脑机接口 / BCI

Transformer Based Model for Spatiotemporal Feature Learning in EEG Emotion Recognition

基于Transformer的脑电情绪识别时空特征学习模型

Xinglong Cui, Dian Gu

机构 * Beijing Neurodeep Technology Co., Ltd（北京纽罗德普科技有限公司） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 提出EEG-TransNet架构，通过局部自注意力块和模糊注意力同步Transformer捕捉脑电信号的时空特征，在三个数据集上优于现有方法。

When VR Meets BCI: (Un)Observable Brainwave-aware Privacy Reconstruction in the Metaverse via Unrestricted Inbuilt Motion Sensors

当VR遇上BCI：通过无限制内置运动传感器在元宇宙中实现（不可）观察的脑电波感知隐私重建

Tao Ni, Zehua Sun, Qingchuan Zhao, Wei-Bin Lee, Cong Wang

专题命中 EEG解码 ：BCI(title,title_cn)；EEG(abstract)

AI总结 利用VR头显内置运动传感器捕捉瞳孔反应引起的细微振动，重建脑电信号，首次在元宇宙中揭示不可观察的隐私泄露，实现52.0%-67.2%的感知图像识别准确率。

DAH-Net: A Dual-Attention Hybrid Network for Interpretable and Robust EEG-Based Emotion Recognition

DAH-Net: 用于可解释且鲁棒的基于脑电情绪识别的双注意力混合网络

S M Rakib UI Karim, Diponkor Bala, Wenyi Lu, Rownak Ara Rasul, Sean Goggins

机构 * Department of Electrical \& Computer Engineering University of Missouri Columbia, Missouri, USA ； Department of Computer Science ； Engineering City University Savar, Dhaka-1340, Bangladesh ； Department of Computer Science University of Missouri Columbia, Missouri, USA 纠错

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

AI总结 提出DAH-Net双注意力混合网络，集成1D-CNN、BiLSTM和双多头注意力，在2479样本988特征上达到99.19%测试准确率，优于传统模型，并通过特征分析揭示协方差特征贡献最大。

Sleep EEG Signal Criticality as a Non-Invasive Predictor of Cognitive Decline in Dementia

睡眠脑电信号临界性作为痴呆认知衰退的非侵入性预测指标

Stanisław Narębski, Tomasz Komendziński, Tomasz M. Rutkowski

机构 * Institute of Cybernetics and Human Informatics, Polish Academy of Sciences（波兰科学院信息学与人类科学研究所） 纠错

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

AI总结 研究通过多重分形去趋势波动分析量化睡眠脑电信号临界性，发现认知健康者更接近最优临界状态，痴呆组DFA指数向1.0偏移，表明睡眠中无标度神经动力学重组先于临床症状，可作为早期筛查工具。

Comments 4 pages, 2 figures, accepted for publication in the Proc. 48th Annu. Int. Conf. IEEE EMBS (EMBC 2026), Toronto, Canada, July 20-24, 2026

Journal ref 48th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). Toronto, Canada: IEEE Press; 2026. p. 5607-10

A Single Channel-Based Neonatal Sleep-Wake Classification using Hjorth Parameters and Improved Gradient Boosting

基于Hjorth参数和改进梯度提升的单通道新生儿睡眠-觉醒分类

Arslan Bisharat, Muhammad Mubeen, Saadullah Farooq Abbasi, Muhammad Shahbaz Khan, Wadii Boulila, Jawad Ahmad

机构 * Department of Computer Science, Loyola University（洛约拉大学计算机科学系） ； Department of Computer Science, University of People（人民大学计算机科学系） ； Department of Electronic, Electrical and Systems Engineering, University of Birmingham（伯明翰大学电子、电气与系统工程系） ； School of Computing, Engineering and the Built Environment, Edinburgh Napier University（爱丁堡纳皮尔大学计算、工程与环境科学学院） ； RIOTU Lab, Prince Sultan University（普森大学RIOTU实验室） 纠错

