脑机接口 / BCI

How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap

脑电图去噪需要多少容量？超紧凑网络揭示基准饱和与度量-效用差距

Jasmeet Singh Bindra, Siddharth Panwar

机构 * Indian Knowledge Systems and Mental Health Applications (IKSMHA) Center, Indian Institute of Technology Mandi（印度理工学院曼迪分校印度知识体系与心理健康应用中心） ； School of Computing and Electrical Engineering, Indian Institute of Technology Mandi（印度理工学院曼迪分校计算与电气工程学院） 纠错

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

AI总结 通过固定架构仅改变通道宽度（1.05K-40.26K参数），发现EEG去噪重建性能在3-6.5K参数时饱和，且重建度量不预测下游BCI效用，超紧凑模型（33-46KB）适用于边缘部署。

Comments 17 pages, will be submitted to peer-reviewed journal

EEG-FM-Bench: A Comprehensive Benchmark for the Systematic Evaluation and Diagnostic Analyses of EEG Foundation Models

EEG-FM-Bench：脑电图基础模型系统评估与诊断分析的综合基准

Wei Xiong, Jiangtong Li, Jie Li, Kun Zhu, Changjun Jiang

机构 * School of Computer Science and Technology, Tongji University, Shanghai, China（同济大学计算机科学与技术学院，上海，中国） ； Translational Research Center, Shanghai Yangzhi Rehabilitation Hospital (Shanghai Sunshine Rehabilitation Center), China（上海杨氏康复医院（上海阳光康复中心）转化研究中心，中国） 纠错

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

AI总结 提出EEG-FM-Bench统一基准，整合14个数据集和10种范式，通过多种微调策略和诊断分析揭示多任务学习可缓解过拟合、预训练效率受梯度冲突限制、模型规模非唯一决定因素等关键发现。

Comments 36 pages, 30 figures, Accepted by ICML2026

Rewiring Human Brain Networks via Lightweight Dynamic Connectivity Framework: An EEG-Based Stress Validation

通过轻量级动态连接框架重绘人脑网络：基于EEG的应力验证

Sayantan Acharya, Abbas Khosravi, Douglas Creighton, Roohallah Alizadehsani, U. Rajendra Acharya

机构 * Institute for Intelligent Systems Research and Innovation（智能系统研究与创新研究所） ； University of Southern Queensland（南方昆士兰大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC

AI总结 本文提出基于时间变化定向传递函数的轻量级动态脑连接框架，通过机器学习验证EEG数据中的应力分类，发现alpha-TV-DTF在分类中表现最佳，凸显动态连接在捕捉脑区时间与因果影响上的优势。

Comments 21 pages, 21 figures, 6 tables, 50 references,

Journal ref 2026. Reconfiguring brain networks via lightweight dynamic connectivity framework: An EEG-based stress validation. Computers in Biology and Medicine, 213, p.111801

Epileptic Seizure Detection in Separate Frequency Bands Using Feature Analysis and Graph Convolutional Neural Network (GCN) from Electroencephalogram (EEG) Signals

基于特征分析和图卷积神经网络（GCN）的脑电图（EEG）信号癫痫发作检测在不同频段的研究

Ferdaus Anam Jibon, Fazlul Hasan Siddiqui, F. Deeba, Gahangir Hossain

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

AI总结 提出一种频率感知框架，将EEG分解为五个频段并提取判别特征，利用图卷积神经网络建模电极空间依赖，在CHB-MIT数据集上实现99.01%的宽带准确率，提高了可解释性和诊断精度。

Comments One author disagrees with the archiving

A spectral audit framework reveals task-dependent aperiodic reliance across EEG and ECG deep learning

频谱审计框架揭示EEG和ECG深度学习中任务依赖的非周期性依赖

Jasmeet Singh Bindra, Siddharth Panwar

机构 * Indian Knowledge Systems and Mental Health Applications (IKSMHA) Center, Indian Institute of Technology Mandi（印度理工学院曼迪分校印度知识体系与心理健康应用中心） ； School of Computing and Electrical Engineering, Indian Institute of Technology Mandi（印度理工学院曼迪分校计算与电气工程学院） 纠错

