脑机接口 / BCI

Brain-to-Image Retrieval and Reconstruction via Multimodal EEG Alignment

通过多模态EEG对齐实现脑到图像的检索与重建

Chi Kit Wong, Yan Liu, Haowen Yan

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 提出一种脑到图像系统，通过多模态EEG对齐实现自然图像观看时的视觉刺激解码，在检索任务中达到86.30%的Top-1准确率，在重建任务中获得0.903的CLIP分数。

Comments 16 pages, 5 figures. Code available at: https://github.com/Chikit-WONG/DL_Project/

Decoding Stimulus Reconstruction-Based Auditory Attention Robustly in Unbalanced EEG Datasets

在不平衡EEG数据集中基于刺激重建的听觉注意力鲁棒解码

Yuanming Zhang, Yayun Liang, Zhibin Lin, Jing Lu

机构 * Key Lab of Modern Acoustics, Nanjing University（南京大学现代声学国家重点实验室） ； Horizon Robotics 纠错

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

AI总结 研究不平衡数据集对基于刺激重建的听觉注意力解码性能的影响，提出留一对包交叉验证协议以防止解码准确率膨胀。

Spectral Priors vs. Attention: Investigating the Utility of Attention Mechanisms in EEG-Based Diagnosis

光谱先验 vs. 注意力：探究注意力机制在基于脑电图的诊断中的效用

Tawsik Jawad, Gowtham Atluri, Vikram Ravindra

机构 * University of Cincinnati（辛辛那提大学） 纠错

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

AI总结 本文提出一种基于频带选择的光谱特征构建方法，证明在小型EEG数据集中，传统机器学习模型性能可匹敌或超越SOTA深度学习模型，而注意力机制无法提取稳定的光谱特征。

MindAlign: Bridging EEG, Vision, and Language for Zero-Shot Visual Decoding

MindAlign: 弥合脑电图、视觉和语言实现零样本视觉解码

Zexuan Chen, Sichao Liu, Runhao Lu, Huichao Qi, Alexandra Woolgar, Xi Vincent Wang, Lihui Wang

机构 * KTH, SWeden（瑞典皇家理工学院） ； University of Cambridge, UK（剑桥大学） ； EPFL, Switzerland（瑞士联邦理工学院） ； McGill University, Canada（麦吉尔大学） ； Karolinska Institutet, Sweden（卡罗林斯卡研究所） 纠错

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

AI总结 提出一种三模态对比学习框架MindAlign，通过对齐脑电图、图像和文本表示，在Things-EEG2零样本基准上实现54.1% Top-1和83.4% Top-5准确率，显著超越先前方法。

Comments 20 pages, 10 figures, 15 tables

BandVQ: Band-Wise Vector-Quantized EEG Foundation Model

BandVQ: 分带向量量化的脑电图基础模型

Jamiyan Sukhbaatar, Satoshi Imamura, Toshihisa Tanaka

机构 * Tokyo University of Agriculture and Technology（东京农工大学） ； National University of Mongolia（蒙古国国立大学） 纠错

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

AI总结 针对脑电图基础模型中频率特异性活动表征不足的问题，提出BandVQ模型，通过分带VQ-VAE分词器和共享Transformer编码器，在71个公共数据集上预训练，并在六个分类任务上取得领先性能。

Comments 15 pages, 1 figure

Visualizing the Invisible: Generative Visual Grounding Empowers Universal EEG Understanding in MLLMs

可视化不可见：生成式视觉定位赋能多模态大语言模型的通用脑电图理解

Jun-Yu Pan, Yansen Wang, Enze Zhang, Bao-Liang Lu, Wei-Long Zheng, Dongsheng Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

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

AI总结 提出生成式视觉定位（GVG）框架，通过脑电图到图像的生成模型作为视觉翻译器，为多模态大语言模型提供结构化视觉上下文，以增强非视觉脑电图的理解和临床状态解释。

