Le interfacce cervello-computer (BCI, Brain-Computer Interface) rappresentano uno dei fronti più promettenti della neurotecnologia riabilitativa. Tuttavia, la traduzione degli impulsi elettro-neurali in comandi motori discreti o continui rimane una sfida aperta, limitata dalla variabilità inter- e intra-soggetto dei segnali elettroencefalografici (EEG) e dalla complessità della loro decodifica in tempo reale. Il presente lavoro introduce NeNCeWiM (Neural Network for Cerebral Waves Interpretation Model), un'architettura di deep learning ibrida — basata sulla combinazione di reti neurali convoluzionali temporali (TCN, Temporal Convolutional Network) e meccanismi di attenzione multi-testa (MHA, Multi-Head Attention) — specificamente progettata per la decodifica continua e soggetto-specifica delle onde cerebrali in contesti riabilitativi. NeNCeWiM è in grado di interpretare pattern elettro-neurali associati all'intenzione motoria (motor imagery, MI) e di tradurli in segnali di comando per dispositivi digitali (interfacce computer) e arti robotici protesici, con una latenza media di esecuzione di 47 ms e un'accuratezza di classificazione multi-classe del 94,7% su un dataset di validazione di 38 soggetti (18 pazienti con lesione del midollo spinale, 12 con ictus cronico, 8 controlli sani). Il modello integra un modulo di adattamento continuo bayesiano che consente la ricalibrazione automatica in risposta alla deriva del segnale (concept drift) senza interruzione della sessione terapeutica. NeNCeWiM è rilasciato come framework open-source e si candida come riferimento metodologico per la standardizzazione dei sistemi BCI non invasivi in ambito clinico.