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

AI总结 提出频谱审计框架，结合非周期/周期分解、相位保持傅里叶干预等，发现深度学习模型对非周期成分的依赖是任务依赖且架构通用的，在睡眠-觉醒分类中影响显著，临床异常检测中中等，运动想象中最小，并扩展到ECG。

Comments 25 pages, being prepared for submission to peer-reviewed journal

RECTOR: Masked Region-Channel-Temporal Modeling for Affective and Cognitive Representation Learning

RECTOR：面向情感与认知表征学习的掩码区域-通道-时间建模

Jinhan Liu, Mahsa Shoaran

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 提出RECTOR自监督框架，通过自适应功能分区和掩码拓扑学习，统一建模EEG/sEEG的区域-通道-时间动态，在情感识别和任务参与分类上达到新最优，且对缺失通道和跨导联泛化鲁棒。

Rosetta Stone of Neural Mass Models

神经质量模型的罗塞塔石碑

Francesca Castaldo, Raul de Palma Aristides, Pau Clusella, Jordi Garcia-Ojalvo, Giulio Ruffini

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 q-bio.NC

AI总结 本文提出一个统一框架，将各种神经质量模型（NMM）置于从抽象到生物细节的连续谱中，通过从简谐振荡器出发并逐步增加细节，将不同形式转化为可导航的阶梯，从而将NMM选择从主观行为转变为原则性设计决策。

Comments To appear in Physics Reports 2026

Low-dimensional representation of brain networks for seizure risk forecasting

用于癫痫发作风险预测的脑网络低维表示

Steven Rico-Aparicio, Martin Guillemaud, Alice Longhena, Vincent Navarro, Louis Cousyn, Mario Chavez

专题命中 EEG解码 ：EEG(abstract)；分类 q-bio.NC

AI总结 提出将颅内脑电图功能连接网络嵌入低维欧氏空间，通过机器学习定义无量纲生物标志物B，区分发作间期和发作前期状态，实现可解释的癫痫发作预测。

Comments Accepted for publication in Physica A: Statistical Mechanics and its Applications. This version incorporates revisions suggested during peer review

Self-Consistent Closure of Fractal Dimension, Nonextensive Statistics, and Non-Markovian Dynamics in Critical Systems

临界系统中分形维数、非广延统计和非马尔可夫动力学的自洽闭合

O. Sotolongo-Costa, J. Weberszpil, M. E. Mora-Ramos

专题命中 EEG解码 ：EEG(abstract)

AI总结 本文通过相空间自洽性推导出分形维数D、Tsallis指数q和记忆指数α之间的代数闭合关系α=D/(2D-1)及q=1+1/D，并在八个实验系统中验证了其普适性。

Comments 3 pages, 2 columns, 1 figure

Test-Time Adaptation of Spiking Neural Networks for Intracortical Neural Decoding using Membrane Potential Alignment

基于膜电位对齐的脉冲神经网络测试时自适应用于皮层内神经解码

Guangzhi Tang

专题命中 神经信号处理 ：neural decoding(title)；brain-computer interface(abstract)；neural signal(abstract)

AI总结 提出膜电位对齐（MPA）方法，通过KL散度匹配膜电位分布，仅更新低秩（LoRA）权重（<9%参数），实现脉冲神经网络测试时自适应，在非人灵长类任务中性能媲美NoMAD，且架构更简单、时间分辨率更高（4 ms vs 20 ms）。

Comments Accepted at ICANN 2026

Harnessing cortical geometry, wiring, and function as inductive biases for recurrent neural networks

