脑机接口 / BCI

NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces

NeuroAtlas：用于临床EEG和脑机接口的基础模型基准测试

Konstantinos Kontras, Trui Osselaer, Stylianos G. Mouslech, Angeliki-Ilektra Karaiskou, Guido Gagliardi, Thomas Strypsteen, Mohammad Hossein Badiei, Anku Rani, Maarten Vanmarcke, Miguel Bhagubai, Chanakya Ekbote, Jaedong Hwang, Christos Chatzichristos, Paul Pu Liang, Maarten De Vos

机构 * KU Leuven（鲁文大学） ； MIT（麻省理工学院） 纠错

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

AI总结 NeuroAtlas是首个大规模EEG基准测试，包含42个数据集和260万小时的数据，涵盖癫痫、睡眠医学和脑年龄估计等领域，评估了EEG基础模型与通用时间序列模型的性能，揭示了现有模型在统一EEG模型上的不足。

Interpretable EEG Microstate Discovery via Variational Deep Embedding: A Systematic Architecture Search with Multi-Quadrant Evaluation

通过变分深度嵌入进行可解释的EEG微状态发现：一种系统性架构搜索与多象限评估

Saheed Faremi, Andrea Visentin, Luca Longo

机构 * School of Computer Science and Information Technology（计算机科学与信息技术学院） ； University College Cork（科尔克大学） ； Artificial Intelligence and Cognitive Load Research Lab（人工智能与认知负荷研究实验室） ； Insight RI Research Centre for Data Analytics（洞察RI数据分析研究中心） 纠错

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

AI总结 本文提出Conv-VaDE模型，通过联合学习拓扑重建和概率软聚类，提升EEG微状态的可解释性与稳定性，通过系统性架构搜索发现深度L=4和小潜变量维度的配置最优。

Tokenizing Single-Channel EEG with Time-Frequency Motif Learning

使用时间-频率动机学习对单通道EEG进行分词

Jathurshan Pradeepkumar, Xihao Piao, Zheng Chen, Jimeng Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； SANKEN, Osaka University（大阪大学SANKEN） 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TFM-Tokenizer，通过学习单通道EEG信号的时间-频率动机词汇，提升EEG分词准确性，实验显示在多个基准上性能提升达11%，且适用于多种基础模型，具备良好的通用性和可扩展性。

Comments Accepted to ICLR 2026

DeepTokenEEG Enhancing Mild Cognitive Impairment and Alzheimers Classification via Tokenized EEG Features

基于分词EEG的轻量级高性能模型用于轻度认知障碍和阿尔茨海默病分类

Thinh Nguyen-Quang, Minh Long Ngo, Ngoc-Son Nguyen, Nguyen Thanh Vinh, Huy-Dung Han, Bui Thanh Tung, Nguyen Quang Linh, Khuong Vo, Manoj Vishwanath, Hung Cao

机构 * Hanoi University of Science and Technology（河内科学与技术大学） ； VNU University of Engineering and Technology（越南工程与技术大学） ； Central Military Hospital 108（第108中心军医院） ； University of California, Irvine（加州大学尔湾分校） 纠错

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

AI总结 本文提出DeepTokenEEG模型，通过分词EEG特征提升AD分类精度，实现100%准确率，比现有方法提升1.41-15.35%。

What Do EEG Foundation Models Capture from Human Brain Signals?

EEG基础模型从人类大脑信号中捕捉了什么？

Ling Tang, Qian Chen, Jilin Mei, Houshi Xu, Quanshi Zhang, Jing Shao, Na Zou, Xia Hu, Dongrui Liu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Tongji University（同济大学） ； University of Houston（休斯顿大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 研究探讨EEG基础模型如何从原始信号中学习，并通过实验验证其表示与特征工程基线的对齐情况，揭示了模型学习、使用及解释性方面的关键发现。

Neural Signals Generate Clinical Notes in the Wild

神经信号在真实环境中生成临床笔记

Jathurshan Pradeepkumar, Zheng Chen, Jimeng Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； SANKEN, Osaka University（大阪大学SANKEN） 纠错

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

AI总结 本文提出CELM模型，首个能从长期EEG记录中生成多尺度临床报告的EEG-语言基础模型，通过整合预训练EEG模型与语言模型，实现了可扩展的多模态学习，实验表明其在多个评估设置中均优于现有方法。

Separating Intrinsic Ambiguity from Estimation Uncertainty in Deep Generative Models for Linear Inverse Problems

在深度生成模型中分离内在模糊性与估计不确定性用于线性逆问题

Yuxin Guo, Dongrui Deng, Pulkit Grover

机构 * Neuroscience Institute, Carnegie Mellon University（卡内基梅隆大学神经科学研究所） ； Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） 纠错

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

AI总结 本文提出一种分解后验不确定性的方法，用于区分逆问题中固有模糊性和推断传播的不确定性，通过校准分析揭示模型失败模式。

Uncovering Trajectory and Topological Signatures in Multimodal Pediatric Sleep Embeddings

揭示多模态儿童睡眠嵌入中的轨迹和拓扑特征

Scott Ye, Harlin Lee

机构 * Department of Radiology（放射科） ； University of California San Francisco（加州大学旧金山分校） ； UNC–Chapel Hill（北卡罗来纳大学教堂山分校） ； UNC School of Data Science and Society（北卡罗来纳大学教堂山分校数据科学与社会学院） 纠错

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

AI总结 本文研究多模态掩码自编码器生成的儿童睡眠嵌入中包含的会话级诊断信息，通过结合PHATE坐标、持久同调和EHR数据，发现几何、拓扑和临床特征互补提升预测性能，尤其在极端不平衡情况下提升校准和鲁棒性。

