IEEE Journal of Biomedical and Health Informatics

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。

研究者提出基于博弈论的自适应人机联合学习方法用于在线MI-BCI解码，14名受试者在线实验准确率分别提升9.7%和5.6%（p<0.01）。

脑机接口（BCI）依赖运动想象（MI）解码来识别用户的意图，但脑电信号的非平稳性和个体差异让准确解码变得困难。研究人员提出一种名为MSARFNet的多尺度注意力重建融合网络，通过并行多尺度卷积分支提取时空特征，并利用注意力机制融合多尺度信息，增强与运动想象相关的瞬态响应。在BCI Competition IV 2a和2b两个公开数据集上，该网络的平均分类准确率分别达到84.64%和87.96%，优于多种现有方法。研究发表于2026年2月27日的《IEEE生物医学与健康信息学杂志》。

该研究提出一种结合判别性通道选择与分层时空建模的EEG情绪识别框架。研究指出，EEG情绪识别在智能人机交互与脑机接口系统中潜力巨大，但多通道数据带来高计算成本与潜在冗余，且既有通道选择方法多依赖统一规则、缺乏频段自适应与通道间建模。该框架在预处理阶段使用小波相干与互信息在多个频段自适应选择信息通道，选中的信号由时空图感知网络（STG-Net）处理，通过图卷积建模通道间空间关系并逐帧提取空间特征，配合时序建模模块捕捉情绪状态的时序演化，最终融合频率-空间-时间特征进行分类。与最先进方法相比，该方案在识别准确率与模型效率上均表现更优。