华东理工大学

注视不同频率闪烁的目标时，大脑视觉皮层会产生同频的脑电响应，即稳态视觉诱发电位（SSVEP），脑机接口可据此判断用户想选哪个目标。这类系统通常需要用户先花时间做校准，数据越多越准，但也更易疲劳。研究团队提出一种名为SCR-FTSDNN的深度卷积神经网络，把脑电信号转到频域后再提取时间与空间特征，并加入空间与通道重建模块。在Benchmark和BETA两个公开数据集上，作者报告该方法识别准确率和稳定性优于多种现有方法，在校准数据有限时优势尤为明显。论文摘要未给出具体数值，结果来自离线公开数据集测试。

华东理工大学等机构的研究者提出名为EFS-Net的端到端融合网络，把脑电与功能性近红外光谱两种信号在多个尺度上对齐融合，以克服单一模态解码的局限。网络设三条互补分支：多尺度时间卷积分支捕捉脑电快速变化的皮层电生理特征，脑电空间分支构建经延迟补偿的皮层地形图以适配近红外较慢的血流动力学响应，空间校准的近红外分支把空间特征图与脑电对应特征动态融合。在词语生成和心算两个公开数据集上，采用逐被试留一次会话交叉验证，准确率分别为77.71%±8.23%和81.69%±9.49%。该研究2026年8月21日发表于《Cognitive Neurodynamics》。

该研究提出AutoMI，一种利用LLM多智能体自动快速迭代构建运动想象EEG分类模型的框架，通过耦合Q学习策略与确定性规则的混合决策机制，整合规划、执行与输出智能体及预定义工具，并集成经验追踪与回滚机制以避免模糊优化。在IV2a、OpenBMI和ECUST-MI三个数据集上，AutoMI构建的模型分别取得77.62%、78.08%和83.02%的准确率，较自动化优化算法分别提升18.42%、9.27%和19.25%。作者认为，AutoMI为脑机接口模型优化提供了新视角与框架设计参考，其自动迭代能力可降低对人工调参经验的依赖。

该研究提出DPMS-Net，一种采用动态卷积在时间、空间与频率多维度挖掘判别线索、并结合通道与时间注意力机制的运动想象分类深度网络，并引入频谱域分析组件，挖掘EEG谱中隐藏的细微振荡特征，为分类提供更丰富证据。研究在两个公开数据集与一个卒中患者自采数据集上评估，在BCI Competition IV 2a和2b数据集上分别取得83.93%和88.38%的受试者依赖分类准确率；在卒中患者数据集上，受试者依赖准确率为67.67%。作者认为，DPMS-Net具有高效解码能力与稳健性，可用于神经康复脑机接口系统。