脑机接口 / BCI

NeuroPath: Practically Adopting Motor Imagery Decoding through EEG Signals

NeuroPath: 通过EEG信号实际采用运动想象解码

Jiani Cao, Kun Wang, Yang Liu, Zhenjiang Li

机构 * City University of Hong Kong（香港城市大学） ； Florida State University（佛罗里达州立大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；motor imagery(title,abstract)；BCI(abstract)；brain-computer interface(abstract)

AI总结 NeuroPath提出一种神经架构，通过EEG信号统一解码运动想象任务，解决现有方法模型孤立、电极配置固定和低信噪比下性能下降的问题。

PAT: Privacy-Preserving Adversarial Transfer for Accurate, Robust and Privacy-Preserving EEG Decoding

PAT: 用于准确、鲁棒且隐私保护的对抗性迁移

Xiaoqing Chen, Tianwang Jia, Yunlu Tu, Dongrui Wu

机构 * Hubei Key Laboratory of Brain-inspired Intelligent Systems, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院脑启发智能系统湖北省重点实验室） ； Shenzhen Huazhong University of Science and Technology Research Institute（深圳华中科技大学研究院） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；BCI(abstract)；brain-computer interface(abstract)；分类 eess.SP、cs.LG、cs.HC

AI总结 本文提出PAT框架，结合数据对齐、对抗训练和隐私保护迁移，提升EEG解码的准确性、鲁棒性和隐私保护，实验表明其在多个数据集上优于现有方法。

Impact of Validation Strategy on Machine Learning Performance in EEG-Based Alcoholism Classification

验证策略对基于EEG的酒精成瘾分类机器学习性能的影响

Tahir Cetin Akinci, Yuksel Celik, Omer Faruk Ertugrul

专题命中 EEG解码 ：EEG(title,abstract)；分类 eess.SP

AI总结 本文研究了验证策略对EEG酒精成瘾分类性能的影响，通过对比不同验证方法发现传统验证方法存在乐观偏差，AdaBoost方法表现最优，具有高准确率和平衡的灵敏度与特异度。

Towards Multi-Source Domain Generalization for Sleep Staging with Noisy Labels

面向噪声标签的多源领域泛化睡眠分期研究

Kening Wang, Di Wen, Yufan Chen, Ruiping Liu, Junwei Zheng, Jiale Wei, Kailun Yang, Rainer Stiefelhagen, Kunyu Peng

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； Hunan University（湖南大学） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG、cs.RO

AI总结 本文提出FF-TRUST框架，通过联合时间-频率早期学习正则化提升噪声标签下的睡眠分期鲁棒性，实验显示在多个数据集上取得最佳性能。

Comments The benchmark and code will be made publicly available at https://github.com/KNWang970918/FF-TRUST.git

From Multimodal Signals to Adaptive XR Experiences for De-escalation Training

从多模态信号到自适应XR体验的降级训练

Birgit Nierula, Karam Tomotaki-Dawoud, Daniel Johannes Meyer, Iryna Ignatieva, Mina Mottahedin, Thomas Koch, Sebastian Bosse

专题命中 EEG解码 ：EEG(abstract)；分类 cs.HC

AI总结 本文提出了一种多模态实时通信分析系统，用于自适应VR训练的基础交互层，整合了语音、手势、情感分析、脑电波和生理信号，通过同步技术实现用户意识和无意识沟通线索的连续评估，结合社会符号学和象征互动理论，构建了连接低层信号到冲突缓解的解释层。

Comments 16 pages, 5 figures, ACM Intelligent User Interfaces (IUI) Workshops 2026

A Temporally Augmented Graph Attention Network for Affordance Classification

一种时间增强的图注意力网络用于能力分类

Ami Chopra, Supriya Bordoloi, Shyamanta M. Hazarika

机构 * Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 本文提出EEG-tGAT，通过引入时间注意力和时间dropout改进GATv2，以提升交互序列中能力分类的性能。

Comments 6 pages, 6 figures. Accepted at 3rd IEEE Guwahati Subsection Conference (GCON 2026)

Mixed Membership Models for Multilevel Functional Data

多级函数数据的混合成员模型

Donatello Telesca, Nicholas Marco, Emma Landry

专题命中 EEG解码 ：EEG(abstract)

