基于URCNet网络架构的新型脑电解码方法

非侵入式脑机接口通过解码脑电信号实现人脑与外部设备直接交互，在康复机器人、神经假肢、智能人机交互等领域具备广阔应用前景。

脑电信号本身具有非线性、非平稳特性，数据在高维空间呈现复杂非凸几何拓扑，传统基于欧氏空间的算法难以充分挖掘其内在规律。流形学习可挖掘数据内在几何结构，已成为脑电解码领域的研究热点。但现有流形学习方案，往往忽视脑电不同频带间的时空耦合关联，多级特征映射过程还会造成流形结构信息衰减，制约解码效果的进一步提升。

针对上述难题，机器人与智能系统全国重点实验室科研团队提出一种适用于脑电解码的多尺度时空卷积融合U型黎曼流形学习神经网络URCNet，为非欧空间脑电深度学习提供了新的技术范式。相关成果以A Novel U-shaped Riemannian Manifold Learning Neural Network for Motor Imagery EEG Decoding为题发表于国际期刊IEEE Transactions on Cognitive and Developmental Systems。

URCNet 方法首先利用多尺度时空卷积有效提取脑电的局部时空动态耦合特征，并受编码器-解码器结构启发，构建出U型黎曼流形学习网络捕获全局空间动态信息，以减轻流形映射阶段的结构信息退化。与此同时，团队提出了基于黎曼重心的跳跃连接机制，在非欧空间对对称正定矩阵（SPD）做归一化处理，以保持脑电特征在低维流形空间下的几何结构稳定性，并通过误差重构损失函数联合优化，进一步提升特征的可辨识能力。

科研团队基于国际通用BCI Competition IV 2a、BCI Competition IV 2b和Cho2017数据集进行了验证，结果表明，URCNet的解码准确率分别达到83.14%、83.57%和71.83%，相比近年主流网络方法提升了5%-20%。同时，该方法在不同通道数量、不同意图种类和受试者规模的数据条件下均表现出优异的解码性能。

该研究将深度神经网络的多尺度特征提取能力与黎曼流形对非欧空间几何结构的学习能力相结合，为运动想象脑电的流形学习框架提供了新的建模思路，助力推动脑机接口从小样本、低鲁棒实验室算法走向康复、助残等实际场景。

该论文第一作者为沈阳自动化所硕士研究生邓川、博士研究生吴雪健，通讯作者为褚亚奇副研究员和赵新刚研究员。该研究获得了国家自然科学基金、国家重点研发计划、辽宁省未来产业研发计划和沈阳市科技计划等项目的支持。

医疗康复机器人研究组长期专注于人机/脑机智能交互关键技术及系统研发应用，在脑肌电意图解码、脑机接口、神经交互辅助机器人等方面取得多项创新成果。近年来多篇研究成果发表于IEEE Transactions on Neural Systems and Rehabilitation Engineering；IEEE Transactions on Systems, Man, and Cybernetics: Systems； IEEE/CAA Journal of Automatica Sinica；IEEE Journal of Biomedical and Health Informatics；Science China Technological Sciences；Journal of Neural Engineering, Neurocomputing。（机器人学研究室）

论文链接：

https://ieeexplore.ieee.org/document/11686467

DOI：10.1109/TCDS.2026.3733045