Europe PMC（brain-computer interface · PubMed）· Du K, Chang W, Kong W, Huang H, Yan G, Sadiq MT.·2026-09-23 08:00· 2026-09-23AI 评分32

基于 MVMD 与特征优化的 VR 运动想象解码分层图学习框架

A hierarchical graph learning framework for VR-based motor imagery decoding driven by MVMD and feature optimization.

AI 导读

研究提出一种面向 VR 运动想象解码的分层图学习框架，利用 MVMD 将 EEG 信号分解为节律分量，结合混合特征选择与基于相位锁定值的功能脑网络建模，将每个 EEG 试次表示为稀疏图，并用分层图卷积网络捕获多尺度空间依赖与高阶交互。

AI 要点

团队

作者为 Du K、Chang W、Kong W、Huang H、Yan G、Sadiq MT，末位作者 Sadiq MT。

主要结果

在实验室采集的 VR-MI 数据集上取得有竞争力的三分类解码准确率，优于 EEGNet 等基线模型。

解决什么问题

VR 动态环境下 EEG 非平稳、信噪比低，MI-BCI 解码稳定性不足。

方法

用 MVMD 分解 EEG 为节律成分，混合特征选择，基于相位锁定值构建脑网络，每次试验表示为稀疏图，用分层图卷积网络分类。

局限

从研究设计看，仅在实验室自采 VR-MI 数据集上验证，未提及外部数据集或在线 BCI 验证。

AI 依据原文整理，未经人工核对。