脑机接口 / BCI

Same Brain, Different Prediction: How Preprocessing Choices Undermine EEG Decoding Reliability

同一体脑，不同预测：预处理选择如何削弱EEG解码可靠性

Dengzhe Hou, Zihao Wu, Lingyu Jiang, Zirui Li, Fangzhou Lin, Kazunori D. Yamada

机构 * Tohoku University（东洋大学） ； University of Georgia（佐治亚大学） ； Texas A&M University（德克萨斯农工大学） ； Worcester Polytechnic Institute（沃斯特理工学院） 纠错

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

AI总结 本文研究了EEG解码中预处理选择对可靠性的影响，提出三种工具以量化、分解和减少预处理带来的不稳定性。

Enabling Unsupervised Training of Deep EEG Denoisers With Intelligent Partitioning

通过智能分区实现深度EEG去噪器的无监督训练

Qiyu Rao, Haozhe Tian, Homayoun Hamedmoghadam, Danilo Mandic

机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦校区电子与电气工程系） ； Dyson School of Design Engineering, Imperial College London（帝国理工学院伦敦校区戴森设计工程学院） 纠错

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

AI总结 本文提出iPSD方法，通过学习将输入EEG段分割为独立的噪声实现，实现无监督去噪，尤其在低信噪比和复杂噪声下表现优异。

A Hybrid Graph Neural Network for Enhanced EEG-Based Depression Detection

一种用于增强基于EEG的抑郁症检测的混合图神经网络

Yiye Wang, Wenming Zheng, Yang Li, Hao Yang

机构 * School of Biological Science（生物科学学院） ； Medical Engineering Southeast University Nanjing, China（医学工程东南大学南京中国） 纠错

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

AI总结 本文提出混合图神经网络HGNN，结合固定连接的CGNN和自适应连接的IGNN，通过引入图池化和反池化模块提取个体化层次信息，提升EEG抑郁症检测性能。

Journal ref 2025 IJCNN

Human brain state classification via permutation entropy of EEG phase dynamics across consciousness levels and inattentive-type ADHD

通过EEG相动态的排列熵对人类脑状态进行分类：在意识水平和注意力不集中的ADHD中

Athokpam Langlen Chanu, Youngjai Park, Jaesung Choi, Younghwa Cha, UnCheol Lee, Joon-Young Moon, Jong-Min Park

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

AI总结 本文利用排列熵分析EEG信号，探讨不同脑状态的区分性。通过EEG相动态的主模态量化紊乱，发现意识、注意力不集中型ADHD和闭眼状态的排列熵均值较低且标准差较大，表明排列熵在脑状态分类中具有有效性，但对注意力不集中型ADHD的识别存在局限。

Comments 18 pages, Accepted for publication in Chaos, Solitons and Fractals

NeuralSet: A High-Performing Python Package for Neuro-AI

NeuralSet：一种高性能的Python神经AI工具包

Jean-Rémi King, Corentin Bel, Linnea Evanson, Julien Gadonneix, Sophia Houhamdi, Jarod Lévy, Josephine Raugel, Andrea Santos Revilla, Mingfang Zhang, Julie Bonnaire, Charlotte Caucheteux, Alexandre Défossez, Théo Desbordes, Pablo Diego-Simón, Shubh Khanna, Juliette Millet, Pierre Orhan, Saarang Panchavati, Antoine Ratouchniak, Alexis Thual, Teon L. Brooks, Katelyn Begany, Yohann Benchetrit, Marlène Careil, Hubert Banville, Stéphane d'Ascoli, Simon Dahan, Jérémy Rapin

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

AI总结 NeuralSet通过统一处理多种神经记录和复杂实验刺激，提供高效的神经AI研究框架，支持从本地原型到高性能集群的无缝扩展。

FANoS-v2: Feedback-Controlled Momentum with Thermostat Damping for Lightweight Neural Optimization

FANoS-v2：基于热力学阻尼的反馈控制动量用于轻量级神经优化

Nalin Dhiman

机构 * School of Computing and Electrical Engineering（计算与电子工程学院） ； Indian Institute of Technology Mandi（印度理工学院曼迪） 纠错

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

AI总结 FANoS-v2通过反馈控制动量和热力学阻尼优化神经网络，实现轻量级优化，在MNIST、Fashion-MNIST和CIFAR-10上优于AdamW，但计算时间更长。

