脑机接口 / BCI

RAG-based EEG-to-Text Translation Using Deep Learning and LLMs

基于深度学习和大语言模型的RAG EEG到文本翻译

Enrico Collautti, Xiaopeng Mao, Luca Tonin, Stefano Tortora, Sadasivan Puthusserypady

机构 * IAS-LAB, Department of Information Engineering, University of Padova（帕多瓦大学信息工程系IAS实验室） ； Padova Neuroscience Center（帕多瓦神经科学中心） ； Department of Health Technology, Technical University of Denmark（丹麦技术大学健康技术系） 纠错

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

AI总结 本文提出了一种基于检索增强生成（RAG）的EEG到文本解码方法，结合EEG编码器、向量检索阶段和大语言模型，以提高句子级解码的准确性，并在ZuCo数据集上验证了其有效性。

Comments 6 pages, 2 figures. Submitted to the 2026 IEEE International Conference on Systems, Man, and Cybernetics

DARE-EEG: A Foundation Model for Mining Dual-Aligned Representation of EEG

DARE-EEG: 一种用于挖掘双对齐表示的EEG基础模型

Yang Shao, Peiliang Gong, Qun Dai, Daoqiang Zhang

机构 * College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（航空宇航学院人工智能学院） 纠错

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

AI总结 本文提出DARE-EEG，一种通过双对齐表示学习预训练的自监督基础模型，旨在解决EEG编码器在不完整观测下学习不变表示的问题，通过对比学习和动量更新实现语义稳定性，并通过卷积-线性探针策略适应异构电极配置和采样率，实验表明其在EEG基准测试中表现优异。

Comments 22 pages, 10 pages of main text + 12 pages of appendices

A Machine Learning Framework for EEG-Based Prediction of Treatment Efficacy in Chronic Neck Pain

一种基于EEG的慢性颈部疼痛治疗效果预测机器学习框架

Xiru Wang, Aiden Li, Hongzhao Tan, Stevie Foglia, Aimee Nelson, Zhen Gao

机构 * Department of Kinesiology, Faculty of Science, McMaster University（麦吉尔大学运动科学系） ； W Booth School of Engineering Practice and Technology, Faculty of Engineering, McMaster University（麦吉尔大学工程学院W Booth工程实践与技术学院） 纠错

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

AI总结 本文提出利用EEG数据预测慢性颈部疼痛治疗效果的机器学习框架，通过严格的数据预处理和文献综述，旨在开发支持个性化医疗的鲁棒预测模型。

Comments 15 pages, 7 figures

PRiSE-EEG: A Prior-Guided Foundation Model with Depth-Stratified Experts for Cross-Paradigm EEG Representation Learning

PRiSE-EEG: 一种基于先验的EEG基础模型，具有深度分层专家，用于跨范式EEG表示学习

Wei Xiong, Jiangtong Li, Kun Zhu, Jie Li

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

AI总结 本文提出PRiSE-EEG，一种基于先验的EEG基础模型，通过深度分层专家实现跨范式EEG表示学习，通过CKA校准的深度分层专家分配提升了模型的跨范式性能。

Comments 32 pages, 14 figures

Subject-Specific Analysis of Self-Initiated Attention Shifts from EEG with Controlled Internal and External Attention Conditions

基于EEG的受试者特异性自我启动注意力转移的分析：受控内部和外部注意力条件

Yuwen Zeng, Dengzhe Hou, Zhang Zhang, Sai Sun, Yongsong Huang, Chia-huei Tseng, Satoshi Shioiri

机构 * Advanced Institute of Convergence Knowledge Informatics, Tohoku University, Japan（东京东京大学融合知识信息研究院） ； Graduate School of Information Sciences, Tohoku University, Japan（东京东京大学信息科学研究生院） ； Center for Data-Driven Science and Artificial Intelligence, Tohoku University, Japan（东京东京大学数据驱动科学与人工智能研究中心） ； Research Institute of Electrical Communication, Tohoku University, Japan（东京东京大学电气通信研究所） 纠错

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

AI总结 本文研究了自我启动注意力转移的神经机制，通过EEG特征分析和机器学习方法，揭示了受试者特异性信息在可控实验条件下的应用价值。

Beyond Accuracy: Robustness, Interpretability and Expressiveness of EEG Foundation Models

超越准确率：EEG基础模型的鲁棒性、可解释性和表达性

Urban Širca, Maryam Alimardani, Stefanos Zafeiriou, Konstantinos Barmpas

机构 * Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Imperial College London（伦敦帝国学院） 纠错

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

AI总结 本文研究了EEG基础模型的鲁棒性、可解释性和表达性，通过在八个数据集上对六个EEG-FMs和一个基线深度学习模型进行基准测试，揭示了模型在不同扰动下的表现，以及其在可解释性和表达性方面的特性。

MEEDAV: A Synchronous Web Viewer for EEG, Eye-Tracking and Speech Data

MEEDAV：一种用于EEG、眼动追踪和语音数据同步可视化的Web查看器

Jan Pijálek, Karel Vlk, Ondřej Bojar

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

AI总结 本文提出MEEDAV，一种用于同步可视化EEG、眼动追踪和语音数据的开源Web应用，支持高密度EEG设置，并提供实时处理和交互式可视化功能，适用于心理语言学研究。

