西安电子科技大学

研究者称，用于想象手写解码的EEG-fNIRS融合框架FRED于2026年8月4日以预印本形式上传至arXiv，尚未经过同行评审。想象手写是非侵入式神经解码的时间丰富范式，EEG-fNIRS融合承诺互补神经信息，但融合通常是启发式的，缺乏对频段冗余的原则性处理。FRED用频率去相关时间集成做想象手写解码。研究者称，集成在公开、私有与总体测试分区上达到0.8076/0.7242/0.7492的准确率，无需测试集适配或输出约束，完整系统达到0.8498/0.7718/0.7952并在私有分区排名第4；模态审计发现fNIRS单独解码处于随机水平（总体0.2511），把fNIRS加到EEG上准确率仅变化+0.0025。

西安电子科技大学研究团队针对快速序列视觉呈现范式的单试次脑电解码，先构建了基于Transformer的DisCo-Former框架，融入3个由神经生理先验引导的部件。该研究2026年4月10日发表于《International Journal of Neural Systems》。DisCo-Former虽然超过了现有方法，但分析发现注意力持续坍缩，注意力图近乎均匀，值投影权重趋近于0。去掉Transformer编码器后得到的纯多层感知机版本DisCo-MLP，在2个数据集和3种评估方式下与Transformer版本持平或更优，受试者内解码的平均AUC约为0.94至0.98。

该研究提出函数预定义卷积神经网络（FPCNN）用于自发EEG脑机接口信号解码。研究指出，经典解码方法依赖人工特征但性能有限，神经网络方法虽有显著提升但可解释性与计算效率较低；FPCNN通过可学习的函数预定义卷积（FPC）层搜索自发EEG的关键空间频率参数，使参数具有清晰物理意义，并构建基于FPC的可训练正交检测器以捕捉复杂相位变化信号。在三个自发EEG数据集上，FPCNN较最先进方法分别提升2.09%、3.08%和3.41%，且其非GPU环境的单轮训练与测试时间仅需67.96和19.36秒。作者认为，该方法的计算与时间节省有利于多样化环境中的EEG处理。