脑机百科消息(bciwiki.com)，天津大学团队提出一种基于图神经网络的联合优化框架，能在运动想象脑电解码中自动选出少量关键通道，同时保持与全通道相当的分类精度。研究于2026年8月24日发表于《混沌》（Chaos），作者包括Li H、Dang W、Liu L、Du P、Cui X和Hao Y。
该框架由两个核心组件构成：关键通道定位器（KCL）将脑电电极建模为图节点，通过图卷积拓扑与自注意力特征重要性的双重视角评估，识别出受试者特定的固定大小信息通道子集；UniEEG-Net则利用多尺度时间卷积、深度可分离空间投影和自注意力机制，从所选通道中高效解码运动想象任务。研究在三个数据集上进行了验证，包括BCI Competition IV 2a、High Gamma以及新采集的数据集。实验结果显示，该方法在使用显著更少电极的情况下，性能与全通道相当，且UniEEG-Net的分类准确率超过了当前最先进的模型。
研究团队表示，整个系统因此非常适合实际的脑机接口应用，尤其是在神经康复领域。