운동 상상 (Motor Imagery, MI)과 정상 상태 시각 유발 전위 (Steady-State Visual Evoked Potentials, SSVEP)를 통합하는 하이브리드 뇌-컴퓨터 인터페이스 (Brain-Computer Interfaces, BCIs)는 고차원적인 신경 디코딩을 제공하지만, 일반적으로 임베디드 하드웨어의 계산 한계를 초과합니다. 이를 해결하기 위해, 우리는 저전력 배포를 위해 설계된 컴팩트한 EEG 분류 아키텍처인 SwitchBraidNet을 제안합니다. 이 모델은 다중 스케일 진동 특징 (multiscale oscillatory features)을 추출하기 위한 이중 경로 시간 브레이드 (dual-path temporal braid), 전극 게이팅 (electrode gating)을 위한 적응형 스퀴즈 앤 엑세이션 (squeeze-and-excitation) 공간 스위치, 그리고 직접적인 대역 전력 인코딩 (band-power encoding)을 위한 로그 분산 판독층 (log-variance readout layer)을 채택합니다. 또한, OpenBMI 데이터셋에 대한 체계적인 양자화 인식 학습 (quantisation-aware training)을 통해, FP32, FP16, INT8 정밀도에 걸쳐 SwitchBraidNet을 네 가지 기존 베이스라인과 비교했습니다. 실험 결과는 뛰어난 효율성과 성능을 입증하며, MI 정확도 69.49% (FP16), SSVEP 정확도 93.48% (FP32), 그리고 64.82 bits/min의 하이브리드 정보 전송률 (information transfer rate) (FP16)을 달성했습니다. 단 3.03 KB의 INT8 풋프린트(footprint)를 가진 SwitchBraidNet은 다양한 수치 정밀도 전반에서 높은 정확도를 유지하며, 저전력 임베디드 BCI 배포에 대한 적합성을 입증합니다.