Comments Presented at ACAIN 2025 (Advanced Course & Symposium on Artificial Intelligence & Neuroscience), recipient of the Camillo Golgi Best Paper Award

Real-Time Non-Invasive Imaging and Detection of Spreading Depolarizations through EEG: An Ultra-Light Explainable Deep Learning Approach

实时非侵入式成像与检测扩散性去极化通过EEG：一种超轻量可解释深度学习方法

Yinzhe Wu, Sharon Jewell, Xiaodan Xing, Yang Nan, Anthony J. Strong, Guang Yang, Martyn G. Boutelle

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

AI总结 本文提出一种超轻量多模态深度学习网络，通过融合EEG频谱图像和时间功率向量，提升单电极上的扩散性去极化检测精度，实现低密度EEG下的高效检测。

MindMelody: A Closed-Loop EEG-Driven System for Personalized Music Intervention

MindMelody：一种基于EEG的闭环个性化音乐干预系统

Yimeng Zhang, Yueru Sun, Haoyu Gu, Zhanpeng Jin

机构 * South China University of Technology（南方科技大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 本文提出MindMelody系统，通过EEG信号实时生成个性化音乐，结合Transformer-GNN和RAG-LLM实现情绪感知与音乐生成的闭环控制，提升情感适应性与用户参与度。

Expectation and Acoustic Neural Network Representations Enhance Music Identification from Brain Activity

期望与听觉神经网络表示增强从脑活动识别音乐

Shogo Noguchi, Taketo Akama, Tai Nakamura, Shun Minamikawa, Natalia Polouliakh

机构 * Sony Computer Science Laboratories, Inc.（索尼计算机科学实验室） 纠错

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

AI总结 本研究通过区分听觉和期望相关的神经网络表示作为教师目标，提高了基于EEG的音乐识别性能，展示了表示学习可以由神经编码引导，并为预测音乐认知和神经解码的发展提供了新方向。

Comments 47 pages, 12 figures

Neural Visual Decoding via Cognitive guided Adaptive Blurring and Information Constrained Alignment

通过认知引导的自适应模糊和信息受限对齐实现神经视觉解码

Fan Yin, Chuhang Zheng, Peiliang Gong, Donghai Guan, Qi Zhu

机构 * Department of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（南京航空航天大学人工智能学院） ； Department of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；neural decoding(abstract)；neural signal(abstract)

AI总结 本文提出CAIA框架，通过认知引导的自适应模糊和信息受限对齐，提升神经信号与视觉语义的映射精度，改进零样本脑-图像检索的Top-1和Top-5准确率。

NeuroRVQ: Multi-Scale Biosignal Tokenization for Generative Foundation Models

NeuroRVQ：多尺度生物信号分词用于生成式基础模型

Konstantinos Barmpas, Na Lee, Dimitrios Chalatsis, William Raftery, Yannis Panagakis, Dimitrios A. Adamos, Nikolaos Laskaris, Alexandros Koliousis, Dario Farina, Stefanos Zafeiriou

机构 * Imperial College London（帝国理工学院伦敦分校） ； Cogitat ； National and Kapodistrian University of Athens（国家与资本主义大学雅典分校） ； Archimedes Research Unit（阿基米德研究单位） ； Aristotle University of Thessaloniki（亚里士多德大学塞萨洛尼基分校） ； Northeastern University London（东北大学伦敦分校） 纠错

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

AI总结 本文提出NeuroRVQ，一种多尺度生物信号分词方法，通过多尺度时序卷积分解生物信号并结合相位感知损失，实现高保真信号重建，验证了高质量分词对下游性能的重要性。

AIM: Adversarial Information Masking for Faithfulness Evaluation of Saliency Maps

AIM：对抗性信息遮蔽用于显著图忠实性评估

Chia-Ying Hsieh, Hsin-Yuan Fang, 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(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出AIM方法，通过对抗性信息遮蔽框架评估显著图的忠实性及遮蔽操作的可靠性，通过对比不同遮蔽方式下的退化效果，减少遮蔽诱导的偏差，并揭示不同模态下符号和非符号归因之间的差异。

OSSMM: An Open-Source Sleep Monitor and Modulator

OSSMM：一个开源的睡眠监测与调节器

Jonny Giordano, Fergal Stapleton, Gabriel Palma, Barak A. Pearlmutter

专题命中 EEG解码 ：EEG(abstract,abstract_cn)

AI总结 本文提出OSSMM，一种开源的硬件和软件平台，用于可及的睡眠研究。该平台通过低成本的3D打印和商用现成组件构建了小型可穿戴头带，并配以Android应用程序，无需导电凝胶、一次性电极或专业设备，即可通过无线连接捕获多种生物信号，用于睡眠阶段分类和潜在的睡眠调节。

Comments 8 pages

CodeBind: Decoupled Representation Learning for Multimodal Alignment with Unified Compositional Codebook

CodeBind: 一种用于多模态对齐的解耦表示学习框架

Zeyu Chen, Jie Li, Kai Han

机构 * Visual AI Lab, The University of Hong Kong（视觉人工智能实验室，香港大学） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)

AI总结 CodeBind通过统一的组合代码本设计优化多模态表示空间，解决了传统方法在跨模态信息差异和数据稀缺导致的对齐空间不足问题，实现了多模态分类和检索任务中的最佳性能。

Comments ACL 2026 Findings; Project page: https://visual-ai.github.io/codebind