更大范围的搜索中，参数不超过25K的紧凑模型在选择性重训后平均准确率为40.10%，高于中型和大型模型的35.09%和34.78%。由验证集把关的模型集成优于单模型推理，在固定基准中达到43.98±16.25%，紧凑型六类模型集成为43.31±15.88%。
作者也报告了局限：一项不可部署的“神谕”分析显示，模型类别选择存在6.1个百分点的差距，而验证成绩与测试成绩的相关性接近零，说明在被试差异下，验证结果是否可靠仍是关键瓶颈。