脑机接口 / BCI

Foundation Model Guided Dual-Branch Co-Adaptation for Source-Free EEG Decoding

基于基础模型的双分支共适应源无关EEG解码

Peiliang Gong, Han Zhang, Zhen Jiang, Chenyu Liu, Ziyu Jia, Xinliang Zhou, Daoqiang Zhang, Xiaoli Li

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； College of Artifical Intelligence and Automation, Hohai University（河海大学人工智能与自动化学院） ； College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（南京航空航天大学人工智能学院） ； Brainnetcome Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络中心） ； Information Systems Technology and Design, Singapore University of Technology and Design（新加坡科技设计大学信息系统技术与设计） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；motor imagery(abstract)；分类 q-bio.NC、eess.SP、cs.LG

AI总结 本文提出FUSED框架，通过双分支共适应机制整合大规模基础模型与紧凑专家模型，提升源无关EEG解码的泛化能力和稳定性，实验验证其在多任务中的优越性能。

Temporal Out-of-Distribution Detection for Asynchronous Motor Imagery Brain-Computer Interfaces

异步电机意念脑机接口中的时间域异常检测

Chenhao Liu, Siyang Li, Luofei Tan, Dongrui Wu

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

AI总结 本文提出双阶段EEG检测框架，通过滑动窗口机制和TempDens算法提升异步电机意念脑机接口中异常检测性能，优于传统基线方法。

Cross-Subject Generalization for EEG Decoding: A Survey of Deep Learning Methods

跨受体解码的通用性：深度学习方法的综述

Taida Li, Yujun Yan, Fei Dou, Wenzhan Song, Xiang Zhang

机构 * Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系） ； Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系） ； School of Computing, University of Georgia（佐治亚大学计算科学学院） ； School of Electrical and Computer Engineering, University of Georgia（佐治亚大学电气与计算机工程学院） 纠错

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

AI总结 本文综述了深度学习方法在跨受体解码中的应用，分析了多源领域问题的评估协议，并系统分类了特征对齐、对抗学习等方法，探讨了理论限制和EEG基础模型的发展。

Comments Accepted manuscript in Progress in Biomedical Engineering. Minor update: corrected author affiliation in comment

NAKUL-Med: Spectral-Graph State Space Models with Dynamics Kernels for Medical Signals

NAKUL-Med: 带动态核的谱-图状态空间模型用于医学信号

Badri N. Patro, Vijay S. Agneeswaran

机构 * Microsoft（微软） 纠错

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

AI总结 NAKUL-Med通过动态核生成、谱上下文建模和图引导的空间注意力，提升多通道生理信号分析的性能，实现高准确率和高效推理。

Comments Accepted CVPR Finding Track

From Cortical Synchronous Rhythm to Brain Inspired Learning Mechanism: An Oscillatory Spiking Neural Network with Time-Delayed Coordination

从皮层同步节律到脑启发学习机制：一种具有时间延迟协调的振荡性脉冲神经网络

Tingting Dan, Guorong Wu

机构 * Department of Psychiatry & Department of Computer Science（精神病学系与计算机科学系） 纠错

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

AI总结 本文提出一种脑启发学习机制，通过迭代的自下而上和自上而下交互，实现认知层面的神经同步，利用振荡同步实现高效信息处理。

Comments 19 pages, 6 figures

Algorithm-hardware co-design of neuromorphic networks with dual memory pathways

具有双记忆路径的神经形态网络算法-硬件协同设计

Pengfei Sun, Zhe Su, Jascha Achterberg, Giacomo Indiveri, Dan F. M. Goodman, Danyal Akarca

专题命中 神经信号处理 ：cortical(abstract)

AI总结 本文提出一种双记忆路径架构，通过算法与硬件协同设计，实现高效能的神经形态网络，减少参数数量并提升能效。

EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning

EduGage：基于传感器的自我引导视频学习中即时参与度评估的方法与数据集

Zikang Leng, Edan Eyal, Yingtian Shi, Jiaman He, Yaqi Liu, Thomas Plötz

机构 * School of Interactive Computing, Georgia Institute of Technology（佐治亚理工学院交互计算学院） ； College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院） ； School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院） 纠错

专题命中 BCI数据与评测 ：EEG(abstract,abstract_cn)；分类 cs.HC

AI总结 本文提出EduGage方法与数据集，通过可穿戴和摄像头设备收集生理和运动信号，评估学习者参与度，实验显示多模态建模在参与度评估中有效，且轻量级的生理与行为信号组合优于全多模态设备。

Cross-Session Decoding of Neural Spiking Data via Task-Conditioned Latent Alignment

通过任务条件潜在对齐实现跨会话神经脉冲数据解码

Canyang Zhao, Bolin Peng, J. Patrick Mayo, Ce Ju, Bing Liu

机构 * Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院） ； Departments of Ophthalmology and Bioengineering, University of Pittsburgh（眼科学与生物工程系，匹兹堡大学） ； Inria, CEA, Université Paris-Saclay（法国国家科学研究中心（Inria）、法国国家科学研究中心（CEA）、巴黎萨克雷大学） 纠错

专题命中 BCI数据与评测 ：neural decoding(abstract)；分类 cs.LG

AI总结 本文提出TCLA框架，通过任务条件潜在对齐在有限目标会话数据下提升神经解码性能，实验显示在运动和眼动皮层数据集上解码效果显著提升。

Comments This work has been accepted by the Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2026);Copyright will be transferred without notice, after which this version may no longer be accessible