隨著非侵入式腦機接口(BCI)技術在智能控制及物聯網(IoT)等領域的持續發展，基于運動想象(MI)的神經信號解碼正成為構建自然、高效人機通信通道的關鍵手段。BCI 系統通過解讀腦電(EEG)信號，將神經活動轉化為控制假肢、輪椅等輔助技術的指令，同時也展現出在智能家居設備等物聯網場景中實現免手動交互的潛力，這一能力尤其為行動不便人群提供了更高的可及性與便利性。而現有解碼方法存在明顯不足：傳統卷積核難以捕捉腦電等非網格數據的空間依賴關系，而即便用圖神經網絡(GNN)將EEG通道建模為圖節點，傳統方法也只能體現電極間的兩兩關系，忽略了大腦節點在認知任務中的協同特性，導致關鍵關聯信息缺失。
 

　　針對上述挑戰，中國科學院上海高等研究院(以下簡稱“上海高研院”)智能信息中心下一代移動通信網絡團隊提出一種具備多節點信息聚合能力的輕量級算法，該技術立足于運動想象范式，引入最短路徑算法和可學習嵌入向量捕捉腦區協作路由信息，并通過節點關系融合層(NFL)與其它點、面類節點信息共同構建多腦區協同圖結構，突破傳統圖神經網絡僅表征兩兩電極關系的局限，形成兼具空間關聯性與路徑協同性的輕量級解碼框架，不僅能突破傳統方法對腦電信號空間關聯的建模局限，更能通過降低計算復雜度與參數規模，顯著提升腦機通信系統在資源受限物聯網設備中的適配性，為推動新一代腦機接口技術在智能家電控制、可穿戴設備等領域的規模化部署奠定技術基礎。相關研究成果以 NexusNet: Lightweight Graph Modeling for Motor Imagery-based Brain-computer Interfaces 為題，發表于信號處理領域國際SCI期刊 IEEE Internet of Things Journal，為推動非侵入式腦機通信系統在資源受限設備上應用提供了新的方法路徑。
 

圖1.所提技術架構
 

　　研究團隊提出基于NexusNet的跨域適應語義增強運動想象解碼框架，創新性構建多維度協同圖建模機制。該框架通過Nexus融合層(NFL)實現四維度神經關聯建模：空間關聯(Spatial Nexus)采用量化歐氏距離矩陣表征電極拓撲關系，通過可學習標量動態調整空間權重，解決傳統歐氏距離建模中的計算冗余問題；路由關聯(Route Nexus)基于弗洛伊德最短路徑算法，以腦區跨域標簽標記神經通路，捕捉大腦節點協作時的長距離信息傳遞模式；鄰居關聯(Neighbor Nexus)通過鄰接矩陣對稱歸一化處理，強化局部電極間的直接交互影響；中心性關聯(Centrality Nexus)以節點度向量嵌入表征電極重要性，平衡網絡信息傳播權重。所提算法在BCIC IV 2A運動想象四分類數據集上以約3440個可學習參數實現78.78%的四分類準確率，浮點運算量僅0.88M，邊緣設備(CPU環境)推理時延降低至同水平算法的5%-30%。在智能家居控制、可穿戴康復設備等實時交互場景中，其無需模型微調即可適應不同用戶的神經信號特性，為解決腦電信號時變性強、個體差異顯著的行業痛點提供了兼具實時性與泛化能力的新型解碼方案。
 

圖2. 所提技術在 BCIC IV 2A數據集上的路由權重可視化結果
 

　　研究工作由中國科學院上海高等研究院牽頭，聯合了上海大學微電子學院副院長周婷教授團隊協作完成。論文第一作者為智能信息中心碩士研究生汪梓凱，論文通訊作者為智能信息中心胡宏林研究員。本工作得到了國家自然科學基金和上海市經信委高質量發展專項基金的資助支持。