脑机接口 / BCI

STST-JEPA: Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture For EEG Self-Supervised Learning

STST-JEPA：用于脑电图自监督学习的浅目标时空联合嵌入预测架构

Roy Segal, Yoni Svechinsky, Tomer Fekete

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

AI总结 研究针对脑电图脑年龄模型面临的问题，引入STST-JEPA自监督变压器，结合潜在预测目标与辅助信号重建项，经预训练和微调后在多任务中表现出色，且年龄预测残差与认知效率负相关。

Graph-Regularized Deep Learning for EEG-Based Emotion Recognition with Psychologically-Grounded Label Structure

基于心理基础标签结构的图正则化深度学习用于基于脑电图的情绪识别

Dongyang Kuang, Zizheng Ma, Yushan Zhang, Xiaocong Zeng

机构 * School of Mathematics (Zhuhai), Sun Yat-sen University（中山大学数学学院（珠海）） 纠错

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

AI总结 研究基于脑电图的情绪识别，提出图正则化学习框架，将情绪视为图中节点，采用三种正则化策略，在三种骨干架构上评估，在SEED-IV和SEED-V数据集上有改进，提升了标准方法的性能上限。

A Sliced-Wasserstein Framework on Correlation Matrices for EEG Decoding

用于脑电图解码的相关矩阵切片Wasserstein框架

Chen Hu, Rui Wang, Jiale Zhou, Jingjun Yi, Shaocheng Jin, Yidong Song, Yefeng Zheng

机构 * Westlake University（西湖大学） ； 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） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 提出基于拉回欧几里得度量的切片Wasserstein框架，实例化两种相关矩阵切片Wasserstein差异，并构建脑电图解码的域泛化方法，在三个数据集上验证了分布偏移下的泛化能力提升。

Comments Accepted by KDD 2026

Variational Phasor Circuits for Phase-Native Brain-Computer Interface Classification

变分相量电路用于相位本征脑机接口分类

Dibakar Sigdel

机构 * Mindverse Computing LLC 纠错

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

AI总结 本文提出变分相量电路（VPC），一种基于连续S¹单位圆流形的确定性经典学习架构，通过相位本征设计实现二分类和多分类任务，展示其在脑机接口中优于传统欧几里得基线的性能。

Open-source MRI-informed computational model of human cortical folding

人类皮质折叠的开源磁共振成像信息计算模型

Anne Kerachni, Thomas Lavigne, Stéphane Urcun, Mireia Alenya, Oscar Camara, Julien Lefèvre François Rousseau

专题命中 神经信号处理 ：cortical(title,abstract)

AI总结 该研究针对人类皮质折叠问题，利用开源代码FEniCS开发计算模型，构建模块化、可解释且可扩展的模拟框架，结合胎儿MRI数据模拟折叠，估计参数并优化预测，助力理解皮质折叠及相关疾病。

Comments 33 pages, 17 figures

Geometry-Aware Deep Congruence Networks for Manifold Learning in Cross-Subject Motor Imagery

用于跨主体运动想象中流形学习的几何感知深度一致性网络

Sanjeev Manivannan, Chandra Shekar Lakshminarayan

机构 * Department of Biotechnology（生物技术系） ； Indian Institute of Technology Madras（印度理工学院马德拉斯分校） ； Department of Data Science and Artificial Intelligence（数据科学与人工智能系） 纠错

专题命中 运动想象 ：motor imagery(title,abstract)；brain-computer interface(abstract)；EEG(abstract)；分类 cs.LG

AI总结 针对跨主体运动想象解码难题，提出几何感知一致性变换及三个互补模型，既作流形对齐模块又作端到端判别架构评估，实验表明该方法能提升转导解码性能，有效减轻脑电图解码中主体间差异。

Comments 77 pages (Main paper - 13 pages, Appendix - 64 pages)