脑机接口 / BCI

Atoms of Thought: Universal EEG Representation Learning with Microstates

思想的原子：基于微状态的通用EEG表示学习

Xinyang Tian, Ruitao Liu, Ziyi Ye, Siyang Xue, Xin Wang, Xuesong Chen

机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院） ； School of Clinical Medicine, Tsinghua University（清华大学临床医学院） ； Beijing Five Seasons Medical Technology Co., Ltd.（北京五 Seasons 医疗科技有限公司） 纠错

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

AI总结 本文提出了一种基于微状态的通用EEG表示学习方法，通过将连续EEG信号聚类为离散的微状态序列，构建了一个通用的微状态分词器，并在睡眠分期、情绪识别和运动想象分类等下游任务中展示了其优越性，同时提高了可解释性和扩展性。

Comments Accepted by the 3rd International Workshop on Multimodal and Responsible Affective Computing (MRAC 2025). 8 pages of main text, 23 pages total, 5 figures, 4 tables

One-Block Transformer (1BT) for EEG-Based Cognitive Workload Assessment

用于EEG认知负荷评估的单块变换器（1BT）

Stefanos Gkikas, Christian Arzate Cruz, Thomas Kassiotis, Giorgos Giannakakis, Raul Fernandez Rojas, Randy Gomez

机构 * Honda Research Institute Japan Wako City, Japan ； Department of Electronic Engineering Hellenic Mediterranean University Chania, Greece ； BioSIS (Biosensing \& Intelligent Systems) Lab Centre for Intelligent Computing ； Systems University of Canberra Canberra, Australia 纠错

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

AI总结 本文提出了一种用于EEG认知负荷评估的单块变换器（1BT），通过一个最小的潜在瓶颈聚合多通道时间序列，结合轻量级自注意力机制，实现了高效且紧凑的模型设计，从而在保持高性能的同时显著降低了计算成本。

An Empirical Investigation of Reconstruction-Based Models for Seizure Prediction from ECG Signals

基于重建模型的癫痫预测的实证研究：从ECG信号出发

Mohammad Reza Chopannavaz, Foad Ghaderi

机构 * Human-Computer Interaction Lab., Faculty of Electrical and Computer Engineering, Tarbiat Modares University（人机交互实验室，电气与计算机工程学院，塔里亚特莫达雷斯大学） 纠错

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

AI总结 本文提出了一种基于重建的异常检测框架，利用时频表示和深度学习模型捕捉与癫痫发作相关的的心率动态变化，通过平滑重建误差和自适应阈值策略提高预测准确性，实验结果显示在Siena数据库上达到99.16%的特异度和76.05%的准确率，同时在临床环境中提供可操作的早期预警。

BrainDyn: A Sheaf Neural ODE for Generative Brain Dynamics

BrainDyn: 一种用于生成脑动态的sheaf神经ODE

Siddharth Viswanath, Panayiotis Ketonis, Chen Liu, Michael Perlmutter, Dhananjay Bhaskar, Smita Krishnaswamy

机构 * Yale University（耶鲁大学） ； Boise State University（博伊西州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

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

AI总结 本文提出BrainDyn，一种基于sheaf神经ODE的模型，用于生成脑动态，通过LSTM编码脑区活动历史，利用sheaf拉普拉斯算子促进信息传递，实现跨模态的强预测能力。

BCI-sift: An automated feature selection toolbox for Brain Computer Interface applications

BCI-sift: 一种用于脑机接口应用的自动化特征选择工具箱

Elena C Offenberg, Dirk Keller, Mariska J Vansteensel, Zachary V Freudenburg, Nick F Ramsey, Julia Berezutskaya

机构 * Department of Neurology and Neurosurgery, University Medical Center Utrecht Brain Center, Utrecht University（神经学与神经外科学系，乌得勒支大学医学中心脑研究中心，乌得勒支大学） ； Donders Institute for Brain, Cognition and Behaviour, Radboud University（脑、认知与行为研究所，拉德堡德大学） 纠错

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

AI总结 本文提出BCI-sift工具箱，通过整合先进优化方法，为脑机接口任务提供自动化特征选择解决方案，提升了分类准确性和解释性。

Comments 19 pages, 12 figures

How does longer temporal context enhance multimodal narrative video processing in the brain?

