脑机接口 / BCI

SA-HGNN: Sample-Adaptive Hyperbolic Graph Neural Network for EEG-Based Depression Recognition

SA-HGNN: 基于样本自适应双曲图神经网络的脑电图抑郁症识别

Yang Li, Pan Hu, Yan Zhang, Wenfan Yang, Tao Wu, Lianbo Guo

机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） 纠错

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

AI总结 提出SA-HGNN模型，通过样本自适应图构建、双曲图卷积和注意力池化模块，准确提取抑郁症脑网络的层次结构，在EEG数据集上优于现有方法。

Single-Channel EEG-Based Cognitive Load Assessment in Online Learning: A Hybrid Deep Learning Approach

基于单通道脑电图的在线学习认知负荷评估：一种混合深度学习方法

Rowan Hussein, Mohamed Ouf

机构 * University of Ottawa（渥太华大学） ； Queen’s University（女王大学） 纠错

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

AI总结 本研究使用单通道消费级EEG设备，通过混合CNN+LSTM+Attention模型区分在线教育视频内容的难易程度，在受试者内设置下达到78.5%准确率，并强调受试者独立评估应成为标准。

Gravity-Awareness: Deep Learning Models and LLM Simulation of Human Awareness in Altered Gravity

重力感知：变重力环境下人类意识的深度学习模型与LLM模拟

Bakytzhan Alibekov, Alina Gutoreva, Elisa Raffaella-Ferre

机构 * School of IT & Engineering, Kazakh-British Technical University（信息技术与工程学院，哈萨克-英国技术大学） ； School of Psychological Sciences, Birkbeck University of London（心理学科学学院，伦敦伯贝克大学） 纠错

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

AI总结 提出一个计算框架，结合轻量级MLP神经网络（CorticalG）和高斯过程模型（PhysioG）预测变重力下的脑电与生理反应，并用LLM模拟主观体验，为航天任务中的人类适应提供预测工具。

Comments 60 pages, 5 figures, 2 datasets, 1 protocol

I\textsuperscript{2}RiMA: Spectral Riemannian Representation with Temporal Attention for Mental Stress Detection based on EEG Signals

I²RiMA: 基于脑电图信号的心理压力检测的谱黎曼表示与时序注意力

Cheng He, Kunyu Peng, Shangen Han, Jinming Ma, Jinhong Ding, Likun Xia

机构 * Laboratory of Neural Computing and Intelligent Perception, College of Information Engineering, Capital Normal University（首都师范大学信息工程学院神经计算与智能感知实验室） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； School of Psychology, Capital Normal University（首都师范大学心理学院） 纠错

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

AI总结 提出I²RiMA网络，通过频点独立构建协方差矩阵并映射到SPD切空间，结合频率聚类和切片间注意力，实现跨被试脑电压力检测，在三个数据集上达到82.78%平衡精度。

Analysis of Evolving Cortical Neuronal Networks Using Visual Informatics

使用视觉信息学分析演化的皮层神经元网络

Ho Fai Po, Akke Mats Houben, Anna-Christina Haeb, Yordan P. Raykov, Daniel Tornero, Jordi Soriano, David Saad

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

AI总结 本研究利用基于余弦度量的最小失真嵌入（MDE）降维框架，分析神经元群体活动在发育和刺激下的变化，相比PCA和t-SNE，MDE能更好地保留活动轨迹和条件内半径等生物学信息。

Spatiotemporal bursting in simulated cultures of cortical neurons

培养皮层神经元中的时空爆发活动

Michael Stiber, Natalie Gonzales, Jewel YunHsuan Lee

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

AI总结 通过模拟研究，发现培养皮层神经元网络中的爆发活动起源于少数网络位置并以波形式传播，且不需要精细调节参数。

Comments 31 pages, 7 figures; substantial revisions; accepted for publication by Biosystems

CALM: Interpretable Cross-Modal Alignment for Biomarker Discovery from Unpaired Data

CALM: 可解释的跨模态对齐用于从非配对数据中发现生物标志物

Jueqi Wang, Zachary Jacokes, John Darrell Van Horn, Kevin A. Pelphrey, Michael C. Schatz, Archana Venkataraman

机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； School of Data Science, University of Virginia（弗吉尼亚大学数据科学学院） ； Department of Psychology, University of Virginia（弗吉尼亚大学心理学系） ； Department of Neurology, University of Virginia（弗吉尼亚大学神经病学系） ； Departments of Computer Science and Biology, Johns Hopkins University（约翰霍普金斯大学计算机科学与生物学系） 纠错

