脑机接口 / BCI

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

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

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

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