本研究针对运动意象脑电图（EEG）分类中常见的跨个体模式识别困难进行探索，提出了MixNet框架，以利用运动意象数据的频谱-空间信号，并结合多任务学习架构MIN2Net进行分类。实验结果显示，MixNet在各类数据集上均超越了现有最先进算法，尤其在低密度EEG分类方面，为轻量便携的脑电穿戴设备在物联网应用中提供了有希望的前景。

本文提出了一种名为 MixNet 的新型低光图像增强方法，针对超高清图像进行设计，并通过全局特征调制层 (GFML)、局部特征调制层 (LFML) 和前馈层 (FFL) 等模块实现低光图像增强，具有少量模型参数和低计算复杂性。在合成和真实数据集上的广泛实验表明，作者提出的方法优于当前最先进的方法。