本研究提出了一种新方法，通过脑电图（EEG）信号解码和重建图像，结合深度学习提高模型可解释性。实验结果表明，该方法在图像分类和重建方面表现优异，准确率达到82%。此外，研究建立了大规模多模态数据集EIT-1M，支持视觉和文本刺激的EEG识别，推动脑-计算机界面的应用发展。

本文介绍了多种基于深度学习的脑-计算机接口（BCI）技术，如EEGNet、DTP-Net和SPDNet。这些模型通过优化特征提取和分类方法，提高了脑电图（EEG）信号的解码性能，尤其在注意力缺陷多动障碍和运动想象分类等领域具有实际应用潜力。研究表明，这些新架构在准确性和效率上优于现有技术。