复旦大学

研究者提出一套基于脑电的统一框架，同时完成运动想象分类、偏瘫侧检测与功能恢复预测三项任务，面向卒中患者的运动功能康复。作者称，卒中是全球长期运动残疾的主要成因之一，基于运动想象的脑机接口被视为加快康复的手段，但现有方法存在几处短板，包括患者间差异导致泛化能力不足、缺乏有效的功能评估环节、患者数据可得性有限且缺少适配的数据增强办法。该框架引入针对脑电时空特征设计的扩散模型，采用解耦的神经网络架构，配合旋转空间编码与自回归时间融合；为缓解数据稀缺，研究者另设计了两种针对卒中患者脑电特点的增强策略。作者称，多项运动想象脑机接口任务上的实验显示该方法性能与泛化能力占优，支持其用于个体化卒中康复的潜力。

脑机接口（BCI）需要从脑电信号中识别用户的运动意图，但传统深度学习模型往往参数庞大、计算开销高。研究人员提出一种名为Ghost-LENet的轻量级卷积神经网络，在BCI Competition IV-2a和IV-2b数据集上分别达到82.18%和83.05%的分类准确率，而可训练参数仅数千。该模型结合膨胀时间卷积、平稳小波变换、动态残差融合与Ghost模块，在保持高精度的同时大幅降低模型复杂度，为资源受限的BCI应用提供了新方案。

一项基于立体定向脑电图（sEEG）的研究发现，在提示性肢体运动想象任务中，低频（8-30Hz）神经活动在准备期以抑制为主，进入想象期后转为激活；高频（60-115Hz）反应更强、分布更广，部分触点还出现激活-抑制序列。研究基于10名癫痫患者的颅内记录，表明神经活动并非统一响应，而是随任务阶段和脑区动态变化，为阶段感知的脑机接口特征设计和神经康复提供了参考。