脑机接口 / BCI

Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts

EEG基础模型的测试时间适应：在现实世界分布偏移下的系统研究

Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文系统研究了EEG基础模型在现实分布偏移下的测试时间适应方法，发现标准方法效果不稳定且易退化，而无优化方法更稳定可靠。

Comments Accepted to MLHC 2026

Prior-Guided Frequency-Calibrated Virtual EEG Channel Inference from Four Frontal Electrodes for Wearable EEG Augmentation

用于可穿戴脑电图增强的鲁棒频率校准虚拟脑电通道生成：来自四个额叶电极

Minghao Xiao

机构 * School of Biomedical Science and Engineering, South China University of Technology（生物医学工程学院，华南理工大学） ； School of Automation Science and Engineering, South China University of Technology（自动化科学与工程学院，华南理工大学） 纠错

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

AI总结 提出FAVC-Net网络，通过频率校准从四个额叶电极生成13个未测量通道，联合优化波形保真度、频谱分配和鲁棒性，在PRED+CT数据集上实现最佳波形-频谱性能。

Comments 19 pages, 4 figures

Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding

基于最小误差熵的鲁棒稀疏贝叶斯学习用于噪声高维脑电活动解码

Yuanhao Li, Badong Chen, Wenjun Bai, Yasuharu Koike, Okito Yamashita

机构 * Department of Computational Brain Imaging, ATR Neural Information Analysis Laboratories（计算脑成像部门，ATR神经信息分析实验室） 纠错

专题命中 其他BCI ：brain-computer interface(abstract)；分类 eess.SP、cs.LG

AI总结 研究旨在构建鲁棒稀疏贝叶斯学习框架解决噪声高维脑电活动解码问题。基于最小误差熵学习准则，在广义贝叶斯范式下重构框架，所提算法在解码任务中性能更优且模式更具生理可解释性。

Shao: Scaling Acoustic Token Language Models Toward High-Fidelity Music Generation

Shao：将声学令牌语言模型扩展至高保真音乐生成

Jiafeng Liu, Yuanliang Dong, Hongjia Liu, Yuqing Cheng, Zhancheng Guo, Huijing Liang, Wenbo Zhan, Yuming Sun, Xiaobing Li, Feng Yu, Maosong Sun

机构 * Central Conservatory of Music（中央音乐学院） ； Tsinghua University（清华大学） 纠错

专题命中 其他BCI ：neural decoding(abstract)

AI总结 该研究提出单一声学令牌层级内渐进建模音乐结构与保真度的框架，通过双阶段生成与混合注意力训练，无需异构空间即可实现高质量音乐生成。