脑机接口 / BCI

Standing on the Shoulders of Giants: Rethinking EEG Foundation Model Pretraining via Multi-Teacher Distillation

站在巨人肩膀上：通过多教师蒸馏重新思考EEG基础模型预训练

Chenqi Li, Yu Liu, Shuo Zhang, Timothy Denison, Tingting Zhu

机构 * Department of Engineering Science, University of Oxford（工程科学系，牛津大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG

AI总结 本文提出MTDP框架，通过多教师蒸馏预训练EEG基础模型，提升模型性能并减少预训练数据需求。

Bidirectional Temporal Dynamics Modeling for EEG-based Driving Fatigue Recognition

双向时间动态建模用于基于EEG的驾驶疲劳识别

Yip Tin Po, Jianming Wang, Yutao Miao, Jiayan Zhang, Yunxu Zhao, Xiaomin Ouyang, Zhihong Li, Nevin L. Zhang

机构 * IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS（IEEE生物医学与健康信息学期刊） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 DeltaGateNet通过双向时间动态建模提升基于EEG的驾驶疲劳识别性能，实现高准确率和鲁棒性。

CytoNet: A Foundation Model for the Human Cerebral Cortex at Cellular Resolution

CytoNet：人类大脑皮层细胞分辨率的基础模型

Christian Schiffer, Zeynep Boztoprak, Jan-Oliver Kropp, Julia Thönnißen, Katia Berr, Hannah Spitzer, Katrin Amunts, Timo Dickscheid

机构 * Institute of Neuroscience and Medicine (INM-1), Research Centre Jülich（神经科学与医学研究所（INM-1），贾格尔研究中心） ； Helmholtz AI, Research Centre Jülich（海德堡人工智能，贾格尔研究中心） ； Institute for Brain Research, University Hospital Düsseldorf（脑研究所在杜塞尔多夫大学医院） ； Institute of Computational Biology, Computational Health Center, Helmholtz Munich（计算生物学研究所，计算健康中心，海德堡慕尼黑） ； Institute for Stroke and Dementia Research (ISD), LMU University Hospital, LMU Munich（中风与痴呆研究所以（ISD），慕尼黑大学医院，慕尼黑大学） ； Computer Vision, Institute for Computational Visualistics, University of Koblenz（计算机视觉，计算视觉研究所，科布伦兹大学） 纠错

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC、cs.LG

AI总结 CytoNet通过训练100万张显微图像片段，建立了人类大脑皮层细胞分辨率的基础模型，用于分析微架构并链接细胞结构与功能组织。

Comments 42 pages, 10 figures, 7 tables. Extended version with functional decoding

Convex Efficient Coding

凸高效编码

William Dorrell, Peter E. Latham, James Whittington

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 本文提出了一种可 tractable 但灵活的规范性表征理论，通过优化表征相似性证明了一类凸优化问题，包括线性和非线性神经网络及半非负矩阵分解等，为神经编码提供了新的理论框架。

Comments 37 pages, 4 figures

Journal ref Proceedings of the 14th International Conference on Learning Representations, 2026