更长的时间上下文如何增强大脑对多模态叙事视频的处理？

Prachi Jindal, Anant Khandelwal, Manish Gupta, Bapi S. Raju, Subba Reddy Oota, Tanmoy Chakraborty

机构 * Technische Universität Berlin（柏林技术大学） ； Microsoft Research（微软研究院） ； IIT Delhi（德里理工学院） ； Microsoft（微软） ； IIIT-Hyderabad（海得拉巴理工学院） 纠错

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

AI总结 本研究探讨了视频片段时长和叙事任务提示如何影响自然电影观看过程中大脑模型对多模态大语言模型（MLLMs）的对齐情况，发现增加片段持续时间显著提高了大脑对齐程度，而单模态视频模型则无明显提升。

Comments 22 pages, 15 figures

Conserved Kinematic Representations enable Zero-Shot Decoding in Handwriting BCIs

保守的运动表示使手写BCI实现零样本解码

Srinivas Ravishankar, Virginia de Sa

专题命中 运动想象 ：BCI(title_cn,summary_cn)；brain-computer interface(abstract)；分类 q-bio.NC

AI总结 本研究提出了一种基于保守运动表示的框架，用于在手写BCI中实现零样本解码，展示了神经运动轨迹表示在不同字符上下文中的鲁棒性，为复杂运动控制提供了新的研究视角。

Synthetic Data Generation for Brain-Computer Interfaces: Overview, Benchmarking, and Future Directions

脑机接口中的合成数据生成：概述、基准测试与未来方向

Ziwei Wang, Zhentao He, Xingyi He, Hongbin Wang, Tianwang Jia, Jingwei Luo, Siyang Li, Xiaoqing Chen, Dongrui Wu

机构 * School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan, China（华中科技大学人工智能与自动化学院，武汉，中国） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） 纠错

专题命中 BCI数据与评测 ：brain-computer interface(title,abstract)；BCI(abstract,abstract_cn)；motor imagery(abstract)；分类 eess.SP、cs.LG

AI总结 本文综述了用于脑机接口的合成脑数据生成方法，讨论了不同生成方法的分类、基准实验、评估指标和应用，以及未来研究方向，旨在提升数据效率和隐私保护的脑机接口系统。

Comments 33 pages, 8 figures

Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers

基于多尺度交叉注意力变换器的跨受试者颅内脑电重构（使用头皮记录）

Tien-Dat Pham, Xuan-The Tran

机构 * HAI-Smartlink Research Lab, Anchi STE Company（HAI-Smartlink研究实验室、Anchi STE公司） ； School of Mechanical Engineering, Vietnam Maritime University（越南海事大学机械工程学院） 纠错

专题命中 BCI数据与评测 ：EEG(title,abstract)；brain-computer interface(abstract)；cortical(abstract)；分类 eess.SP、cs.LG

AI总结 本文提出了一种基于多尺度交叉注意力变换器（CAST）的方法，通过两阶段迁移学习策略，从头皮脑电中重建未见过的受试者的颅内脑电信号，实现了无需患者特定训练的跨受试者颅内脑电重构。

Quantifying the Generalization Gap in Seizure Detection: A Large-Scale Empirical Benchmark via the SzCORE Challenge

量化癫痫检测中的泛化差距：通过SzCORE挑战进行大规模经验基准测试

Jonathan Dan, Amirhossein Shahbazinia, Christodoulos Kechris, David Atienza

机构 * Embedded Systems Laboratory, EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院嵌入式系统实验室） 纠错

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

AI总结 本文通过SzCORE挑战的大规模经验研究，量化了癫痫检测中模型泛化能力的差距，评估了28种最先进的算法架构，揭示了当前模型在不同患者群体中表现不一致的问题，并提出了标准化评估的必要性。

FPED: A Functional-Network Prior-Guided Mixture-of-Experts Framework for Interpretable Brain Decoding

FPED: 一种基于功能网络先验的可解释性脑解码混合专家框架

Yudan Ren, Pengcheng Shi, Zihan Ma, Xiaowei He, Xiao Li

机构 * School of Electronic Information (School of Artificial Intelligence), Northwest University（电子信息学院（人工智能学院），西北大学） 纠错

专题命中 其他BCI ：brain-computer interface(abstract)；neural decoding(abstract)

AI总结 本文提出FPED框架，通过建模不同的功能脑网络作为专家，利用自适应路由机制捕捉其对视觉语义理解的互补贡献，实现可解释的脑解码。

Comments 15 pages,4 figures