脑机接口 / BCI

Average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders

平均排名掩盖了个体最优性：基于Friedman-Nemenyi基准测试的EEG运动想象BCI解码器比较

Xavier Vasques, Paul Barbaste, Olivier Oullier

机构 * IBM Technology（IBM技术） ； IBM France Lab（IBM法国实验室） ； Inclusive Brains（包容大脑） ； Wavestone ； Human Technology Foundation（人类科技基金会） ； Computing and Mathematical Sciences Division（计算与数学科学部） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学） ； Institute for Artificial Intelligence, Biotech Dental Group（人工智能研究所，生物技术牙科集团） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(title,title_cn)；brain-computer interface(abstract)；motor imagery(abstract)

AI总结 本研究通过大规模基准测试（MOABB）评估1056种EEG运动想象解码配置，发现无单一管道普遍最优，个体间差异显著，需个性化模型选择。

Comments 16 pages, 6 figures, 4 tables

Breaking Shortcut Learning for Cross-Trial EEG-Guided Target Speech Extraction via Two-Stage Training

通过两阶段训练打破跨试验EEG引导目标语音提取中的捷径学习

Wonchul Shin, Inyong Choi, Kyogu Lee

机构 * Department of Intelligence and Information（智能信息系） ； Seoul National University（首尔国立大学） ； Department of Communication Sciences and Disorders（沟通科学与障碍系） ； University of Iowa（爱荷华大学） ； Interdisciplinary Program in Artificial Intelligence（人工智能交叉学科项目） ； Artificial Intelligence Institute（人工智能研究所） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 针对EEG引导目标语音提取中模型依赖试验特定结构导致泛化差的问题，提出两阶段框架TRUST-TSE，通过对比预训练和置信加权提取目标抑制捷径学习，在跨试验协议下优于端到端基线。

Comments Accepted by Interspeech 2026

NeuroSonic: Conditional Flow Matching for EEG-to-Speech Reconstruction

NeuroSonic: 用于脑电图到语音重建的条件流匹配

Wenhao Gao, Yifan Wang, Yijia Ma, Carl Yang, Wen Li, Chenyu You

机构 * Stony Brook University（石溪大学） ； University of Texas Health Center at Houston（德克萨斯大学休斯顿健康科学中心） ； Emory University（埃默里大学） 纠错

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

AI总结 提出NeuroSonic条件流匹配框架，通过学习确定性概率流速度场将噪声声学状态传输到干净语音，解决EEG信号弱、空间弥散与语音强谐波结构之间的不匹配问题，在CineBrain和EAV基准上提升感知质量达26.3%。

Comments Accepted by MICCAI 2026

Coordinate-Queryable Neural Field Reconstruction for EEG Spatial Super-Resolution with Unseen-Electrode Generation

基于坐标可查询神经场重建的脑电图空间超分辨率与未见电极生成

Hongjun Liu, Leyu Zhou, Zijianghao Yang, Chao Yao

机构 * School of Intelligence Science and Technology, University of Science and Technology Beijing（信息科学与技术学院，北京科技大学） ； School of Computer and Communication Engineering, University of Science and Technology Beijing（计算机与通信工程学院，北京科技大学） 纠错

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

AI总结 针对实际部署中电极缺失和布局变化问题，提出将EEG空间超分辨率重构为从部分观测通道学习共享条件头皮场，通过位置引导编码器和条件隐式神经表示解码器实现未见电极信号生成，并引入保真通道损坏训练策略，在多个数据集上显著优于基线。

EEG Interpretation Across Chant Listening: A Single-Subject Pilot Investigation Using Spectral and Functional Connectivity Analysis

聆听吟唱时的脑电图解读：基于频谱和功能连接分析的单被试初步研究

Prerna Singh, Aishwarya Ghosh, Neelam Sinha, Deepti Navaratna

专题命中 EEG解码 ：EEG(title,abstract)；cortical(abstract)；分类 q-bio.NC、eess.SP

AI总结 本研究通过频谱和功能连接分析，比较了五种听觉条件下5岁儿童的大脑活动，发现不同吟唱条件（如Shiv Tandav Stotra）能调节神经振荡并形成不同的功能网络连接模式。

Unifying Adaptive Fourier and Möbius-Based Models for Efficient and Interpretable Biomedical Signal Decomposition

统一自适应傅里叶与基于莫比乌斯的模型以实现高效且可解释的生物医学信号分解

Christian Canedo, Rocío Carratalá-Sáez, Cristina Rueda

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

AI总结 本文证明自适应傅里叶分解（AFD）与调频莫比乌斯（FMM）模型在数学上等价，并扩展至多通道信号，为结合AFD的计算优势与FMM的可解释性提供理论基础。