脑机接口 / BCI

How Does a Single EEG Channel Tell Us About Brain States in Brain-Computer Interfaces ?

单个EEG通道如何帮助我们了解脑机接口中的脑状态？

Zaineb Ajra, Binbin Xu, Gérard Dray, Jacky Montmain, Stéphane Perrey

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

AI总结 本文研究如何利用单个EEG通道实现脑状态识别，提出基于CNN的高效分类方法，在三个数据集中达到最高91.55%的准确率。

Comments Accepted in the 16th International Conference on Human System Interaction 2024, Paris, France

Improving TMS EEG Signal Quality for Closed-Loop Neuro Stimulation via Source-Domain Denoising

通过源域去噪提升闭环神经刺激的TMS EEG信号质量

Zhen Tang, Ameer Hamoodi, Stevie Foglia, Aimee Nelson, Zhen Gao

机构 * Department of Kinesiology, Faculty of Science, McMaster University（科学学院运动学系，麦基尔大学） ； Faculty of Engineering, McMaster University（工程学院，麦基尔大学） 纠错

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

AI总结 本文提出改进TMS EEG信号质量的去噪方法，通过建立参考数据集评估两种常用去噪策略，验证其在提升信号质量和保留TMS诱发电位方面的有效性，为闭环神经刺激和BCI框架整合提供支持。

DANCE: Detect and Classify Events in EEG

DANCE：检测和分类EEG中的事件

Jarod Lévy, Hubert Banville, Jérémy Rapin, Jean-Remi King, Thomas Moreau, Stéphane d'Ascoli

机构 * Meta AI ； Inria, Université Paris-Saclay, Palaiseau, France（Inria，巴黎萨克雷大学，Palaiseau，法国） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(summary_cn,abstract)；neural decoding(abstract)；分类 eess.SP、cs.LG

AI总结 本文提出DANCE模型，通过将神经解码视为集合预测问题，直接从原始未对齐信号中检测和分类事件，优于现有方法，在癫痫监测和BCI任务中取得新进展。

Comments 29 pages

BandRouteNet: An Adaptive Band Routing Neural Network for EEG Artifact Removal

BandRouteNet: 一种用于EEG去噪的自适应频段路由神经网络

Phat Lam

机构 * Ho Chi Minh City University of Technology（胡志明市技术大学） 纠错

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

AI总结 本文提出BandRouteNet，通过频段特定处理与全频段上下文建模，有效去除EEG信号中的EOG和EMG干扰，提升去噪性能与参数效率。

Comments Preprint version, 5 pages

Explainability of Recurrent Neural Networks for Enhancing P300-based Brain-Computer Interfaces

循环神经网络可解释性增强基于P300的脑机接口

Christian Oliva, Vinicio Changoluisa, Francisco B Rodríguez, Luis F Lago-Fernández

机构 * Grupo de Neurocomputación Biológica, Departamento de Ingeniería Informática, Escuela Politécnica Superior, Universidad Autónoma de Madrid（生物神经计算组，信息工程系，理工大学高级学院，马德里自治大学） ； Grupo de Investigación en Electrónica y Telemática, Universidad Politécnica Salesiana（电子与电信研究组，萨利纳斯理工大学） 纠错

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

AI总结 本文提出Post-Recurrent Module，通过改进RNN架构提升P300信号分类性能与透明度，结合全局和局部可解释性技术分析时空信号，实现脑区和时间区间识别及模型决策解释，实验显示性能提升9%，并适用于多种EEG任务。

SCOPE: Structured Prototype-Guided Adaptation for EEG Foundation Models with Limited Labels

SCOPE：结构化原型引导适应EEG基础模型以有限标签

Jingying Ma, Feng Wu, Yucheng Xing, Qika Lin, Tianyu Liu, Chenyu Liu, Ziyu Jia, Mengling Feng

机构 * Saw Swee Hock School of Public Health, National University of Singapore（新加坡国立大学 Saw Swee Hock 公共卫生学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； Guangzhou Research Translation and Innovation Institute, National University of Singapore（新加坡国立大学广州研究翻译与创新研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Beijing Key Laboratory of Brainnetome and Brain-Computer Interface, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络与脑机接口重点实验室） ； Brainnetome Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络中心） 纠错

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

AI总结 针对有限标签下EEG基础模型适应难题，提出SCOPE框架，通过外部监督和原型引导提升模型鲁棒性与效率，实验显示在多种任务和比例下均表现优异。

CodeBrain: Bridging Decoupled Tokenizer and Multi-Scale Architecture for EEG Foundation Model

CodeBrain: 桥接解耦分词器与多尺度架构的EEG基础模型

Jingying Ma, Feng Wu, Qika Lin, Yucheng Xing, Chenyu Liu, Ziyu Jia, Mengling Feng

机构 * Saw Swee Hock School of Public Health, National University of Singapore（新加坡国立大学 Saw Swee Hock 公共卫生学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； Guangzhou Research Translation and Innovation Institute, National University of Singapore（新加坡国立大学广州研究翻译与创新研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Beijing Key Laboratory of Brainnetome and Brain-Computer Interface, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络与脑机接口重点实验室） ； Brainnetome Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络中心） 纠错

