近日，团队2024级研究生胡友等在邱丽娜老师和潘家辉老师的共同指导下，在中科院二区期刊《IEEE Journal of Biomedical and Health Informatics》（JCR Q1, 中科院大类学科医学二区TOP, IF: 6.7）上发表题为“A Multi-Scale Attention-based Reconstruction Fusion Network for Motor Imagery Classification” 的研究论文。该论文自2025年9月23日提交，于2026年2月22日被正式接收。

1. 研究背景

深度学习在运动想象脑电（MI-EEG）解码领域取得了显著进展。为了捕获信号的多尺度时空特征，多尺度卷积网络及其注意力融合机制被广泛应用。然而，现有方法在多尺度特征融合时仍面临冗余度高、跨尺度交互不足的瓶颈。此外，在时序建模方面，虽然引入Transformer等自注意力架构弥补了传统CNN在全局长序列建模上的缺陷，但现有方法往往忽略了对MI-EEG尤为关键的局部时间结构。针对上述局限性，本文提出了一个多尺度注意力重构融合网络。

本论文的主要贡献包括：

（1）注意力重构融合策略：结合了通道注意力与 “特征分离-重构” 机制，增强特征作用效益。

（2）局部-全局时间编码器：将基于窗口的局部片段聚合与 Transformer 编码器相结合，捕捉到极具区分度的短暂局部振荡（瞬态变化）和大脑运动想象过程中的长程演变（持续动态）。

2. 方法和结果

本文提出的 MSARFNet 是一种基于多尺度注意力的重构融合网络，主要由三个核心模块组成：多尺度时空卷积模块（MSTC）、基于注意力的重构融合模块（ARF）以及局部-全局时间编码器（LGTE）。其整体架构如图 1所示。MSTC 利用具有不同感受野的卷积核提取多尺度时间表征，并执行空间卷积以捕获通道级别的依赖关系。ARF 通过通道注意力加权与特征分离-重构机制对多尺度表征进行精细化处理，二者协同提升了特征的判别力，并促进了跨尺度分支间有效的特征交互。LGTE 首先利用时间卷积将时间感受野与预设的窗口尺度对齐，从而实现对窗口级局部上下文的有效提取；随后，该模块引入跨窗口交互机制，以凸显相邻窗口间的时序变化。最终，将增强后的表征输入至 Transformer 编码器中，以完成对全局时间依赖关系的建模。

图 1 多尺度注意力重构融合网络（MSARFNet）

MSARFNet在两个公开的运动想象数据集（BCI-IV 2a和2b）上进行被试依赖实验验证，分别获得84.64%和87.96%的准确率，具体对比结果如图 2所示。

图 2 MSARFNet在BCI-IV 2a和2a上的对比实验。

3. 总结

本文提出了一种用于运动想象脑电（MI-EEG）解码的多尺度注意力重构融合网络（MSARFNet）。该模型通过MSTC模块提取多尺度节律特征，利用ARF模块抑制非主导信息并强化跨尺度交互，结合LGTE模块协同捕获局部时间上下文与全局时间依赖，有效验证了该架构设计的合理性与先进性。在未来的研究将聚焦于三个核心方向：开发更轻量且自适应的时间建模策略；引入生成对抗网络或扩散模型等先进数据合成技术；以及深度融合fNIRS或EMG等多模态神经生理信号，以弥补单一模态的不足并全面提升解码系统的鲁棒性。