Comments 17 pages, 3 figures, 5 tables

Dynamical mechanisms of flexible phase-locking in cortical theta oscillators

皮层θ振荡器中灵活相位锁定的动力学机制

Yangyang Wang, Benjamin R. Pittman-Polletta

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

AI总结 研究揭示了皮层θ振荡器通过多时间尺度抑制电流的相互作用实现灵活相位锁定的机制，关键发现包括慢和超慢抑制过程的延迟Hopf现象扩展了同步范围。

Comments 30 pages, 15 figures

Zero-Shot Imagined Speech Decoding via Imagined-to-Listened MEG Mapping

通过想象到聆听的MEG映射实现零样本想象语音解码

Maryam Maghsoudi, Shihab Shamma

机构 * University of Maryland College Park（马里兰大学学院市） 纠错

专题命中 神经信号处理 ：brain-computer interface(abstract)；分类 cs.LG

AI总结 本文提出利用聆听语音记录提高想象语音解码的可靠性，通过三阶段流程揭示神经活动与语音刺激的关系，证明想象语音可显著高于随机水平解码。

Reason to Play: Behavioral and Brain Alignment Between Frontier LRMs and Human Game Learners

玩乐的动机：前沿LRMs与人类游戏学习者的行为与大脑对齐

Botos Csaba, Sreejan Kumar, Austin Tudor David Andrews, Laurence Hunt, Chris Summerfield, Joshua B. Tenenbaum, Rui Ponte Costa, Marcelo G. Mattar, Momchil Tomov

机构 * University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） 纠错

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

AI总结 本文研究了前沿LRMs在游戏学习中的行为与大脑活动对齐情况，发现其在游戏发现阶段更接近人类行为，并能更准确预测大脑活动。

Partitioning Neural Co-Variability

神经共同变异性划分

Skyler Thomas, Brandon J. Zhu, Kathleen E. Cullen, Adam S. Charles

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

AI总结 本文提出PMNLV模型，通过矩阵正态先验扩展单神经元过分散性，以捕捉神经群体的过分散结构。该模型结合变分EM和核竞赛方法，有效恢复神经元间和时间协方差因素，揭示初级视觉皮层中共享群体协变性峰值现象。

Leveraging fNIRS to Evaluate Workload for Adaptive Training in Virtual Reality

利用fNIRS评估虚拟现实中的工作负荷以实现自适应训练

Cara A. Spencer, Christopher D. Wickens, Jalynn B. Nicoly, James Crum, Benjamin A. Clegg, Joanna E. Lewis, Francisco R. Ortega, Lucas Plabst, Rebecca L. Pharmer, Leanne Hirshfield

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

AI总结 本研究利用fNIRS评估虚拟现实训练中的认知负荷，验证其在自适应训练中的有效性，发现内在负荷与任务相关的大脑区域激活，而外在负荷则表现为无关脑区活动。

Comments This work has been submitted to the IEEE for possible publication

STDA-Net: Spectrogram-Based Domain Adaptation for cross-dataset Sleep Stage Classification

STDA-Net：基于频谱图的跨数据集睡眠阶段分类域适应

Unaza Tallal, Shruti Kshirsagar, Ankita Shukla

机构 * School of Computing, Wichita State University（维斯科州立大学计算机学院） ； Computer Science and Engineering Department, University of Nevada, Reno（内华达大学里诺分校计算机科学与工程系） 纠错

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

AI总结 本文提出STDA-Net框架，结合CNN提取频谱图特征、BiLSTM建模睡眠动态和DANN实现无监督域适应，提升跨数据集睡眠阶段分类的准确性和稳定性。

Comments submitted to IEEE SMC conference

Decoding Dynamic Visual Experience from Calcium Imaging via Cell-Pattern-Aware Pretraining

通过细胞模式感知预训练解码动态视觉体验

Sangyoon Bae, Mehdi Azabou, Blake Richards, Jiook Cha

机构 * Interdisciplinary Program in Artificial Intelligence（人工智能跨学科项目） ； Seoul National University（首尔国立大学） ； NSF AI Institute for Artificial and Natural Intelligence (ARNI)（国家科学基金会人工智能与自然智能研究院） ； Columbia University（哥伦比亚大学） ； Mila (Quebec AI Institute)（蒙特利尔人工智能研究所） ； Dept. of Neurology & Neurosurgery（神经病学与神经外科系） ； McGill University（麦吉尔大学） ； Montreal Neurological Institute, McGill University（麦吉尔大学蒙特利尔神经科学研究所） ； School of Computer Science, McGill University（麦吉尔大学计算机科学学院） ； Learning in Machines and Brains Program, CIFAR（机器与大脑学习计划，CIFAR） ； Department of Psychology（心理学系） ； Department of Brain and Cognitive Sciences（脑与认知科学系） 纠错

专题命中 BCI数据与评测 ：neural decoding(abstract)；分类 q-bio.NC、cs.LG

AI总结 本文提出POYO-CAP方法，通过预训练提升神经解码鲁棒性，实验证明其在Allen脑观察数据集上比从头训练有12-13%的提升，并实现模型规模的平稳扩展。