AI总结 本文提出多级函数数据的混合成员模型，利用层次结构扩展传统聚类，通过混合成员概念提升模型灵活性和可扩展性，应用于自闭症儿童脑电图研究。

Probabilistic Prediction of Neural Dynamics via Autoregressive Flow Matching

通过自回归流匹配进行神经动态的概率预测

Nicole Rogalla, Yuzhen Qin, Mario Senden, Ahmed El-Gazzar, Marcel van Gerven

机构 * Department of Machine Learning and Neural Computing, Donders Institute for Brain, Cognition and Behaviour, Radboud University, Nijmegen, the Netherlands（荷兰奈梅亨拉德堡德大学唐德斯脑、认知与行为研究所机器学习和神经计算系） ； Department of Cognitive Neuroscience, Maastricht University, Maastricht, the Netherlands（荷兰马斯特里赫特大学认知神经科学系） ； Maastricht Brain Imaging Center, Maastricht University, Maastricht, the Netherlands（荷兰马斯特里赫特大学马斯特里赫特脑成像中心） 纠错

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

AI总结 本文提出基于自回归流匹配的生成预测框架，用于建模神经动态，通过多模态感觉输入预测短期血氧水平依赖(BOLD)活动，展示出改进的泛化能力和广泛皮层预测性能。

Comments 25 pages, 4 figures

Detecting Invariant Manifolds in ReLU-Based RNNs

在基于ReLU的RNN中检测不变流形

Lukas Eisenmann, Alena Brändle, Zahra Monfared, Daniel Durstewitz

机构 * Central Institute of Mental Health, Mannheim, Germany（德国曼海姆中央心理健康研究所） ； Heidelberg University, Heidelberg, Germany（德国海德堡大学） ； Interdisciplinary Center for Scientific Computing, Heidelberg University, Germany（德国海德堡大学跨学科科学计算中心） ； Faculty of Mathematics and Computer Science, Heidelberg University, Heidelberg, Germany（德国海德堡大学数学与计算机科学学院） 纠错

专题命中 神经信号处理 ：cortical(abstract)；分类 cs.LG

AI总结 本文提出一种新算法，用于检测RNN中的稳定与不稳定流形，重点在于使用ReLU激活函数的分段线性RNNs，以揭示多稳态和混沌动态特性。

Improved classification of Alzheimer's disease and mild cognitive impairment through dynamic functional network analysis

通过动态功能网络分析改进阿尔茨海默病和轻度认知障碍的分类

Nicolas Rubido, Venia Batziou, Marwan Fuad, Vesna Vuksanovic

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

AI总结 本文通过动态功能网络分析，发现阿尔茨海默病在功能连接上有显著差异，结合随机森林模型实现了对MCI、AD和正常组的准确分类。

WearBCI Dataset: Understanding and Benchmarking Real-World Wearable Brain-Computer Interfaces Signals

WearBCI 数据集：理解和评估真实世界可穿戴脑机接口信号

Haoxian Liu, Hengle Jiang, Lanxuan Hong, Xiaomin Ouyang

机构 * Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 BCI数据与评测 ：brain-computer interface(title,abstract)；BCI(abstract)；EEG(abstract)；分类 eess.SP、cs.HC

AI总结 本文提出WearBCI数据集，通过同步多模态记录和系统性评估，研究运动伪影对可穿戴BCI信号的影响，并探索跨模态信号增强和多维行为理解的新应用。

Comments Accepted by Sensys 2026

Automatic Mind Wandering Detection in Educational Settings: A Systematic Review and Multimodal Benchmarking

教育场景中的自动思维游离检测：系统综述与多模态基准评估

Anna Bodonhelyi, Augustin Curinier, Babette Bühler, Gerrit Anders, Lisa Rausch, Markus Huff, Ulrich Trautwein, Ralph Ewerth, Peter Gerjets, Enkelejda Kasneci

专题命中 BCI数据与评测 ：EEG(abstract)；分类 cs.HC

AI总结 本文通过系统综述和多模态基准评估，探讨教育环境中思维游离检测的方法与挑战，评估14种数据集中的EEG、面部视频、眼动追踪和生理信号等多模态数据的检测性能。

NeuroFlow: Toward Unified Visual Encoding and Decoding from Neural Activity

NeuroFlow：迈向从神经活动统一的视觉编码和解码

Weijian Mai, Mu Nan, Yu Zhu, Jiahang Cao, Rui Zhang, Yuqin Dai, Chunfeng Song, Andrew F. Luo, Jiamin Wu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Tsinghua University（清华大学） ； Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 其他BCI ：brain-computer interface(abstract)；分类 cs.LG

AI总结 NeuroFlow首次提出统一框架，通过单一流模型联合建模视觉和神经活动的编码解码，提升效率与一致性。

Comments Accepted to CVPR 2026. Project page: https://michaelmaiii.github.io/NeuroFlow-S