脑机接口 / BCI

Decoding the Multimodal Mind: Generalizable Brain-to-Text Translation via Multimodal Alignment and Adaptive Routing

解码多模态思维：通过多模态对齐和自适应路由实现可泛化的脑到文本翻译

Chunyu Ye, Yunhao Zhang, Jingyuan Sun, Chong Li, Yang Zhao, Shaonan Wang

机构 * State Key Laboratory of Multimodal Artificial Intelligence System, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系） ； Department of Language Science and Technology, Hong Kong Polytechnic University（香港理工大学语言科学与技术系） 纠错

专题命中 EEG解码 ：EEG(summary_cn,abstract)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)

AI总结 该研究针对脑机接口从人脑解码语言的挑战，提出利用多模态大语言模型和路由模块的统一框架，通过多模态对齐和自适应路由将脑信号与多模态语义空间对齐，在fMRI等数据集实验中性能领先，还扩展到EEG和MEG数据，为现实应用提供灵活方案。

Comments Accepted to ACL 2026 Findings

DS-MTNet:Structured Multi-Task EEG Decoding for Human-Machine Collaboration

DS-MTNet：用于人机协作的结构化多任务脑电解码

Xinjia Yu, Yang Zhou, Jing Yang, Tielin Shi, Tao Cheng

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

AI总结 研究针对人机协作中操作员内部过程未充分融入机器感知的问题，提出DS-MTNet框架，集成多流并采用双门控机制，在驾驶EEG数据集测试中性能最佳，能统一组织相关脑电证据，为纳入神经证据到机器感知迈进了一步。

Comments 11 pages, 4 figures

EVA-Net: Subject-Independent EEG Motor Decoding with Video-Derived Motor Priors

EVA-Net: 基于视频衍生运动先验的跨被试脑电运动解码

Ziyuan Li, Yueru Sun, Yimeng Zhang

机构 * South China University of Technology（华南理工大学） 纠错

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

AI总结 提出EVA-Net两阶段框架，利用动作视频作为语义先验，通过跨模态对比学习和对齐减少个体差异，实现跨被试脑电运动解码，在EEGMMI上取得8.66%的LOSO准确率提升。

Using hierarchical statistical learning models to model individual statistical learning

使用分层统计学习模型对个体统计学习进行建模

Hanna Ringer, Tatsuya Daikoku

专题命中 EEG解码 ：EEG(summary_cn,abstract)；分类 q-bio.NC

AI总结 研究用分层贝叶斯统计学习模型，在有无诵读困难的成年人听结构化音调序列时，通过EEG记录对个体学习轨迹建模，虽未发现组间显著差异，但模型模拟与EEG数据对应紧密，为未来研究提供概念验证。

Reducing the Complexity of Deep Learning Models for EEG Analysis on Wearable Devices

降低可穿戴设备上用于脑电图分析的深度学习模型复杂度

Farough Shayeste Roodi, Parham Zilouchian Moghaddam, Mahdi Mohammadi-nasab, Mehdi Modarressi, Mostafa Ersali Salehi Nasab, Masoud Daneshtalab

机构 * University of Tehran（德黑兰大学） ； Mälardalen University（梅拉达伦大学） ； Royal Institute of Technology（皇家理工学院） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 研究通过参数量化和电极减少方法，在资源受限的可穿戴设备上部署DNN模型，实现脑电图分析中精度与复杂度的权衡。

Contextual Semantic Relevance and Word Surprisal Predict N400 and P600 Dynamics During Naturalistic Reading

语义整合和词汇预期塑造自然阅读过程中的N400和P600动态

Kun Sun, Rong Wang

机构 * Tongji University（同济大学） ； University of Tuebingen（图宾根大学） 纠错

专题命中 EEG解码 ：EEG(abstract)

AI总结 研究借助语料库，通过回归分析等测试语境语义相关性和词惊喜度对脑电活动的预测，发现二者与脑电反应相关但模式有别，语境语义相关性在P600窗口解释力强，表明自然阅读依赖二者，其提供了话语语义与脑电动态的计算联系。

Perceptually Aligning Representations of Music via Noise-Augmented Autoencoders

通过噪声增强自动编码器对音乐表示进行感知对齐

Mathias Rose Bjare, Giorgia Cantisani, Marco Pasini, Stefan Lattner, Gerhard Widmer

机构 * Johannes Kepler University（约翰内斯·开普勒大学） ； Queen Mary University（女王玛丽大学） ； Sony Computer Science Laboratories (CSL)（索尼计算机科学实验室（CSL）） 纠错

专题命中 EEG解码 ：EEG(abstract)

AI总结 研究如何通过噪声增强自动编码器结合感知驱动损失对音乐表示进行感知对齐，经训练产生按感知层次结构构建的编码，此方法在估计音乐音高惊喜和预测脑电反应中效果超以前方法，还提供预训练权重。

Comments Accepted to EUSIPCO 2026. Previous version appeared in NeurIPS 2025 - AI for Music Workshop. 5 pages, 2 figures, 1 table