利用皮层几何、连接和功能作为循环神经网络的归纳偏置

Mo Shakiba, Rana Rokni, Mohammad Mohammadi, Nima Dehghani

机构 * Neuromatch Academy, Neuromatch, Inc., USA（Neuromatch学院，Neuromatch公司，美国） ； McGovern Institute for Brain Research, Massachusetts Institute of Technology (MIT)（麦戈文脑科学研究所，麻省理工学院（MIT）） 纠错

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

AI总结 本研究利用MICrONS项目数据，通过神经元空间坐标、解剖连接和功能关系初始化循环权重并施加空间约束，构建生物基础循环神经网络，在认知决策任务中优于基线模型，并发展出低熵、模块化和小世界组织。

EEGDash: An open-source platform for machine learning on public neurophysiological data

EEGDash: 一个用于公共神经生理数据机器学习的开源平台

Bruno Aristimunha, Aviv Dotan, Pierre Guetschel, Aman Jaiswal, Gal Ashkenazi, Dung Truong, Kuntal Kokate, Amitrava Majumdar, Oren Shriki, Arnaud Delorme

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

AI总结 EEGDash是一个开源平台，收录791个公共神经生理记录，通过元数据优先注册、格式修复和自动标签，支持无需自定义代码的机器学习工作流，促进基准测试和跨数据集分析。

Comments 28 pages, 9 figures, 4 tables. Supplementary material included as an ancillary file. EEG-Dash software: https://eegdash.org

Learning Hybrid Biophysical Neuron Models with Neural ODEs

利用神经常微分方程学习混合生物物理神经元模型

Jonas Beck, Michael Deistler, Dóra Viktória Molnár, Jakob H. Macke, Philipp Berens

机构 * Hertie Institute for AI in Brain Health（人工智能与脑健康赫尔特研究所） ； Tübingen AI Center（图宾根人工智能中心） ； University of Tübingen（图宾根大学） ； Machine Learning in Science, Excellence Cluster Machine Learning, University of Tübingen（科学机器学习，机器学习卓越集群，图宾根大学） ； Max Planck Institute for Biological Intelligence, München, Germany（生物智能马克斯·普朗克研究所，慕尼黑，德国） ； Department Empirical Inference, Max Planck Institute for Intelligent Systems, Tübingen, Germany（经验推断部门，智能系统马克斯·普朗克研究所，图宾根，德国） 纠错

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

AI总结 提出混合建模框架，将神经常微分方程嵌入电导基生物物理模型，以捕捉未知电流或错误指定的通道动力学，从电压记录中恢复可解释的门控动力学，并降低计算成本。

Generative causal testing to bridge data-driven models and scientific theories in language neuroscience

生成式因果测试：弥合语言神经科学中数据驱动模型与科学理论之间的鸿沟

Richard Antonello, Chandan Singh, Shailee Jain, Aliyah Hsu, Sihang Guo, Jianfeng Gao, Bin Yu, Alexander Huth

机构 * Computer Science Department, University of Texas at Austin（德克萨斯大学计算机科学系） ； Microsoft Research（微软研究院） ； Neurosurgery Department, University of California（加州大学神经外科系） ； EECS Department, University of California（加州大学电子工程与计算机科学系） ； Statistics Department, University of California（加州大学统计学系） ； Center for Computational Biology, University of California（加州大学计算生物学中心） ； Neuroscience Department, University of California（加州大学神经科学系） 纠错

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

AI总结 提出生成式因果测试（GCT）框架，利用大语言模型生成简洁解释并通过LLM生成刺激进行验证，成功解释大脑区域的语言选择性，弥合数据驱动模型与科学理论之间的差距。

Comments Accepted to Nature Neuroscience, please cite that version

A Surface-based Multimodal Framework for Multitask Analysis in Alzheimer's Disease

基于表面的多模态框架用于阿尔茨海默病的多任务分析

Shuo Huang, Jianwei Zhang, Lujia Zhong, Jiaxin Yue, Yihao Xia, Xinkai Wang, Yonggang Shi

专题命中 神经信号处理 ：cortical(abstract)