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

AI总结 本文提出利用单通道梯度提升算法与Hjorth特征进行新生儿睡眠阶段分类，通过随机搜索交叉验证优化参数，达到82.35%的分类准确率，验证方法采用5折交叉验证，提升现有算法并拓展应用范围。

Comments 8 pages, 5 figures, 3 tables, International Polydisciplinary Conference on Artificial Intelligence and New Technologies

Updating the standard neuron model in artificial neural networks

更新人工神经网络中的标准神经元模型

Raul Mohedano, Thomas Batard, Erik Velasco-Salido, Ramsses De Los Santos Mendoza, Jorge H. Martínez, Stacey Levine, Marcelo Bertalmío

机构 * Spanish National Research Council (CSIC)（西班牙国家研究理事会（CSIC）） ； Center for Research in Mathematics (CIMAT)（数学研究中心（CIMAT）） ； Universidad Autónoma de Madrid (UAM)（马德里自治大学（UAM）） ； National Science Foundation (NSF)（国家科学基金会（NSF）） 纠错

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

AI总结 本文用更真实的皮层细胞模型替代标准点神经元模型，在不增加参数的情况下，提升了人工神经网络的表达能力、鲁棒性和学习速度，并减少了记忆化和所需训练数据量。

Comments Acknowledgments included in the manuscript

Machine Learning Methods for Studying Latent Neural Activity Dynamics

研究潜在神经活动动力学的机器学习方法

Shufeng Kong, Fumei Deng, Xinyi Dong, Caihua Liu, Weiwei Chen, Yingheng Wang, Daniel Cao, Azahara Oliva, Antonio Fernandez-Ruiz, Carla Gomes

机构 * School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Department of Neurobiology and Behavior, Cornell University（康奈尔大学神经生物学与行为学系） ； Department of Ecology and Evolutionary Biology, Cornell University（康奈尔大学生态学与进化生物学系） ； School of Computer Science and Artificial Intelligence, Foshan University（佛山大学计算机科学与人工智能学院） 纠错

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

AI总结 综述从状态空间模型到深度生成模型的潜在变量模型，涵盖单区域动力学、多区域通信和行为对齐建模，并讨论大规模神经基础模型及未来挑战。

Comments Accepted by IJCAI 2026 survey track

GRAFT: Gain-Recalibrated Adapters for Transformer-Based Neural Population Activity Modeling

GRAFT: 基于Transformer的神经群体活动建模中的增益重校准适配器

Xiangsheng Ge, Yang Xie

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 BCI数据与评测 ：brain-computer interface(abstract)；分类 q-bio.NC、cs.LG

AI总结 提出GRAFT模型，通过分离可重用时间动态与可重校准神经元接口，在MC Maze数据集上达到SOTA，并仅更新9.21%参数实现跨天重校准。

Hyperbolic Neural Population Geometry Benefits Computation

双曲神经群体几何结构有益于计算

Dennis Wu, Yi-Chun Hung, Braden Yuille, James E. Fitzgerald, Han Liu

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 其他BCI ：neural decoding(abstract)；分类 q-bio.NC

AI总结 本文提出海马体群体活动诱导双曲几何的理论框架，证明现代Hopfield网络更新规则计算最小均方误差估计，并引入双曲空间中的新联想记忆模型，其容量显著优于现有模型。

Comments Accepted at ICML 2026, 37 pages, 5 figures

The Bioelectrical Information Theory: Investigating the theoretical compression limit of bioelectrical signals under artificial intelligence

生物电信息论：探究人工智能下生物电信号的理论压缩极限

Jiawen Zou, Bo Yan

机构 * College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） ； Shanghai Key Laboratory of Intelligent Information Processing（上海智能信息处理重点实验室） ； Fudan University（复旦大学） 纠错

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

AI总结 提出生物电压缩的三级层次框架，将压缩极限重构为模型和任务条件量，而非波形的固定属性。