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

AI总结 提出CALM框架，通过线性投影对齐脑区和遗传通路的潜在分布，从完全不相交的人群中学习可解释的跨模态关联，在自闭症谱系障碍数据上优于现有方法。

Comments Accepted to MICCAI 2026

Winner-Take-All bottlenecks enforce disentangled symbolic representations in multi-task learning

赢家通吃瓶颈强制多任务学习中的解耦符号表示

Julian Gutheil, Simon Hitzginger, Robert Legenstein

机构 * Institute of Machine Learning and Neural Computation（机器学习与神经计算研究所） ； Graz University of Technology（格拉茨技术大学） ； Graz, Austria（奥地利格拉茨） 纠错

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

AI总结 本文研究了赢家通吃瓶颈在多任务学习中强制提取数据类别潜在因素的作用，证明了其产生的表示具有高度符号性，并通过实验验证了其在一般化中的优势。

Comments We have revised the theorem and its proof. We have also corrected some minor errors

Hi-DREAM: Brain-Inspired Hierarchical Diffusion for fMRI-to-Image Reconstruction via ROI Encoder and VisuAl Mapping

Hi-DREAM: 基于脑启发的层次化扩散用于fMRI到图像重建，通过ROI编码器和视觉映射

Guowei Zhang, Yun Zhao, Kai Sun, Moein Khajehnejad, Adeel Razi, Dinh Phung, Levin Kuhlmann

机构 * Dept of Data Science and AI, Monash University, Melbourne, Australia（数据科学与人工智能系，墨尔本大学，澳大利亚） ； School of Psychological Sciences, Monash University, Melbourne, Australia（心理学科学学院，墨尔本大学，澳大利亚） ； Brain and Mind Centre, University of Sydney, Sydney, Australia（脑与心智中心，悉尼大学，澳大利亚） 纠错

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

AI总结 提出Hi-DREAM框架，利用层次化扩散模型，通过ROI适配器将早期、中期和晚期视觉ROI流转换为多尺度皮层金字塔，并用轻量级ROI条件ControlNet注入解剖先验，在NSD数据集上实现最先进的高层语义重建和强低层结构。

Comments 18 pages, 5 figures

Uncertain but Useful: Leveraging CNN Training Variability into Data Augmentation

不确定但有用：将CNN训练变异性用于数据增强

Inés Gonzalez-Pepe, Vinuyan Sivakolunthu, Yohan Chatelain, Tristan Glatard

专题命中 神经信号处理 ：cortical(abstract)

AI总结 本研究揭示FastSurfer分割模型训练中的数值不确定性超过FreeSurfer，并利用随机种子变异性作为数据增强技术，通过集成提升下游脑龄回归性能。

Antenna System for Simultaneous Wireless Power and Information Transfer to Brain Implants

用于脑植入物同时无线功率和信息传输的天线系统

Ali Khaleghi, Aminolah Hassanvand, Ilangko Balasingham

专题命中 神经假体 ：BCI(abstract,abstract_cn)；brain-computer interface(abstract)；分类 eess.SP

AI总结 提出一种无电池无线脑机接口系统，采用双功能天线实现感应耦合无线供电和背散射高速数据传输（32 Mbps），消除导线并保持能效。

Comments Published at IMBioC 2024. Part of the B-CRATOS project, Horizon 2020 FET-OPEN, grant 965044

Journal ref 2024 18th European Conference on Antennas and Propagation (EuCAP), Glasgow, United Kingdom, 2024, pp. 1-5

X-Splat: Gaussian Splatting for 3D CBCT Generation from Single Panoramic Radiograph

X-Splat：基于高斯泼溅的从单张全景X光片生成3D CBCT

Tomasz Szczepański, Szymon Płotka, Michal K. Grzeszczyk, Tomasz Trzciński, Arkadiusz Sitek

机构 * Sano Centre for Computational Medicine（桑诺计算医学中心） ； Jagiellonian University（雅盖隆大学） ； Warsaw University of Technology（华沙技术大学） ； Research Institute IDEAS（IDEAS研究 institute） ； Harvard Medical School（哈佛医学院） 纠错

专题命中 BCI数据与评测 ：cortical(abstract)

AI总结 提出X-Splat，首个利用高斯泼溅从单张全景X光片生成CBCT样3D牙科体积的方法，通过已知采集几何初始化可学习高斯原语，结合Beer-Lambert重投影和多视角训练监督，优于NeRF和GAN基线。

Comments 19 pages, 6 figures, including appendix. Under review