AI总结 提出一种增强的球形数据驱动多模态框架，通过球形扩散模型生成配对皮层厚度和Tau PET SUVR数据，结合对比学习和上下文学习，实现多任务分类与回归，在ADNI数据集上优于六种基线模型。

Comments 11 pages, 3 figures

Scale-invariant brain morphometry: application to sulcal depth

标度不变脑形态学：应用于沟回深度

Maxime Dieudonné, Guillaume Auzias, Julien Lefèvre

机构 * Institut National de la Santé et de la Recherche Médicale (INSERM), U954, Université de Nantes（法国国家卫生与医学研究院（INSERM）U954，南特大学） 纠错

专题命中 神经信号处理 ：cortical(abstract)

AI总结 本文研究了脑大小对沟回深度形态学特征的影响，提出了一种标度不变的沟回深度估计方法，并通过大规模样本验证了其生物学意义。

Comments GA and JL contributed equally to this work

Journal ref Computers in Biology and Medicine, Volume 212, 2026, 111754, ISSN 0010-4825

Balancing Interpretability and Performance in Motor Imagery EEG Classification: A Comparative Study of ANFIS-FBCSP-PSO and EEGNet

在运动想象EEG分类中平衡可解释性和性能：ANFIS-FBCSP-PSO和EEGNet的比较研究

Farjana Aktar, Mohd Ruhul Ameen, Akif Islam, Md Ekramul Hamid

机构 * University of Rajshahi（拉贾沙希大学） 纠错

专题命中 运动想象 ：EEG(title,title_cn)；BCI(summary_cn,abstract)；motor imagery(title)；brain-computer interface(abstract)

AI总结 本文比较了ANFIS-FBCSP-PSO与EEGNet在BCI竞赛IV-2a数据集上的性能，发现模糊神经模型在内子试验中表现更优，而深度模型在跨受试者测试中更具泛化能力，为选择MI-BCI系统提供指导。

Comments Accepted at the 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence and Networking (QPAIN 2026)

Journal ref 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence & Networking (QPAIN)

An Augmented Reality Brain-Robot Interface for Generalist Robot Arm Manipulation

面向通用机器人臂操控的增强现实脑机接口

Shangkai Zhang, Rousslan Fernand Julien Dossa, Luca Nunziante, Marina Di Vincenzo, Kai Arulkumaran

机构 * Araya Inc.（Araya公司） 纠错

专题命中 脑控机器人 ：BCI(abstract,abstract_cn)；brain-computer interface(abstract)；EEG(abstract)；motor imagery(abstract)

AI总结 提出结合眼动追踪与运动想象脑电的增强现实脑机接口，实现通用机器人臂的直观操控，通过18人实验验证了多步骤日常任务的有效性和良好可用性。

Comments Accepted at the 2026 IEEE International Conference on Robot and Human Interactive Communication (RO-MAN)

A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures

一种用于癫痫发作渐进预测的多模态非侵入式深度学习框架

Ali Saeizadeh, Douglas Schonholtz, Joseph S. Neimat, Pedram Johari, Tommaso Melodia

机构 * Institute for the Wireless Internet of Things, Northeastern University, Boston, MA, U.S.A.（无线物联网研究所，东北大学，波士顿，马萨诸塞州，美国） ； University of Louisville, Louisville, KY, U.S.A.（路易斯维尔大学，路易斯维尔，肯塔基州，美国） 纠错

专题命中 神经假体 ：EEG(abstract,abstract_cn)；分类 eess.SP

AI总结 本文提出一种基于非侵入式多模态传感器网络的深度学习框架，用于癫痫发作的渐进预测，通过提高预测精度和实时处理能力，实现95%的灵敏度和98%的特异度。

Comments 4 pages, 5 figures, Proceedings of the IEEE 20th International Conference on Body Sensor Networks (BSN), October 2024

Journal ref 2024 IEEE 20th International Conference on Body Sensor Networks (BSN)