随着非侵入式脑机接口（BCI）技术在医疗康复、智能控制等领域的持续发展，基于运动想象（MI）的神经信号解码正成为构建自然、高效的新型人机通信通道的关键手段。该类通信范式通过对脑电（EEG）中与虚拟肢体运动相关的模式进行识别，实现用户意图的无声传输。然而，现有解码方法普遍依赖于计算量大、推理效率低的神经网络结构，且模型在跨时段解码任务中通常需要针对每一阶段或每一用户进行额外微调，才能维持较高的识别准确率。尤其在面对脑电信号时变性强、个体差异显著的实际场景中，这种强依赖预调的特性显著限制了系统的泛化能力与实时部署性能。如何在保证解码精度的同时降低计算开销、提高对不同时间段与个体变化的自适应能力，已成为制约非侵入脑机通信系统实用化与规模化部署的核心瓶颈之一。

针对上述挑战，中国科学院上海高等研究院（以下简称“上海高研院”）智能信息中心胡宏林/徐天衡研究员团队提出了一种面向语义信息的自适应运动想象解码框架，通过提取运动想象信号中的语义上下文信息，并构建特征跨域适应机制，有效提升了解码系统在非静态条件下对脑电信号的建模能力与鲁棒性。该方法面向以运动想象为通信范式的非侵入式脑机通信系统，特别适用于在缺乏大规模个性化标注数据、且用户神经状态动态变化的实际应用场景中，实现用户意图的高效、稳健传输。所提出框架不仅显著提升了解码精度与跨被试泛化能力，还具备低计算复杂度的特点，为构建轻量、可靠、可部署于边缘设备的脑机通信通道提供了技术支撑。相关研究成果以 BSAN: A Self-adapted Motor Imagery Decoding Framework Based on Contextual Information 为题，发表于脑机接口领域国际期刊 IEEE Journal of Biomedical and Health Informatics，为推动非侵入式脑机通信系统的实用化与规模化发展提供了新的方法路径。

图1.所提技术架构

研究团队提出了一种跨域适应的语义增强运动想象解码框架，针对不同被试和跨时段脑电信号分布差异显著、难以泛化的问题，创新性地引入多粒度语义信息建模机制，通过联合提取运动想象信号中的全局类别语义和局部个体动态语义，提升信号表征的判别性与可迁移性。随后，模型针对语义增强后的信号序列提取时空特征，并引入自适应域对齐模块，从边缘分布与条件分布两个层面对跨域特征进行统一对齐，构建出一套兼具鲁棒性与轻量化的神经解码网络。该方法不依赖模型微调即可实现对时变、跨被试运动想象信号的高效识别，尤其适用于资源受限的边缘通信设备部署。实验结果表明，在BCIC IV 2A标准四分类数据集上，所提模型在仅含CPU的边缘设备上运行时，其平均推理时延仅为当前主流解码技术的5%至30%，同时保持超过78%的分类准确率，在不牺牲性能的前提下显著降低了计算成本，表现出优异的实时性与跨域泛化能力，为非侵入脑机通信系统的实际部署与大规模推广提供了新的解码范式。

图2. 所提技术在 BCIC IV 2A数据集上的特征分布可视化结果

研究工作由中国科学院上海高等研究院牵头，联合了上海大学微电子学院副院长周婷教授团队协作完成。论文第一作者为智能信息中心硕士研究生汪梓凯，论文通讯作者为智能信息中心胡宏林研究员。本工作得到了国家自然科学基金和上海市经信委高质量发展专项基金的资助支持。

文章链接：https://ieeexplore.ieee.org/document/10950081