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

AI总结 CodeBrain通过解耦分词器和多尺度架构提升EEG基础模型的表示能力，实现对大脑活动的高效捕捉与可解释性。

Comments Published as a conference paper at the International Conference on Learning Representations (ICLR 2026)

Fatigue-Related Reaction Time Forecasting via EEG Functional Connectivity in Sustained Attention Task

基于EEG功能连接的疲劳相关反应时间预测

Bo Sun, Liang Ma

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

AI总结 本文提出利用EEG功能连接特征预测反应时间，通过随机森林模型在持续注意任务中实现提前20秒的疲劳预警，验证了该方法在安全关键系统中的可行性。

Comments 12 pages, 5 figures, 3 tables

DLink: Distilling Layer-wise and Dominant Knowledge from EEG Foundation Models

DLink：从EEG基础模型中蒸馏分层和主导知识

Jingyuan Wang, Zhihao Jia, Chenyu Liu, Xinliang Zhou, Haoran Luo, Ziyu Jia, Yong Li, Fang Li, Junfeng Yao, Yi Ding

机构 * Xiamen University（厦门大学） ； Nanyang Technological University（南洋理工大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Southeast University（东南大学） 纠错

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

AI总结 DLink通过输入条件化层路由和频谱引导蒸馏，有效蒸馏EEG基础模型知识，提升紧凑学生模型性能，减少参数和计算量。

CLEF: EEG Foundation Model for Learning Clinical Semantics

CLEF：用于学习临床语义的EEG基础模型

Peng Cao, Ali Mirzazadeh, Jong Woo Lee, Aleksandar Videnovic, Dina Katabi

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里奇沃特医院） ； Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 本文提出CLEF，一种基于临床场景的长上下文EEG基础模型，通过对比学习将EEG会话与神经科报告和结构化电子健康记录对齐，提升了EEG解读的临床相关性。

CORTEG: Foundation Models Enable Cross-Modality Representation Transfer from Scalp to Intracranial Brain Recordings

CORTEG：基础模型促进从头皮到脑内记录的跨模态表示迁移

Liuyin Yang, Qiang Sun, Bob Van Dyck, Eva Calvo Merino, Marc M. Van Hulle

机构 * Laboratory for Neuro- & Psychophysiology, Department of Neurosciences, KU Leuven（神经与心理生理实验室，神经科学系，比利时鲁文大学） 纠错

专题命中 EEG解码 ：EEG(summary_cn,abstract)；brain-computer interface(abstract)；cortical(abstract)；分类 eess.SP

AI总结 CORTEG通过预训练的头皮EEG基础模型实现跨模态表示迁移，提升脑机接口的跨患者学习和解码性能，同时在单GPU上10-30分钟内校准新患者。

Neuroprobe: Evaluating Intracranial Brain Responses to Naturalistic Stimuli

Neuroprobe：评估自然刺激下的颅内脑响应

Andrii Zahorodnii, Christopher Wang, Geeling Chau, Bennett Stankovits, Charikleia Moraitaki, Eli Gross, Alexander Brady, Andrei Barbu, Boris Katz, Ila R Fiete

机构 * MIT CSAIL, CBMM（MIT CSAIL，CBMM） ； MIT McGovern Institute（MIT McGovern研究所） ； Caltech（加州理工学院） ； Columbia University（哥伦比亚大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 EEG解码 ：EEG(summary_cn,abstract)；brain-computer interface(abstract)；分类 q-bio.NC、cs.LG

AI总结 Neuroprobe通过高分辨率颅内EEG数据研究多模态语言处理，提供评估框架比较不同模型架构，揭示语言处理在大脑中的时间与空间动态。

Comments 38 pages, 7 main figures, 16 supplementary figures, 13 tables

NeuralBench: A Unifying Framework to Benchmark NeuroAI Models

NeuralBench：一个统一的神经AI模型评估框架

Hubert Banville, Stéphane d'Ascoli, Simon Dahan, Jérémy Rapin, Marlène Careil, Yohann Benchetrit, Jarod Lévy, Saarang Panchavati, Antoine Ratouchniak, Mingfang, Zhang, Elisa Cascardi, Katelyn Begany, Teon Brooks, Jean-Rémi King

机构 * Brain \& AI team, Meta FAIR ； École Normale Supérieure, Université PSL, CNRS ； Hospital Foundation Adolphe de Rothschild ； MIND, Inria 纠错

专题命中 EEG解码 ：EEG(summary_cn,abstract)；分类 q-bio.NC、cs.LG

AI总结 本文提出NeuralBench框架，用于评估神经活动AI模型，包含36个EEG任务和14种深度学习架构，揭示基础模型仅小幅优于任务专用模型，且许多任务仍极具挑战性。

Comments 31 pages, 9 figures

UniMind: Unleashing the Power of LLMs for Unified Multi-Task Brain Decoding

UniMind: 激活大型语言模型的统一多任务脑解码能力

Weiheng Lu, Zhouheng Yao, Jiamin Wu, Pengyu Zhu, Yuchen Zhou, Weijian Mai, Qihao Zheng, Wanli Ouyang, Chunfeng Song

