脑机接口 / BCI

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） 纠错

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

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） 纠错

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。

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） 纠错

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。

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） 纠错

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。

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