随着非侵入式脑机接口（BCI）技术在智能控制及物联网（IoT）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、高效人机通信通道的关键手段。BCI 系统通过解读脑电（EEG）信号，将神经活动转化为控制假肢、轮椅等辅助技术的指令，同时也展现出在智能家居设备等物联网场景中实现免手动交互的潜力，这一能力尤其为行动不便人群提供了更高的可及性与便利性。而现有解码方法存在明显不足：传统卷积核难以捕捉脑电等非网格数据的空间依赖关系，而即便用图神经网络（GNN）将EEG通道建模为图节点，传统方法也只能体现电极间的两两关系，忽略了大脑节点在认知任务中的协同特性，导致关键关联信息缺失。

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”）智能信息中心下一代移动通信网络团队提出一种具备多节点信息聚合能力的轻量级算法，该技术立足于运动想象范式，引入最短路径算法和可学习嵌入向量捕捉脑区协作路由信息，并通过节点关系融合层(NFL)与其它点、面类节点信息共同构建多脑区协同图结构，突破传统图神经网络仅表征两两电极关系的局限，形成兼具空间关联性与路径协同性的轻量级解码框架，不仅能突破传统方法对脑电信号空间关联的建模局限，更能通过降低计算复杂度与参数规模，显著提升脑机通信系统在资源受限物联网设备中的适配性，为推动新一代脑机接口技术在智能家电控制、可穿戴设备等领域的规模化部署奠定技术基础。相关研究成果以 NexusNet: Lightweight Graph Modeling for Motor Imagery-based Brain-computer Interfaces 为题，发表于信号处理领域国际SCI期刊 IEEE Internet of Things Journal，为推动非侵入式脑机通信系统在资源受限设备上应用提供了新的方法路径。

图1.所提技术架构

研究团队提出基于NexusNet的跨域适应语义增强运动想象解码框架，创新性构建多维度协同图建模机制。该框架通过Nexus融合层（NFL）实现四维度神经关联建模：空间关联（Spatial Nexus）采用量化欧氏距离矩阵表征电极拓扑关系，通过可学习标量动态调整空间权重，解决传统欧氏距离建模中的计算冗余问题；路由关联（Route Nexus）基于弗洛伊德最短路径算法，以脑区跨域标签标记神经通路，捕捉大脑节点协作时的长距离信息传递模式；邻居关联（Neighbor Nexus）通过邻接矩阵对称归一化处理，强化局部电极间的直接交互影响；中心性关联（Centrality Nexus）以节点度向量嵌入表征电极重要性，平衡网络信息传播权重。所提算法在BCIC IV 2A运动想象四分类数据集上以约3440个可学习参数实现78.78%的四分类准确率，浮点运算量仅0.88M，边缘设备（CPU环境）推理时延降低至同水平算法的5%-30%。在智能家居控制、可穿戴康复设备等实时交互场景中，其无需模型微调即可适应不同用户的神经信号特性，为解决脑电信号时变性强、个体差异显著的行业痛点提供了兼具实时性与泛化能力的新型解码方案。

图2. 所提技术在 BCIC IV 2A数据集上的路由权重可视化结果

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。（汪梓凯、司源、王振宇、周婷、徐天衡、胡宏林）

文章链接：https://ieeexplore.ieee.org/abstract/document/11018530