脑机接口 / BCI

PA-TCNet: Pathology-Aware Temporal Calibration with Physiology-Guided Target Refinement for Cross-Subject Motor Imagery EEG Decoding in Stroke Patients

PA-TCNet：基于病理意识的时序校准与生理引导的目标细化用于中风患者跨受试者运动想象EEG解码

Xiangkai Wang, Yun Zhao, Dongyi He, Qingling Xia, Gen Li, Nizhuan Wang, Ningxiao Peng, Bin Jiang

机构 * School of Artificial Intelligence, Chongqing University of Technology（重庆理工大学人工智能学院） ； Chongqing Key Laboratory of Embodied Intelligence Perception and Autonomous Learning for Humanoid Robots（重庆 embodied 智能感知与人形机器人自主学习关键实验室） ； Key Laboratory of Advanced Equipment Intelligence of the Chongqing Education Commission（重庆市教育委员会先进设备智能关键实验室） ； School of Smart Health, Chongqing Polytechnic University of Electronic Technology（重庆电子工程职业大学智能健康学院） ； Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； School of Pharmacy and Bioengineering, Chongqing University of Technology（重庆理工大学药学院与生物工程学院） ； School of Computer Science and Engineering, Chongqing University of Technology（重庆理工大学计算机科学与工程学院） 纠错

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

AI总结 本文提出PA-TCNet框架，通过病理意识时序校准与生理引导目标细化，提升中风患者跨受试者运动想象EEG解码的鲁棒性，实验在两个独立数据集上达到66.56%和72.75%的准确率。

Canine EEG Helps Human: Cross-Species and Cross-Modality Epileptic Seizure Detection via Multi-Space Alignment

犬类EEG帮助人类：通过多空间对齐实现跨物种和跨模态的癫痫发作检测

Z. Wang, S. Li, Dongrui Wu

机构 * Ministry of Education Key Laboratory of Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（教育部图像处理与智能控制重点实验室，人工智能与自动化学院，华中科技大学） ； Hubei Key Laboratory of Brain-inspired Intelligent Systems, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（湖北省脑启发智能系统重点实验室，人工智能与自动化学院，华中科技大学） 纠错

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

AI总结 本文提出基于跨物种和跨模态EEG数据的多空间对齐方法，利用深度学习技术提升癫痫发作检测能力，实验显示在有限标注数据下，检测准确率超过90%。

Journal ref National Science Review, 12(6):nwaf086, 2025

EEG-Based Emergency Braking Intensity Prediction Using Blind Source Separation

基于盲源分离的EEG紧急制动强度预测

Zikun Zhou, Wenshuo Wang, Wenzhuo Liu, Hui Yao, Chaopeng Zhang, Yichen Liu, Xiaonan Yang, Junqiang Xi

机构 * School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；分类 cs.LG、cs.HC

AI总结 本文提出利用盲源分离方法对EEG信号进行分解，结合时频分析和皮尔逊相关性筛选与制动相关的成分，并通过层次聚类分组，以预测紧急制动强度，实验表明方法在O.D.和H.S.数据集上均优于现有方法。

MLE-Toolbox: An Open-Source Toolbox for Comprehensive EEG and MEG Data Analysis

MLE-Toolbox：用于全面EEG和MEG数据分析的开源工具箱

Xiaobo Liu

机构 * McConnell Brain Imaging Centre, Montreal Neurological Institute, McGill University（麦金尼脑成像中心、蒙特利尔神经研究所、麦吉尔大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC

AI总结 MLE-Toolbox提供了一个统一的图形界面，整合了EEG和MEG数据从原始导入到机器学习分类的全流程分析，支持自动化去噪、多源定位、频谱分析及深度学习分类，具备与Brainstorm等平台的互操作性。

DSAINet: An Efficient Dual-Scale Attentive Interaction Network for General EEG Decoding

DSAINet: 一种高效的双尺度注意力交互网络用于通用EEG解码

Zhiyuan Ma, Zeyuan Li, Zihao Qiu, Jinhao Li, Lingqin Meng, Xinche Zhang, Yixuan Liu, Xinke Shen, Sen Song

机构 * School of Biomedical Engineering, Tsinghua Laboratory of Brain and Intelligence, and IDG/McGovern Institute for Brain Research, Tsinghua University（生物医学工程系、脑与智能清华实验室及IDG/麦克戈文脑科学研究院，清华大学） ； School of Basic Medical Sciences and Tsinghua Laboratory of Brain and Intelligence, Tsinghua University（基础医学系及脑与智能清华实验室，清华大学） ； Department of Psychological and Cognitive Sciences, Tsinghua University（心理学与认知科学系，清华大学） ； Department of Biomedical Engineering, Southern University of Science and Technology（生物医学工程系，南方科技大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 DSAINet通过双尺度注意力机制构建共享时空表示，有效解决EEG解码中任务相关信号的时序差异问题，实现跨任务的高效解码与可解释性。

Benchmarking ERP Analysis: Manual Features, Deep Learning, and Foundation Models

ERP分析基准测试：手动特征、深度学习与基础模型

Yihe Wang, Zhiqiao Kang, Bohan Chen, Yu Zhang, Xiang Zhang

专题命中 EEG解码 ：EEG(summary_cn,abstract)

AI总结 本文系统比较了传统手动特征、深度学习模型和预训练EEG基础模型在ERP分析中的表现，评估了12个数据集上的ERP刺激分类和脑疾病检测任务，探讨了Transformer架构中的嵌入策略。

Comments Accepted by IEEE Transactions on Biomedical Engineering (TBME 2026). Copyright has been transferred to IEEE

SparrowSNN: A Hardware/software Co-design for Energy Efficient ECG Classification

SparrowSNN：面向能源高效心电图分类的软硬件协同设计

Zhanglu Yan, Zhenyu Bai, Tulika Mitra, Weng-Fai Wong

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 eess.SP、cs.LG

AI总结 本文提出SparrowSNN，一种针对边缘设备优化的软硬件协同设计，通过改进的脉冲激活函数、定制化混合ANN-SNN模型和低功耗可重构ASIC架构，在生物医学数据集上实现了20倍至100倍的能耗降低和状态-of-the-art准确率。