脑机接口 / BCI

Bayesian uncertainty-aware deep learning with noisy labels: Tackling annotation ambiguity in EEG seizure detection

贝叶斯不确定性感知深度学习：应对EEG癫痫检测中的标注模糊性

Deeksha M. Shama, Archana Venkataraman

机构 * Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） 纠错

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

AI总结 本文提出BUNDL算法，通过整合领域知识和贝叶斯框架，设计基于KL散度的损失函数，提升EEG癫痫检测的鲁棒性，验证了其在噪声标签下的有效性及跨机构泛化能力。

Interpretable Concept-Guided Polynomial Tabular Kolmogorov-Arnold Network for EEG-Based Mild Cognitive Impairment Detection

可解释概念引导的多项式表格Kolmogorov-Arnold网络用于基于EEG的轻度认知障碍检测

Yosef Bernardus Wirian, Qiang Cheng

机构 * Computer Science Department, University of Kentucky（肯塔基大学计算机科学系） ； Institute for Biomedical Informatics, University of Kentucky（肯塔基大学生物医学信息学研究所） 纠错

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

AI总结 提出CPTabKAN模型，通过概念编码、二阶多项式交互和傅里叶参数化TabKAN分类器，在睡眠EEG数据上实现MCI检测，F1达0.9038。

NeuroShield: A Device-Agnostic Foundation Model for EEG Authentication

NeuroShield: 一种设备无关的EEG认证基础模型

Matin Fallahi, Patricia Arias-Cabarcos, Thorsten Strufe

机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Joint Research Centre, European Commission（欧盟委员会联合研究中心） 纠错

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

AI总结 针对EEG认证中模型因采集设备差异而难以复用的问题，提出NeuroShield基础模型，采用双阶段Transformer架构从变通道、变长度EEG中学习身份判别嵌入，在三个公开数据集预训练后，微调后等错误率降低0.44-8.06个百分点，并泛化至未见过的通道布局和更长信号段。

Towards Robust EEG Decoding Based on Riemannian Self-Attention

基于黎曼自注意力的鲁棒脑电解码方法

Shaocheng Jin, Tao Zhou, Rui Wang, Ziheng Chen, Xiaoqing Luo, Xiaojun Wu, Josef Kittler

机构 * School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Jiangnan University（江南大学） ； Department of Information Engineering and Computer Science（信息工程与计算机科学系） ； University of Trento（特伦托大学） ； Centre for Vision, Speech and Signal Processing (CVSSP)（视觉、语音与信号处理中心） ； University of Surrey（萨里大学） 纠错

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

AI总结 针对脑电解码中信号低信噪比和现有黎曼方法依赖特定度量的局限，提出基于Bures-Wasserstein度量的黎曼自注意力网络及其可推广版本GBWAtt，在三个数据集上验证了鲁棒性和有效性。

Comments Accepted by KDD 2026

Neural operator-based digital twins for modeling amyloid-$β$ and tau propagation and treatment optimization in Alzheimer's disease

基于神经算子的数字孪生用于阿尔茨海默病中淀粉样蛋白-β和tau蛋白传播建模及治疗优化

Xiaofeng Xu, Tingting Dan, Zifan Zhou, Bin Li, Guorong Wu, Wenrui Hao

机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

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

AI总结 提出基于神经算子的数据驱动框架，从稀疏纵向PET数据学习反应扩散动力学，预测淀粉样蛋白-β和tau蛋白时空演化，并优化个性化治疗策略。

BrainAgent: A Large Language Model-Driven Multi-Agent Framework for Autonomous Brain Signal Understanding

BrainAgent：一种大语言模型驱动的多智能体框架，用于自主脑信号理解

Yangxuan Zhou, Sha Zhao, Jiquan Wang, Shijian Li, Gang Pan

专题命中 BCI数据与评测 ：BCI(abstract_cn)；brain-computer interface(abstract)

AI总结 提出LLM驱动的多智能体框架BrainAgent，通过分层架构将自然语言意图转化为可执行的处理流水线，实现脑信号分析的自动化与民主化。

Comments 22 pages, 11 figures