How do Humans Process AI-generated Hallucination Contents: a Neuroimaging Study

人类如何处理AI生成的幻觉内容：一项神经影像学研究

Shuqi Zhu, Yi Zhong, Ziyi Ye, Bangde Du, Yujia Zhou, Qingyao Ai, Yiqun Liu

机构 * Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； Institute of Trustworthy Embodied AI, Fudan University, Shanghai, China（复旦大学可信具身人工智能研究院） 纠错

专题命中 EEG解码 ：EEG(summary_cn,abstract)

AI总结 通过EEG实验，研究人类在处理多模态大语言模型生成的幻觉与非幻觉内容时的神经动力学差异，揭示误判的幻觉内容未能触发标准神经认知事实验证通路。

GL-LFGNN:A Global-Local Dual-branch Causal Graph Neural Network Based on Liang-Kleeman Information Flow for EEG Emotion Recognition

GL-LFGNN：基于Liang-Kleeman信息流的全局-局部双分支因果图神经网络用于脑电情感识别

Ziyi Wang, Dongyang Kuang

机构 * School of Mathematics (Zhuhai), Sun Yat-sen University, Zhuhai, China（中山大学数学学院（珠海）） 纠错

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

AI总结 提出GL-LFGNN模型，利用Liang-Kleeman信息流理论构建有向因果图，通过全局-局部双分支架构整合全脑与区域连接，在MEEG数据集上以少量参数实现高精度情感识别。

Comments 10 pages, 3 figures

DIVER-1: Scaling Intracranial EEG Foundation Models for Transferable Representations

DIVER-1: 扩展颅内脑电图基础模型以实现可迁移表示

Danny Dongyeop Han, Yonghyeon Gwon, Ahhyun Lucy Lee, Taeyang Lee, Seong Jin Lee, Jubin Choi, Sebin Lee, Jihyun Bang, Seungju Lee, David Keetae Park, Shinjae Yoo, Chun Kee Chung, Jiook Cha

机构 * Seoul National University（首尔国立大学） ； Brookhaven National Laboratory（布鲁克海文国家实验室） 纠错

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

AI总结 提出DIVER-1自监督iEEG基础模型，通过可变电极-时间注意力、时空重采样等设计处理可变输入，在5310小时ECoG和SEEG上预训练，在认知解码和癫痫检测任务上超越现有模型，并首次进行受控计算感知的扩展研究。

Comments 31 pages, 12 figures, 14tables

Non-Invasive Reconstruction of Intracranial EEG Across the Deep Temporal Lobe from Scalp EEG based on Conditional Normalizing Flow

基于条件归一化流的从头皮脑电无创重建深颞叶颅内脑电

Dongyi He, Bin Jiang, Kecheng Feng, Luyin Zhang, Ling Liu, Yuxuan Li, Yun Zhao, He Yan

机构 * School of Artificial Intelligence, Chongqing University of Technology（重庆理工大学人工智能学院） ； School of Smart Health, Chongqing Polytechnic University of Electronic Technology（重庆电子工程职业大学智能健康学院） 纠错

专题命中 EEG解码 ：EEG(title)；分类 q-bio.NC

AI总结 提出NeuroFlowNet，一种基于条件归一化流的跨模态生成框架，首次从头皮脑电信号重建整个深颞叶区域的颅内脑电信号，解决了高保真重建的难题。

Multimodal Functional Maximum Correlation for Emotion Recognition

多模态功能最大相关用于情感识别

Deyang Zheng, Tianyi Zhang, Wenming Zheng, Shujian Yu

机构 * Key Laboratory of Child Development and Learning Science (Ministry of Education), School of Biological Sciences and Medical Engineering, Southeast University（儿童发展与学习科学重点实验室（教育部）、生物科学与医学工程学院、东南大学） ； Department of Artificial Intelligence, Westlake University（人工智能学院、西湖大学） ； Department of Artificial Intelligence, Vrije Universiteit Amsterdam（人工智能学院、阿姆斯特丹自由大学） 纠错

