脑机接口 / BCI

Cognitive Load Estimation Using Brain Foundation Models and Interpretability for BCIs

利用脑基础模型和可解释性进行认知负荷估计用于BCI

Deeksha M. Shama, Dimitra Emmanouilidou, Ivan J. Tashev

专题命中 EEG解码 ：BCI(title_cn,summary_cn)；EEG(summary_cn,abstract)；brain-computer interface(abstract)；分类 cs.HC

AI总结 本文提出利用脑基础模型提取通用EEG特征以提高认知负荷估计的准确性，并通过Partition SHAP分析特征重要性，展示了其在BCI中的应用潜力。

Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, 2026, pp. 7221-7225

SIMON: Saliency-aware Integrative Multi-view Object-centric Neural Decoding

SIMON: 基于显著性感知的多视角对象中心神经解码

YuSheng Lin, Ji-Hwa Tsai, Chun-Shu Wei

机构 * National Yang Ming Chiao Tung University（阳明交通大学） 纠错

专题命中 EEG解码 ：EEG(summary_cn,abstract)；neural decoding(title)；分类 q-bio.NC

AI总结 SIMON提出一种基于显著性感知的多视角框架，用于零样本EEG到图像检索，通过显著性感知采样选择注视点，生成强调信息对象区域的视网膜化视角，提升检索性能。

Learning Fingerprints for Medical Time Series with Redundancy-Constrained Information Maximization

学习带有冗余约束的信息最大化用于医学时间序列的指纹

Huayu Li, ZhengXiao He, Xiwen Chen, Jingjing Wang, Siyuan Tian, Jinghao Wen, Ao Li

机构 * University of Arizona, AZ, USA（亚利桑那大学） ； Microsoft Research, Shanghai, China（微软研究院） ； Clemson University, SC, USA（克莱姆森大学） ； Villanova University, IL, USA（维拉诺瓦大学） 纠错

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

AI总结 本文提出一种新的框架，通过冗余约束信息最大化学习医学时间序列的紧凑且可解释的指纹表示，结合重建损失和多样性惩罚提升表示的独立性。

Functional Connectivity-Guided Band Selection for Motor Imagery Brain-Computer Interfaces

基于功能连接的带宽选择用于运动想象脑机接口

Natália Araújo do Carmo, Aarthy Nagarajan

专题命中 运动想象 ：brain-computer interface(title,abstract)；motor imagery(title,abstract)；BCI(abstract,abstract_cn)；EEG(abstract,abstract_cn)

AI总结 本文提出基于功能连接的带宽选择方法，用于改进运动想象脑机接口的解码性能，通过计算相位基连接性识别最判别性的频段，减少CSP拟合次数，提升鲁棒性和准确性。

UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces

UniBCI: 向侵入式脑机接口的统一预训练模型迈进

Binjie Hong, Rui Xiong, Liyuan Han, Tielin Zhang

专题命中 神经假体 ：brain-computer interface(title,abstract)；neural signal(abstract)

AI总结 本文提出UniBCI模型，通过整合上下文条件空间时间分块、层次化区间面积注意力机制和可扩展自监督掩码信号重建目标，实现对侵入式神经信号的高效表征学习，提升模型泛化能力与效率。