脑-机接口技术的发展为神经康复提供了新的方向，尤其是基于运动意图的脑电解码，有望实现脑功能与外部设备之间的直接交互，从而促进残余神经通路的重塑，提升康复效率。然而，脑卒中患者的脑电存在空间特异性弱和多任务特征复杂性的问题，传统的解码算法在面对信号变化和患者状态波动时鲁棒性不足，制约了脑机接口系统在康复中的实际应用。因此，提升单侧上肢运动意图解码算法的识别精度和泛化能力，不仅可提高运动想象信号的识别精度，更为神经重塑和功能恢复提供有效支持，对于推动智能康复设备临床转化、提升脑卒中康复效果具有重要的理论价值和应用前景。

2025年6月12日，上海交通大学医学院源申康复研究院院长单春雷教授联合上海大学脑机工程研究中心主任杨帮华教授，在Cognitive Computation发表题为“Motor Imagery Classification Based on Temporal‑Spatial Domain Adaptation for Stroke Patients”的研究论文。该研究提出了一种新的时空领域自适应算法，使20名脑卒中患者单侧上肢四类任务的运动意图解码平均精度提升了10.3%，推动了脑卒中患者运动意图算法和临床应用的进一步发展。

研究团队提出了一种新的时空领域自适（temporal‑spatial domain adaptation, TSDA）算法，以健康被试模型为基础，进一步使用源域患者数据进行领域自适应迁移学习，使源域和目标域的训练样本在希尔伯特空间中服从独立同分布，并共同用于目标患者模型的训练，从而提升模型的分类性能。TSDA的网络结构包括时间卷积模块、空间卷积模块和特征泛化模块，在领域自适应训练过程中，时间模块特征、空间模块特征和输出层特征共同参与训练，并采用多核条件平均最大差异（multi-kernel conditional maximum mean discrepancy, MK-CMMD）分别计算各模块的领域损失，用于领域自适应模型优化。

该实验对比了多种主流的深度学习、领域自适应和模型自适应脑电解码算法，根据分类精度、F1分数、精确率和召回率等多个技术指标的分析结果显示出TSDA算法的优势。同时，根据混淆矩阵、消融实验、t-SNE特征可视化和其他可视化结果，进一步检验了算法的稳定性和可靠性。本文提出的TSDA脑卒中患者运动意图解码算法，通过多种技术指标检验了算法的分类性能，为脑卒中患者单侧上肢多任务运动意图解码提供了新的理论基础，推动了运动想象脑机接口的临床应用。

单春雷课题组博士后马骏为本文的第一作者和共同通讯作者，本研究还得到了上海交通大学医学院附属同仁医院脑功能检测与调控康复中心执行主任张晶晶的大力支持与帮助。