印度

研究者提出结合离散小波变换和chirplet变换的运动想象脑电分类方法，在CBCIC数据集上准确率达94.8%，响应时间1.03秒。

该研究提出一个结合混合MothCray通道选择优化与深度学习的脑电图（EEG）脑机接口信号处理框架，预处理采用陷波滤波、独立成分分析（ICA）与时间窗分段等去噪技术，通道选择阶段使用整合飞蛾火焰优化与小龙虾优化的MothCray算法识别最具信息量的通道，分类采用适配EEG时空特征的深度神经网络架构。在BCI Competition IV数据集IIa上验证，该模型达到93.92%的准确率，优于既有方法。作者认为，基于MCO的通道选择、多域特征融合与增强的EEGNet分类器有助于减少通道数的便携设备以及家庭或诊所神经康复、辅助沟通等场景的快速布设与稳健运行。

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。

一项发表于《Computers in biology and medicine》的研究提出LEGEND神经解码架构，联合建模皮层EEG、脊髓ESG与外周肌肉EMG信号，面向脊髓损伤康复中的神经旁路。模型在洛伦兹双曲空间编码三模态信号，通过有符号三层相位锁定值图连接51个通道节点，再利用图注意力模块细化表征。在Steele数据集严格留一受试者交叉验证中，LEGEND取得56.51%±12.27%的准确率，比EEGNet高23.4个百分点。研究者认为，双曲表征能够捕捉运动层级中的复杂关系，为联合脑、脊髓和肌肉信号的康复解码提供计算基础。

一项发表于《Computers in biology and medicine》的研究提出动态小波基选择增强方法，用于改善非侵入式EEG想象语音分类。该方法为每个EEG片段计算小波熵，选择信息量更高的小波基，再向相应小波系数注入高斯噪声，增强后的信号由带通道激励机制的卷积神经网络分类。研究数据包含32个通道、8种刺激和10名参与者。词语与元音组合实验的最高分类准确率达到98%，Cohen's kappa为0.95，但完整类别分类的表现较低。研究者称，该方法优于传统数据增强策略和静态小波方法，为处理EEG噪声与非平稳性提供了自适应路径。