脑电图（EEG）信号解码在脑机接口（BCI）系统的开发中至关重要。然而，脑电图信号存在较高的个体间变异性，需要针对用户进行特异性校准，这一过程耗时且限制了深度学习方法的应用，因为这些模型通常需要大量数据才能进行适当训练。在此背景下，本文提出了一种多维且可解释的深度学习框架，用于快速且可解释的脑电图解码。具体而言，将脑电图信号投影到空 - 谱 - 时域，并使用定制的三维（3D）卷积神经网络（称为 EEGCubeNet）进行处理。本研究在运动脑机接口实验期间记录的脑电图上验证了该方法，即通过区分手部张开（HO）和手部闭合（HC）运动规划与无运动准备状态（静息状态，RE），对其进行研究。所提出的方法基于从全局到特定用户的微调策略：先在一组受试者上对模型进行全局训练，然后在最终用户上进行微调，显著减少了适配时间。实验结果表明，EEGCubeNet 实现了最先进的性能（在 HC 与 RE、HO 与 RE 的二分类任务中，准确率分别为 89.56±4.29 和 89.06±4.86），同时降低了框架复杂度和训练时间。此外，为提高透明度，引入了一种基于 3D 遮挡敏感性分析的可解释性方法（命名为 3D xAI-OSA），该方法生成相关性图，揭示每个预测的最显著特征。数据和源代码可通过以下链接获取：https://github.com/AI-Lab-UniRC/EEGCubeNet