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

AI总结 提出多模态功能最大相关（MFMC）框架，通过双重总相关目标最大化高阶多模态依赖，在情感识别基准上取得最先进性能。

Comments manuscript accepted by IEEE Transactions on Affective Computing. Code is available at https://github.com/DY9910/MFMC

Decoding Speech Envelopes from Electroencephalogram with a Contrastive Pearson Correlation Coefficient Loss

使用对比皮尔逊相关系数损失从脑电图解码语音包络

Yayun Liang, Yuanming Zhang, Fei Chen, Jing Lu, Zhibin Lin

专题命中 EEG解码 ：EEG(abstract,abstract_cn)

AI总结 提出一种对比皮尔逊相关系数损失函数，通过最大化注意包络与未注意包络的相关系数差异，提升基于深度神经网络的脑电图语音包络重构和听觉注意解码性能。

From Flow to Form: Emergence of the Cytokinetic Ring via Active Cortical Dynamics

从流到形：通过主动皮层动力学形成胞质分裂环

Sabyasachi Mukherjee, Anirban Sain

专题命中 神经信号处理 ：cortical(title,abstract)

AI总结 通过主动变形壳的3D相场模拟，研究皮层流和向列序耦合动力学如何自发形成类似向列肌动球蛋白环并驱动细胞中部内陷，揭示不同皮层流模式（包括反向旋转流）的出现机制及初始向列取向偏置导致的记忆效应。

Multi-Objective Optimisation with Oscillatory Dynamics in Spontaneous and Decision Spiking Neural Networks

自发与决策脉冲神经网络中具有振荡动力学的多目标优化

Divyansh Sethi, Muhammad Faraz, KongFatt Wong-Lin

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

AI总结 本研究扩展了遗传算法（NSGA-III）在基于Izhikevich神经元的递归脉冲神经网络上的应用，通过优化连接参数以同时匹配目标神经元群体发放率和网络振荡频率，并在自发活动模型、低激活脑类器官和决策模型中验证了其有效性。

Train-Free Segmentation in MRI with Cubical Persistent Homology

基于立方体持续同调的MRI无训练分割

Anton François, Raphaël Tinarrage

机构 * Centre G. Borelli ； ENS Paris-Saclay（巴黎-萨克雷大学） ； IST Austria（IST奥地利研究所） ； EMAp, Fundação Getulio Vargas（EMAp，格洛里亚·瓦格斯基金会） 纠错

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

AI总结 提出一种基于拓扑数据分析的无训练MRI分割框架，通过自动阈值、提取已知拓扑子集和分解成分三步实现，利用持续同调中的近似代表循环建立拓扑特征与解剖成分的可解释联系，在胶质母细胞瘤和胎儿皮质板分割中验证有效性。

Comments Similar to the published version. 22 pages, 11 figures, 3 tables. For associated code, see https://github.com/antonfrancois/gliomaSegmentation_TDA

Journal ref Journal of Mathematical Imaging and Vision 68, 20 (2026)

NeurIPS: Neuro-anatomical Inductive Priors for Sphere-based Brain Decoding

NeurIPS: 基于球面的脑解码的神经解剖学归纳先验

Sijin Yu, Zijiao Chen, Zhenyu Yang, Zihao Tan, Jiakun Xu, Zhongliang Liu, Shengxian Chen, Wenxuan Wu, Xiangmin Xu, Xin Zhang

机构 * South China University of Technology（南方科技大学） ； Stanford University（斯坦福大学） ； King's College London（伦敦国王学院） ； Foshan University（佛山大学） ； Pazhou Lab（琶洲实验室） 纠错

专题命中 神经信号处理 ：cortical(abstract)

AI总结 提出NeurIPS框架，通过选择性ROI球形分词器和结构引导专家混合模型，将解剖变异转化为归纳先验，在自然场景数据集上实现表面解码器最先进性能，并显著提升训练效率。

