脑机接口 / BCI

Exploration of LLMs, EEG, and behavioral data to measure and support attention and sleep

探索LLMs、EEG和行为数据以测量和支持注意力与睡眠

Akane Sano, Judith Amores, Mary Czerwinski

机构 * Rice University（里士大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 本文探索利用大语言模型（LLMs）结合脑电图（EEG）和活动数据估计注意力状态、睡眠阶段和质量，并生成改善建议和引导想象脚本，发现LLMs能基于行为特征评估睡眠质量，但基于EEG和活动数据的检测需更多训练数据。

From Handcrafted Features to Functional Edge Learning: Evolution of EEG Seizure Detection Frameworks

从手工特征到功能边学习：EEG癫痫检测框架的演变

Sepideh Kheirollahi, Mohammad Rasoul Roshanshah

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； College of Engineering, University of Tehran（塔里哈大学工程学院） 纠错

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

AI总结 本文综述了深度学习在EEG癫痫检测中的局限性，并引入KAN网络作为替代方案，通过可学习的边函数提升可解释性、参数效率和数据稀缺下的鲁棒性。

EEG Benchmarking Needs a Task Specification Layer: NeuroDoc for Rulebook-Guided, Executable Benchmark Construction

EEG基准测试需要一个任务规范层：NeuroDoc用于基于规则手册的可执行基准构建

Chengxuan Qin, Zhige Chen, Shu Peng, Rui Yang, Jiping Cui, Yikai Dong, Jun Li, Liu Peng, Zhida Shang, Mingze Tang, Kay Chen Tan, Jibin Wu

机构 * School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院） ； School of Electrical Engineering, Electronics and Computer Science, University of Liverpool（利物浦大学电气工程、电子与计算机科学学院） ； School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学学院） ； Department of Data Science and Artificial Intelligence, Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系） 纠错

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

AI总结 提出NeuroDoc框架，通过结构化任务规范语言和共享规则手册，将异构EEG数据集标准化为可重用基准单元，并发布包含53个条目、245个任务定义的社区审查基准语料库。

Dual-Stream EEG Decoding for 3D Visual Perception

用于3D视觉感知的双流脑电解码

Ninon Lizé Masclef, Taisija Demcenko, Antonella Catanzaro, Nataliya Kosmyna

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 提出一种模仿生物视觉腹侧和背侧通路的双流脑电解码模型，通过圆形回归预测角度和EEG条件多视图扩散实现3D重建，揭示了时间动态的通道参与模式。

Comments 17 pages, 4 figures. Accepted at the Symmetry and Geometry in Neural Representations Workshop (NeurReps), NeurIPS 2025. To appear in Proceedings of Machine Learning Research (PMLR)

B[FM]$^2$: Brain Foundation Model via Flow Matching with SplitUNet

B[FM]$^2$: 基于流匹配与SplitUNet的脑基础模型

Jaedong Hwang, Kathleen Zhang, Wei Dai, Konstantinos Kontras, Maarten Vanmarcke, Maarten De Vos, Ila Fiete, Paul Pu Liang

机构 * Massachusetts Institute of Technology（麻省理工学院） ； KU Leuven（鲁汶大学） 纠错

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

AI总结 提出B[FM]$^2$，通过连续时间流匹配直接在原始EEG信号上预训练，避免离散化带来的时间动态损失，并设计SplitUNet网络处理时间-电极不对称性，在9个下游任务中7个达到最优，预训练数据量减少约30倍。

Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Sensor Fusion

高效无监督领域适应回归用于空间-时间传感器融合

Keivan Faghih Niresi, Ismail Nejjar, Olga Fink

机构 * Intelligent Maintenance and Operations Systems Laboratory, EPFL（智能维护与操作系统实验室，瑞士联邦理工学院） 纠错

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

AI总结 本文提出一种针对回归任务的高效无监督领域适应方法，通过整合空间-时间图神经网络和源目标域扰动逆Gram矩阵对齐，实现无标注数据下的可扩展领域适应，验证于空气质量监测和EEG信号重建任务，取得最佳性能。

Comments Accepted to IEEE Internet of Things Journal

Robust EEG Functional Connectivity Metrics for Decoding Action Observation Conditions and Observed Actions