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；neural signal(abstract)；分类 cs.HC

AI总结 UniMind通过引入大型语言模型解码复杂神经模式，提升多任务脑解码的泛化能力，实验表明其在十个数据集上平均提升12%。

Comments 19pages,4 figures

Transcranial Alternating Current Stimulation (tACS) for patients with Post-Stroke Anomia: Preliminary Data on Picture Naming Performance

经颅交流电刺激（tACS）用于中风后命名障碍患者：对图片命名表现的初步数据

Maria Martzoukou, Nefeli K. Dimitriou, Binbin Xu, Malo Renaud-D'Ambra, Anastasia Nousia, Anne Beuter, Grigorios Nasios

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

AI总结 本研究评估了tACS对中风后命名障碍患者的效果，通过图片命名任务和单案例实验设计，发现tACS能显著提高患者准确性和速度，且效果在三个月后仍保持稳定。

Journal ref PLOS ONE 21(2): e0342191 (2026)

A Riemannian quasi-Newton algorithm for optimization with Euclidean bounds

带欧几里得约束的黎曼quasi-Newton算法

Mateusz Baran, Ronny Bergmann, Patryk Przybysz

专题命中 EEG解码 ：EEG(abstract,abstract_cn)

AI总结 本文提出一种结合有限记忆quasi-Newton更新和黎曼适应的广义Cauchy点策略的黎曼有限记忆BFGS方法，用于处理欧几里得约束的优化问题，展示了在协方差矩阵估计和神经影像等领域中的高效性。

FLUX: Geometry-Aware Longitudinal Flow Matching with Mixture of Experts

FLUX：基于混合专家的几何感知纵向流匹配

Josue Ortega Caro, Yongxu Zhang, Hannah M Batchelor, Sizhuang He, Jessica Cardin, Shreya Saxena

机构 * Yale University（耶鲁大学） 纠错

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

AI总结 FLUX通过几何感知的纵向流匹配框架，结合混合专家方法，解决无配对纵向数据中的轨迹建模与隐式状态发现问题。

Quasi-Linear ICA for Motor Unit Decomposition during Dynamic Contractions

用于动态收缩期间电机单位分解的准线性ICA

Alexander Kenneth Clarke, Dimitrios Halatsis, Agnese Grison, Irene Mendez Guerra, Noura Ezaz-Nikpay, Pranav Mamidanna, Shihan Ma, Silvia Muceli, Dario Farina

机构 * Imperial College London（帝国理工学院伦敦分校） ； Chalmers University of Technology（查尔姆斯理工大学） 纠错

专题命中 神经信号处理 ：neural interface(abstract)；分类 cs.LG、cs.HC

AI总结 本文提出一种准线性ICA方法，通过引入时间变化的可逆变换和静态线性分离器，有效处理动态EMG信号中的非平稳混叠问题，提升电机单位分解的准确性。

Cortico-cerebellar modularity as an architectural inductive bias for efficient temporal learning

皮层-小脑模组作为高效时间学习的架构归纳偏差

Alexandra Voce, Emmanouil Giannakakis, Claudia Clopath

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

AI总结 研究通过在RNN中引入小脑启发的前馈模块，验证了皮层-小脑模组在提升时间学习效率中的作用，发现该架构在多种任务中表现更优。

CFSPMNet: Cross-subject Fourier-guided Spatial-Patch Mamba Network for EEG Motor Imagery Decoding in Stroke Patients

CFSPMNet：跨受体傅里叶引导的空间-块Mamba网络用于中风患者EEG运动想象解码

Xiangkai Wang, Yun Zhao, Dongyi He, Qingling Xia, Gen Li, Xinlai Xing, Yuchi Pan, 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（重庆市人形机器人感知与自主学习重点实验室） ； 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重点实验室） ； School of Smart Health, Chongqing Polytechnic University of Electronic Technology（重庆理工大学电子工程学院智能健康学院） ； 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） 纠错

专题命中 运动想象 ：EEG(title,title_cn)；motor imagery(title,abstract)；BCI(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出CFSPMNet，通过傅里叶域状态重构和共享-私有原型匹配，提升中风患者EEG运动想象解码的跨患者适应性，实现68.23%和73.33%的准确率。

Scalable Mamba-Based Message-Passing Neural Decoder for Error-Correcting Codes

可扩展的基于Mamba的消息传递神经解码器用于纠错码

Rostislav Gusev, Nikita Aleksandrov, Artem Solomkin, Dmitry Artemasov

机构 * Skolkovo Institute of Science and Technology（斯克洛夫诺研究所） 纠错

专题命中 语音与意图解码 ：neural decoding(abstract)；分类 cs.LG

AI总结 本文提出一种基于Mamba的消息传递神经解码器，用于二进制线性码，通过局部配对聚合和双向Mamba状态空间块实现高效长距离信息传播，实验显示在(1056, 880) LDPC码上比现有解码器性能提升0.45 dB并减少内存消耗。

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