Comments Accepted to ML4H 2025, 20 pages, 6 figures

Journal ref Proceedings of the Fifth Machine Learning for Health Symposium, PMLR 297:1392-1411, 2025

Finite-size scaling of hetero-associative retrieval in continuous-signal-driven Ising spin systems

异关联记忆在连续信号驱动的伊辛自旋系统中的有限尺寸缩放

Andrea Ladiana

专题命中 EEG解码 ：EEG(abstract)

AI总结 本文提出多层伊辛框架，结合几何保持的连续到伊辛编码器与Kanter-Sompolinsky伪逆记忆耦合，实现跨模态回忆，并验证有限尺寸修正对存储容量的影响。

Let Robots Feel Your Touch: Visuo-Tactile Cortical Alignment for Embodied Mirror Resonance

让机器人感受你的触摸：用于具身镜像共振的视觉-触觉皮层对齐

Tianfang Zhu, Ning An, Rui Wang, Jiasi Gao, Qingming Luo, Anan Li, Guyue Zhou

机构 * Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院） ； Key Laboratory of Biomedical Engineering of Hainan Province, School of Biomedical Engineering, Hainan University（海南省生物医学工程重点实验室，海南大学生物医学工程学院） ； School of New Media Art and Design, Beihang University（北航艺术与设计学院） ； MoE Key Laboratory for Biomedical Photonics, Wuhan National Laboratory for Optoelectronics, Huazhong University of Science and Technology（教育部生物医学光子学重点实验室，武汉光电研究所，华中科技大学） 纠错

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

AI总结 本文提出镜像触觉网络，通过多级约束实现视觉与触觉表征的语义、分布和几何对齐，使机器人能从RGB图像预测毫米级触觉信号，为具身镜像共振提供可解释的机器人感知路径。

Feature Visualization Recovers Known Cortical Selectivity from TRIBE v2

特征可视化从TRIBE v2中恢复已知的皮层选择性

Stuart Bladon, Brinnae Bent

机构 * Duke University（杜克大学） 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 本文提出特征可视化技术，通过梯度上升在TRIBE v2中恢复皮层选择性，发现不同区域在空间尺度和特征复杂度上的渐进变化，并产生三种下游模式。

Comments 8 pages, 3 figures, 2 tables. Code available at https://github.com/recozers/Tribe-V2-Interp

Are cortical microcircuits optimized for information flux? -- A simulation-based reverse engineering study

皮层微回路是否优化以增强信息流？——基于模拟的反向工程研究

Claus Metzner, Ali Ghebleh, Karin Prebeck, Achim Schilling, Andreas Maier, Thomas Kinfe, Patrick Krauss

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

AI总结 研究通过模拟分析皮层微柱结构，发现嵌入网络通过产生有效偏置和随机波动增强核心动态的信息流，为生物神经电路功能解释和人工递归系统设计提供新见解。

Shared representations in brains and models reveal a two-route cortical organization during scene perception

大脑与模型中的共享表征揭示了场景感知期间的双路由皮层组织

Pablo Marcos-Manchón, Lluís Fuentemilla

机构 * Department of Cognition, Development and Education Psychology, Faculty of Psychology, University of Barcelona（认知、发展与教育心理学系，心理学学院，巴塞罗那大学） ； Institute of Neurosciences, University of Barcelona（神经科学研究所，巴塞罗那大学） ； Bellvitge Institute for Biomedical Research（Bellvitge生物医学研究 institute） 纠错

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

AI总结 研究通过7T fMRI数据揭示了场景感知中双路由皮层组织，发现视觉和语言模型在表征结构上的差异。

Comments for associate code, see https://github.com/memory-formation/convergent-transformations

REALM: Retrospective Encoder Alignment for LFP Modeling

REALM：用于LFP建模的回顾性编码对齐

Peicheng Wu, Zhenyu Bu, Runze Ma, Lin Du

机构 * Department of Biomedical Engineering, The Ohio State University（生物医学工程系，俄亥俄州立大学） ； Department of Information Technology, Monash University Malaysia（信息技术系，墨尔本大学马来西亚分校） ； NeuroTech Insititude, Columbus, OH, United States（神经科技研究所，美国哥伦布） 纠错

专题命中 神经信号处理 ：brain-computer interface(abstract)；neural decoding(abstract)；neural signal(abstract)；分类 q-bio.NC、cs.LG

AI总结 REALM通过回顾性蒸馏框架实现因果LFP解码，提升行为解码精度，同时减少参数和训练时间，为无线植入式BCIs提供可行方案。

An MCMC-Based Method for Dynamic Causal Modeling of Effective Connectivity in Functional MRI

一种基于MCMC的方法用于功能性磁共振成像中有效连接性的动态因果建模

Kaitlyn R. Fales, Hyebin Song, Nicole A. Lazar

专题命中 神经信号处理 ：neural signal(abstract)

AI总结 本文提出了一种基于MCMC的动态因果建模方法，通过简化观测模型和No-U-Turn采样器提高计算效率和参数可识别性，实验证明其在模拟和真实数据中能提供可靠的不确定性量化和参数估计。

A cross-species neural foundation model for end-to-end speech decoding

跨物种神经基础模型用于端到端语音解码

Yizi Zhang, Linyang He, Chaofei Fan, Tingkai Liu, Han Yu, Trung Le, Jingyuan Li, Scott Linderman, Lea Duncker, Francis R Willett, Nima Mesgarani, Liam Paninski

机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Microsoft（微软公司） ； University of Washington（华盛顿大学） 纠错

专题命中 语音与意图解码 ：brain-computer interface(abstract)

AI总结 本文提出端到端BraIn-to-Text框架，通过单个可微神经网络将神经活动转化为连贯句子，利用跨任务、跨物种预训练神经编码器提升语音解码性能，降低词错误率至10.22%。