arXivDaily arXiv每日学术速递 周一至周五更新

科学与医疗

脑机接口 / BCI

脑机接口、EEG、神经信号解码、神经假体和脑控交互。

2026-05-29 至 2026-05-29 共收录 11 信号源:q-bio.NC, eess.SP, cs.LG, cs.HC, cs.RO

1. EEG解码 5 篇

2605.29943 2026-05-29 cs.HC cs.ET cs.LG 94%

A Domain-Informed Multi-Objective Framework for EEG Channel Selection in Motor Imagery BCIs

一种领域信息驱动的多目标框架用于运动想象脑机接口中的EEG通道选择

Dekka Muni Kumar, Dhruba Jyoti Kalita, Yogesh Kumar Meena

机构 * Human-AI Interaction (HAIx) Lab, IIT Gandhinagar(人机交互(HAIx)实验室,印度冈达恩加尔理工学院)

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

AI总结 提出一种基于多目标优化(NSGA-II、MOPSO、MOEA/D)的EEG通道选择框架,通过高斯核评估空间相关性、任务相关去同步评估功能区分性,在四个数据集上优于单目标方法,实现紧凑通道子集和高分类性能。

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

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.29731 2026-05-29 cs.LG 91%

EMAG: Differentiable 4D Gaussian Mixture Splatting for EEG Spatial Super-Resolution

EMAG: 可微分的4D高斯混合喷溅用于EEG空间超分辨率

Alex Lazarovich, Ofir Itzhak Shahar, Gur Elkin, Ohad Ben-Shahar

机构 * Stein Faculty of Computer and Information Science(计算机与信息科学学院) Ben-Gurion University of the Negev(贝内尔-加利利大学)

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

AI总结 提出EMAG框架,通过可微分的各向异性4D时空高斯混合模型,从稀疏低密度电极重建高密度EEG信号,实现空间超分辨率,并在三个基准上超越现有方法。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.29754 2026-05-29 cs.AI 89%

Benchmarking Positional Encoding Strategies for Transformer-Based EEG Foundation Models

基于Transformer的脑电图基础模型位置编码策略基准测试

Ayse Betul Yuce, Sebastian Stober

机构 * Department of Computer Science, Otto von Guericke University(奥托·冯·格里克大学计算机科学系)

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

AI总结 本研究在CBraMod骨干网络中基准测试五种位置编码策略,通过线性探测和微调协议评估运动想象分类和情感识别任务,发现最优策略具有任务依赖性。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.28977 2026-05-29 cs.LG cs.AI 79%

Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection

比较事后可解释AI方法用于解释抑郁症检测中的黑盒脑电图模型

Antonia Šarčević, Nikolina Frid

机构 * University of Zagreb Faculty of Electrical Engineering and Computing(Zagreb大学电子工程与计算学院)

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

AI总结 本研究通过多种事后可解释性方法(如DeepSHAP、集成梯度、GradCAM、遮挡和置换特征重要性)分析InceptionTime架构在脑电图抑郁症检测中的决策过程,发现不同方法在额叶、颞叶和后部脑区(尤其是右半球)的归因模式部分收敛,但方法间存在差异,强调了事后可解释性的有用性和局限性。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.29673 2026-05-29 cs.LG cs.CV 70%

A Geometric View of SRC: Learning Representations for Stable Residual Inference

SRC的几何视角:学习用于稳定残差推理的表示

Vangelis P. Oikonomou

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

AI总结 本文从几何角度分析稀疏表示分类(SRC)的残差排序稳定性,提出几何塑造目标以改善表示学习,并在多个数据集上验证了效果。

Comments 37 pages

详情

展开后加载摘要…

URL PDF HTML 收藏

2. 神经信号处理 2 篇

2601.10912 2026-05-29 q-bio.NC eess.IV q-bio.QM 79%

Graph Neural Network Reveals the Cortical Morphology of Local Brain Aging in Normal Cognition and Alzheimer's Disease

图神经网络揭示正常认知与阿尔茨海默病中局部脑老化的皮层形态学

Samuel D. Anderson, Jordan Jomsky, Nikhil N. Chaudhari, Nahian F. Chowdhury, Xiaoyu, Zheng, Andrei Irimia, Alzheimers Disease Neuroimaging Initiative

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

AI总结 提出图神经网络(GNN)利用皮层形态学特征(厚度、面积、曲率、灰白质强度比、沟深)估计局部脑龄(LBA),在ADNI数据集上比现有方法误差更低,并发现与阿尔茨海默病病理相关的区域老化模式。

Comments Code and supplementary tables are available at https://github.com/irimia-laboratory/Graph_UNet

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.29850 2026-05-29 cs.LG 57%

MIRAGE: Adaptive Multimodal Gating for Whole-Brain fMRI Encoding

MIRAGE:用于全脑fMRI编码的自适应多模态门控

Abdulkadir Gokce, Badr AlKhamissi, Martin Schrimpf

机构 * Qwen3-Omni-30B-A3B-Thinking(通义千问3- Omni-30B-A3B-Thinking)

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

AI总结 提出MIRAGE框架,通过原生多模态骨干网络和自适应特征门控,实现全脑fMRI对自然视听刺激的高精度编码,并证明原生多模态特征优于后期融合的单模态特征。

