脑机接口 / BCI

SUP-MCRL: Subject-aware Unified Pseudo-feature Coded Multimodal Contrastive Representation Learning for EEG Visual Decoding

SUP-MCRL：面向EEG视觉解码的感知主体统一伪特征编码多模态对比表示学习

Shengyu Gong, Weiming Zeng, Yueyang Li, Zijian Kang, Hongjie Yan, Wai Ting Siok, Nizhuan Wang

专题命中 EEG解码 ：提出EEG视觉解码框架SUP-MCRL

AI总结 提出SUP-MCRL框架，通过语义感知视觉编码器、统一EEG增强器和原型渐进增强器，解决多模态对比学习中语义一致性和主体选择性问题，在THINGS-EEG零样本任务上达到66.0%/91.9%的Top-1/Top-5准确率。

Evaluation of EEG Foundation Models for Event-Based Burst-Suppression Detection in ICU

用于ICU中基于事件的爆发-抑制检测的EEG基础模型评估

Elisa Vasta, Thorir Mar Ingolfsson, Andrea Cossettini, Luca Benini, Tilman Beck, Emanuela Keller, Una Pale

专题命中 EEG解码 ：评估EEG基础模型检测爆发-抑制模式，属于脑电解码

AI总结 本研究首次评估EEG基础模型在ICU中无需患者校准的爆发检测性能，REVE-base模型在事件级F1分数上达到0.868，并将每分钟爆发错误率分别降低52.1%和36.2%。

Comments 4 pages, 1 figure. Code available upon publication

ConsisFormer: Compute-Efficient Transformer for Wireless Foundation Models Based on Channel Consistency

ConsisFormer: 基于信道一致性的无线基础模型高效计算Transformer

Yuwei Wang, Li Sun, Tingting Yang, Liwen Jing, Yuxuan Shi, Maged Elkashlan, Mérouane Debbah

专题命中 神经信号处理 ：无线信道一致性方法可类比神经信号处理中的一致性

AI总结 提出ConsisFormer，利用无线信道短时一致性，通过自适应令牌聚合和特征序列插值降低Transformer计算复杂度，在多种任务上减少83%以上计算量且性能损失极小。

Timing Recovery and Sequence Detection for Integrate-and-Fire Time Encoding Receivers

时间恢复与序列检测用于积分-发射时间编码接收器

Neil Irwin Bernardo

专题命中 神经信号处理 ：积分-发射时间编码接收器

AI总结 本文提出了一种联合时间恢复与数据检测框架，用于积分-发射时间编码接收器，通过推导对数似然函数，实现了符号定时偏移和传输序列的联合估计，改进了符号误码率性能。

Comments 6 pages, 3 figures, accepted in 2026 IEEE Wireless Communications and Networking Conference (WCNC 2026)