DBTSP-Net MI-EEG解码模型

采用双分支时空并行网络与Optuna优化的自适应特征融合，提升运动想象脑电解码的准确性与稳定性，为脑机接口运动控制和神经康复训练提供基础。

Xin, Chen · Longjie, Yu · Hongze, Lin · 都明宇 · 位机 · Wu, Xinyu · 鲍官军 · Cai, Shibo

Neurocomputing 2026

参数信息

平均分类准确率（2a数据集）

79.61 %

平均分类准确率（2b数据集）

86.21 %

Kappa值（2a数据集）

0.7856

Kappa值（2b数据集）

0.7189

技术优势

准确率超越现有模型

在两大公开数据集上平均分类准确率分别达到79.61%和86.21%，显著高于对比方法。

设计合理有据

通过消融实验验证了每个模块设计的合理性。

开源可直接使用

代码已开源，可快速集成到现有脑机接口系统中。

应用场景

• 运动想象脑机接口：提升运动想象信号的解码准确率，使脑控设备响应更稳定。
• 神经康复训练：为康复训练提供精确的运动意图识别，辅助患者重建运动功能。
• 人机交互控制：增强人机交互中的运动意图解码，实现更自然流畅的控制体验。