Comments International Conference on Machine Learning (ICML) 2026

What Are We Actually Decoding? Source Attribution for Non-Invasive Brain-to-Language Retrieval

我们究竟在解码什么？非侵入式脑到语言检索的源归因

Xinyu Zhang, Sichao Liu, Runhao Lu, Alexandra Woolgar, Lihui Wang

机构 * KTH（瑞典皇家理工学院） ； University of Cambridge（剑桥大学） ； EPFL（苏黎世联邦理工学院） ； Karolinska Institutet（Karolinska研究所） ； McGill University（麦吉尔大学） 纠错

专题命中 神经假体 ：EEG(abstract,abstract_cn)；分类 q-bio.NC、cs.LG

AI总结 针对非侵入式神经语言解码中结果被非刺激诱发源（如解码器先验、嵌入度量、信号时长等）膨胀的问题，提出一个审计框架，通过结构捷径、窗口级刺激锁定证据和跨窗口上下文聚合三种源分离，并引入组上下文偏差（GCB）作为可控的源归因干预，实现性能的源归因而非仅报告。

Comments 35 pages, 7 figures, 25 tables

End-to-End Intracortical Speech Decoding from Neural Activity

从神经活动进行端到端的脑皮层内语音解码

Owais Mujtaba Khanday, Jose A. Gonzalez-Lopez, Marc Ouellet, Alberto Galdon, Gonzalo Olivares Granados

机构 * Brain, Mind, and Behavior Research Center（脑、心智与行为研究中心） 纠错

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

AI总结 提出基于Conformer的端到端神经解码器，无需外部语言模型即可从肌萎缩侧索硬化症（ALS）患者的脑皮层内记录中实现字符级解码，字符错误率（CER）为23.80%。

Comments Accepted at Odyssey 2026 (Lisbon)

MindAdapter: Few-Shot Parameter-Efficient Residual Calibration of Cross-Subject Brain-to-Visual Decoding Models

MindAdapter: 跨被试脑到视觉解码模型的少样本参数高效残差校准

Jiaxiang Liu, Jiawei Du, Xupeng Chen, Guoqi Li, Jiang Cai, Simon Fong, Mingkun Xu

机构 * Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） ； Agency for Science, Technology and Research（科技研究局） ； New York University（纽约大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系） 纠错

专题命中 BCI数据与评测 ：brain-computer interface(abstract)

AI总结 提出MindAdapter框架，通过解耦的线性-残差级联对齐和拓扑锚定双流流形约束，实现跨被试脑到视觉解码的少样本参数高效校准。

Comments Accepted to KDD 2026 (AI4Sciences Track). 15 pages, 7 figures

The Timing Dependencies of Trust: Speed, Accuracy, and cBCI Neuro-Decoupling in Human-AI Teams

信任的时间依赖性：人机团队中的速度、准确性与cBCI神经解耦

Christopher Baker, Stephen Hinton, Akashdeep Nijjar, Riccardo Poli, Caterina Cinel, Tom Reed, Stephen Fairclough

机构 * School of Electronics, Electrical Engineering and Computer Science（电子工程与计算机科学学院） ； Queen's University Belfast（贝尔法斯特女王大学） ； School of Psychology（心理学学院） ； Liverpool John Moores University（利物浦约翰摩尔斯大学） ； School of Computer Science and Electronic Engineering（计算机科学与电子工程学院） ； University of Essex（埃塞克斯大学） ； Defence Science Technology Laboratory（国防科学技术实验室） 纠错

专题命中 其他BCI ：brain-computer interface(abstract)；分类 cs.LG、cs.HC

AI总结 本研究通过比较快速低准确率（FLA-AI）与慢速高准确率（SA-AI）两种AI助手，利用协作脑机接口（cBCI）和自适应黎曼Oracle，揭示了AI响应时间决定了团队失败机制：快速AI引发盲目服从，慢速AI导致延迟认知冲突，并通过混合融合方法有效提升了团队性能。