鲁棒的脑电功能连接指标用于解码动作观察条件和观察到的动作

Anh T. Nguyen, Zachary A. Rentala, Michelle J. Johnson

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本研究比较了五种脑电功能连接指标在解码动作观察刺激中的表现，发现对容积传导鲁棒的指标（如iCOH）优于其他，且图神经网络在所有指标中表现最稳健。

Dynamic cross-scale wavelet coherence

动态跨尺度小波相干性

Haibo Wu, Marina I. Knight, Hernando Ombao

专题命中 EEG解码 ：EEG(summary_cn,abstract)

AI总结 提出一种新统计方法，首次实现功能脑网络中通道间局部相互作用的跨振荡特征描述，通过引入跨尺度依赖的CS-MvLSW模型，准确估计局部单尺度和跨尺度通道依赖性，并在ADHD儿童EEG数据中发现新的临床相关跨尺度相互作用。

Comments 82 pages

SPOTR: Spatio-temporal Pooling One-Token Reconstruction for Universal Physiological Signal Self-supervised Learning

SPOTR: 面向通用生理信号自监督学习的时空池化单令牌重建

Yiyu Gui, Mingzhi Chen, Yuesheng Zhu, Guibo Luo, Yuchao Yang

机构 * New Cornerstone Science Laboratory, Guangdong Provincial Key Laboratory of In-Memory Computing Chips, Shenzhen Graduate School, Peking University（新基石科学实验室，广东省存算一体芯片重点实验室，北京大学深圳研究生院） ； Guangdong Provincial Key Laboratory of Ultra High Definition Immersive Media Technology, Shenzhen Graduate School, Peking University（广东省超高清沉浸式媒体技术重点实验室，北京大学深圳研究生院） 纠错

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

AI总结 提出SPOTR框架，通过单令牌全局瓶颈压缩-重建预训练，解决生理信号自监督学习在异构数据集上的性能瓶颈，在线性探测下显著提升AUC并降低计算开销。

Comments The paper has been accepted by IJCAI-ECAI 2026

MedTS-TTT: Test-Time Training for Medical Time Series Classification

MedTS-TTT：医学时间序列分类的测试时训练

Mingzhi Chen, Yiyu Gui, Guibo Luo

机构 * Guangdong Provincial Key Laboratory of Ultra High Definition Immersive Media Technology, Shenzhen Graduate School, Peking University（广东省超高清沉浸式媒体技术重点实验室，北京大学深圳研究生院） 纠错

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

AI总结 提出MedTS-TTT框架，通过闭环自对齐测试时训练和门控卷积骨干网络，实现无需迭代内循环优化的快速样本自适应，在4个公开数据集上取得11/12的top-1排名。

Comments Accepted at MICCAI 2026

Using Biometrics to Understand AI-Assisted Coding Performance and its Perception

使用生物特征理解AI辅助编程性能及其感知

Paolo Burelli, Fabio Calefato, Daniela Grassi, Mihaela Yurieva Hristova, Nicole Novielli, Alberto Antonio, Romano, Paolo Tell

机构 * IT University of Copenhagen（丹麦技术大学） ； University of Bari（巴里大学） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.HC

AI总结 通过脑电图、眼动追踪等生物特征数据，发现AI辅助编程与无辅助编程在认知过程上存在显著差异，且主观感知与客观测量不一致。

Comments Stage 2 RR under review at EMSE. The accepted Stage 1 protocol is publicly archived on OSF (DOI: 10.31219/osf.io/mex39_v2)

Structure leads and dominates comprehension in naturalistic reading

自然阅读中层级结构与统计的相对强度因测量指标而异

Nan Wang, Hanlin Wu, Jiaxuan Li

机构 * Department of Brain and Cognitive Sciences, University of Rochester（罗切斯特大学脑科学与认知科学系） ； Department of Linguistics and Modern Languages, the Chinese University of Hong Kong（香港中文大学语言学与现代语言系） ； Department of Language Science, University of California Irvine（加州大学 Irvine 分校语言科学系） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 q-bio.NC

AI总结 本研究通过同步脑电图和眼动追踪，结合贝叶斯网络建模和回归分析，探究层级句法结构与统计因素在在线理解中的相对强度，发现层级结构在阅读前即可影响理解，但其强度因行为或神经层面而异。