Europe PMC（brain-computer interface · Preprints）· Li R, Zhang T, Li Z, Deng Q, Sun D, Liao H, Li X, Li J, Han J, Wang F, Hu G, Kong X.·· 2026-08-13AI 评分32
STE-BiMamba：时空特征增强双向 Mamba 网络用于运动想象 EEG 解码
Spatiotemporal Feature-Enhanced Bi-directional Mamba Network for Motor Imagery EEG Decoding
AI 导读
研究提出 STE-BiMamba 时空特征增强双向 Mamba 模型，用于运动想象 EEG 解码，在自采 VR-MI 数据集上取得跨会话 97.50%、跨受试者 85.05% 的准确率，并在 BCIC-IV-2a、BCIC-IV-2b、HGD 三个公开数据集上达到当前最优。相比 Transformer 类模型，其推理速度提升一倍，参数量减少 3.5 倍。
AI 要点
团队
Li R、Zhang T、Li Z、Deng Q、Sun D、Liao H、Li X、Li J、Han J、Wang F、Hu G、Kong X 等作者，机构原文未提及。
主要结果
VR-MI 数据集跨会话准确率 97.50%、跨被试 85.05%；在 BCIC-IV-2a、BCIC-IV-2b、HGD 三个公开数据集上取得 state-of-the-art 结果。
解决什么问题
针对现有 MI-EEG 解码方法时空特征融合不足、计算复杂度高、泛化能力有限的问题。
方法
提出 STE-BiMamba 双向 Mamba 模型，含多尺度时间特征提取、三视角统计池化、双向 Mamba 全局序列建模；在自采 VR-MI 数据集和三个公开数据集上做被试内跨会话与被试间实验。
局限
从研究设计看，自采数据集为 VR-MI，公开数据集结果未在摘要中给出具体数值，泛化性结论主要基于上述数据集。
AI 依据原文整理，未经人工核对。
来源：Europe PMC（brain-computer interface · Preprints） · doi.org