脑机接口 / BCI

When Certificates Fail: A Unified Safety Framework for Embedded Neural Interface Models

当证书失效时：嵌入式神经接口模型的统一安全框架

Jasmeet Singh Bindra

机构 * IKSMHA Center, IIT Mandi（印度理工学院曼迪分校IKSMHA中心） 纠错

专题命中 EEG解码 ：neural interface(title,abstract)；BCI(abstract,abstract_cn)；EEG(abstract,abstract_cn)；neural signal(abstract)

AI总结 研究嵌入式神经接口模型数学认证与操作安全的差距，提出围绕验证不足、代理保真度差异和潜在信息泄露的统一实证审计框架，通过实验表明操作安全审计对神经接口部署很必要。

Comments 12 pages; To be published in peer-reviewed journal

From Statistical to Structural Synergy: A Predictability Framework to Quantify the Effects due to High-Order Mechanisms

从统计协同到结构协同：一种量化高阶机制影响的可预测性框架

Yuri Antonacci, Chiara Barà, Laura Sparacino, Daniele Marinazzo, Luca Faes, Sebastiano Stramaglia

专题命中 EEG解码 ：EEG(abstract)；cortical(abstract)

AI总结 研究复杂系统中高阶行为与高阶机制关系，引入基于可预测性框架，通过多项式回归估计结构协同，模拟及气候、脑电图动力学应用表明HOBs和HOMs可分离，框架助于机理解释复杂系统动力学及确定模型需求。

Feynman Kac Reweighted Schrödinger Bridge Matching for Surface-Based Tau PET Harmonization

基于Feynman Kac重加权薛定谔桥匹配的皮层表面Tau PET标准化

Jianwei Zhang, Xinyu Nie, Jiaxin Yue, Yonggang Shi

机构 * Stevens Neuroimaging and Informatics Institute, University of Southern California（斯蒂文斯神经影像与信息学研究所，南加州大学） ； Ming Hsieh Department of Electrical and Computer Engineering of Viterbi School of Engineering, University of Southern California（明希德电气与计算机工程系，维特比工程学院，南加州大学） ； Alfred E. Mann Department of Biomedical Engineering of Viterbi School of Engineering, University of Southern California（阿尔弗雷德·E·曼生物医学工程系，维特比工程学院，南加州大学） 纠错

专题命中 神经信号处理 ：cortical(abstract)

AI总结 提出Feynman Kac重加权薛定谔桥匹配（FKRSBM）模型，通过熵正则化最优传输实现源域与目标域间的随机传输，结合子群感知端点提议和球面卷积骨干网络，在Tau PET SUVR图上实现优于现有方法的分布对齐和下游疾病分类。

Latency-Constrained Hardware-Aware Quantum Error Correction Co-Design with Adaptive Confidence-Gated Neural Decoding for the Rotated Surface Code

用于旋转表面码的具有自适应置信门控神经解码的延迟受限硬件感知量子纠错协同设计

Sumit Chongder

机构 * Department of Physics, Quantum Information and Computation, Indian Institute of Technology Jodhpur（物理系、量子信息与计算系，印度理工学院贾尔普尔） 纠错

专题命中 BCI数据与评测 ：neural decoding(title)；分类 cs.LG

AI总结 研究针对旋转表面码实时解码瓶颈，提出自适应置信门控解码框架，经实验验证，该框架能在有限增加解码成本下提升逻辑精度，神经解码器吞吐量在特定条件下饱和，还发布相关资源并区分贡献与未来工作方向。

Comments 29 pages, 18 figures, 12 tables. Source code, trained models, and benchmark data: https://github.com/Sumitchongder/adaptive-qec-decoder