Comments Preprint. First two author contributed equally

详情

展开后加载摘要…

URL PDF HTML 收藏

3. 运动想象 1 篇

2605.29677 2026-05-29 cs.HC eess.SP q-bio.NC 87%

Embodied Virtual Reality Feedback Reshapes Neural Representations to Support Continuous Three-Dimensional Motor Imagery Decoding

具身虚拟现实反馈重塑神经表征以支持连续三维运动想象解码

Niall McShane, Attila Korik, Karl McCreadie, Naomi Du Bois, Darryl Charles, Damien Coyle

专题命中 运动想象 :motor imagery(title,abstract);BCI(abstract_cn);brain-computer interface(abstract);分类 q-bio.NC、eess.SP、cs.HC

AI总结 本研究通过十名参与者的纵向实验,首次系统探究了具身虚拟现实反馈在实时三维虚拟肢体运动想象控制中的作用,发现VR反馈显著优于屏幕反馈,能提升解码性能并诱发更可解码和泛化的神经表征。

Comments 28 pages, 7 figures, 3 tables. Submitted to Nature Biomedical Engineering. Data to be made available via Zenodo (DOI: 10.5281/zenodo.16047021)

详情

展开后加载摘要…

URL PDF HTML 收藏

4. 语音与意图解码 1 篇

2605.29845 2026-05-29 math.OC 50%

Local Differential Privacy via Dynamic Quantization in Distributed Online Stochastic Optimization

分布式在线随机优化中基于动态量化的本地差分隐私

Zhiguo Zhang, Cheng Kui, Qian Ma, Dongrui Wu

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

AI总结 提出一种使用动态随机量化器实现本地差分隐私的分布式在线随机优化算法,在几乎必然收敛到最优解的同时为每个智能体提供(0,δ^i)-本地差分隐私,并适用于有向图网络。

详情

展开后加载摘要…

URL PDF HTML 收藏

5. BCI数据与评测 2 篇

2605.29591 2026-05-29 cs.AI 67%

Mind-Omni: A Unified Multi-Task Framework for Brain-Vision-Language Modeling via Discrete Diffusion

Mind-Omni:通过离散扩散实现脑-视觉-语言建模的统一多任务框架

Yizhuo Lu, Changde Du, Qingyu Shi, Hang Chen, Jie Peng, Liuyun Jiang, Shuangchen Zhao, Huiguang He

机构 * NeuBCI Lab, State Key Laboratory of Brain Cognition Brain-inspired Intelligence Technology, Institute of Automation, Chinese Academy of Sciences, Beijing, China School of Future Technology, University of Chinese Academy of Sciences, Beijing, China School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China Zhongguancun Academy, Beijing, China Peking University, Beijing, China

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

AI总结 提出Mind-Omni框架,利用离散扩散范式统一七种编码与解码任务,通过脑分词器将连续脑信号转化为离散令牌,实现多模态交互,并构建脑问答指令调优数据集,在多项任务上达到或超越专用模型性能。

详情

展开后加载摘要…

URL PDF HTML 收藏
2510.16658 2026-05-29 cs.AI cs.CE 67%

Large-Scale AI and Foundation Models for Neuroscience: A Comprehensive Review

大规模人工智能与基础模型在神经科学中的应用:综合综述

Shihao Yang, Xiying Huang, Danilo Bernardo, Jun-En Ding, Andrew Michael, Guoan Wang, Jingmei Yang, Alison Anderson, Dinesh Giritharan, Patrick Kwan, Ashish Raj, Yu Zhang, Feng Liu

机构 * Department of Systems Engineering, Stevens Institute of Technology(系统工程系,史蒂文斯理工学院) Department of Neurology and Weill Institute for Neurosciences, University of California San Francisco(神经病学系和Weill神经科学研究所,旧金山大学) Duke Institute for Brain Sciences, Duke University(杜克大学脑科学研究所) Division of Systems Engineering, Department of Electrical and Computer Engineering, Boston University(系统工程 division,电气与计算机工程系,波士顿大学) Department of Neuroscience, School of Translational Medicine, Monash University(神经科学系,转化医学学院,莫纳什大学) Department of Neurology, Alfred Hospital, Melbourne, Victoria, Australia(神经病学系,阿尔弗雷德医院,墨尔本,维多利亚州,澳大利亚) Department of Radiology and Biomedical Imaging, University of California, San Francisco, CA, USA(放射学与生物医学成像系,旧金山大学,加州,美国) Department of Psychiatry and Behavioral Sciences, School of Medicine, Stanford University(精神病学与行为科学系,医学院,斯坦福大学) Wu Tsai Neurosciences Institute, Stanford University(吴氏神经科学研究所,斯坦福大学) Stanford Institute for Human-Centered AI, Stanford University(斯坦福大学人本人工智能研究所)

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

AI总结 本文综述了大规模AI模型在神经科学四个主要领域(神经影像与数据处理、脑机接口与神经解码、临床决策支持与转化框架、神经系统与精神疾病特定应用)的应用,展示了其在多模态数据整合、时空模式解释和临床转化方面的潜力,并强调了严格评估、领域知识整合、临床验证和伦理指南的重要性。

Comments Accepted for publication in Meta-Radiology

详情

展开后加载摘要…

URL PDF HTML 收藏