Indian Institute of Technology Gandhinagar

一项预印本研究提出三种回归模型（偏最小二乘回归器、多层感知机和基于注意力的回归器）从EEG信号同时解码抓取与抬举任务的多个运动学与动力学参数，并在WAY EEG GAL数据集上进行受试者特定与受试者无关评估，比较所有参数共用一个模型与每参数单独建模两种策略。研究者称，基于注意力的回归器取得最佳性能，R²为0.8、延迟29.2毫秒，显著改善多参数同时解码，但单参数解码时性能下降；多层感知机在两类解码中表现更一致但准确率较低（R²=0.49）。研究者认为，基于注意力的模型对实时多指令脑机接口系统有潜力，有助于开发更直观的控制设备。该研究为预印本，尚未经过同行评审。

一项预印本研究提出EEGForceFusion，一种联合建模连续与token化表征的混合EEG解码框架，用于抓握力解码。研究指出，连续抓握力解码受复杂时间动态、高受试者间变异与既有方法泛化有限等挑战制约；该框架整合卷积-循环表征学习、量化式token化与基于Transformer的时序建模，在统一的融合回归架构中同时捕捉细粒度神经结构与长程时间依赖。在WAY-EEG-GAL数据集严格的留一受试者交叉验证下，该框架离线设置R²为0.817、模拟实时评估R²为0.793，延迟适合实时部署。研究者认为，混合连续-token化表征对实时EEG力解码应用具有实用性。该研究为预印本，尚未经过同行评审。