脑机接口 / BCI

Comparison of Dimension Reduction Methods for EEG Seizure Detection Using Autonomous AI-Driven Optimization

使用自主人工智能驱动优化的脑电图癫痫检测降维方法比较

Annika Stiehl, Vishal Kagade, Nicolas Weeger, Nicole Ille, Stefan Geißelsöder, Christian Uhl

专题命中 EEG解码 ：EEG(title,abstract)；分类 eess.SP

AI总结 研究比较PCA、DyCA、DMD、AVD四种降维方法用于脑电图癫痫检测，通过自主人工智能驱动框架优化架构和超参数，结果显示基于方差的方法性能更优，最佳分类器架构因表示而异，突出输入表示重要性及自主实验的可行性。

Comments Accepted to BMT 2026

Sign in the Air to Unlock: An Interface for authentication in Virtual and Augmented Reality Powered by Point-Voxel Cross-Attention Network

空中签名解锁：基于点-体素交叉注意力网络的虚拟与增强现实认证接口

Neda Abdolrahimi, Thiru Siddharth, Frank Sicong chen, Vir V Phoha

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG、cs.HC

AI总结 提出一种空中签名认证接口，利用点-体素交叉注意力网络（PV-Net）建模3D轨迹的局部运动与全局结构，在公开和自建数据集上实现低错误率，支持沉浸式环境中的自然交互认证。

Comments Changed the 2nd co-author name from FRank Sicongchen to Frank Sicong chen

Linear Independent Component Analysis via Optimal Transport

通过最优传输进行线性独立成分分析

Ashutosh Jha, Michel Besserve, Simon Buchholz

机构 * University of Tübingen（图宾根大学） ； Max Planck Institute for Intelligent Systems, Tübingen（图宾根马克斯·普朗克智能系统研究所） ； Institute of Artificial Intelligence TU Braunschweig（布伦瑞克工业大学人工智能研究所） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 研究如何从线性混合信号中恢复独立源信号，提出用平方瓦瑟斯坦距离衡量非高斯性，基于此构建OT - ICA算法，实验表明该算法在不同分布上优于传统方法，且可用于无分布假设的应用ICA任务。

CORTET: Robust generation of simulation-ready cortical meshes

CORTET：稳健生成可用于模拟的皮质网格

Davood Shahsavari, Irina Grigorescu, Jiaxin Xiao, Nashira Baena, Aakash Saboo, Saga N. B. Masui, Yourong Guo, Vanessa Kyriakopoulou, Alena Uus, Martin J. Bishop, Katherine R. Long, Emma C. Robinson

专题命中 神经信号处理 ：cortical(title,abstract)

AI总结 研究针对人类大脑褶皱差异影响神经发育障碍成像生物标志物寻找的问题，提出CORTET全自动管道，将皮质表面转换为高质量四面体网格，经与通用网格划分器对比及多胎儿受试者验证，实现数值稳定的胎儿大脑形态弹性折叠模拟。

Comments 12 pages

Leveraging unlabelled data for generalizable neural population decoding

利用未标记数据进行可泛化的神经群体解码

Ximeng Mao, Nanda H. Krishna, Avery Hee-Woon Ryoo, Matthew G. Perich, Guillaume Lajoie

专题命中 神经信号处理 ：brain-computer interface(abstract)；分类 q-bio.NC、cs.LG

AI总结 研究利用未标记数据进行可泛化神经群体解码的问题，提出MOJO训练框架，联合自监督学习与监督学习目标，在多数据集上评估，结果显示该框架能提升性能、产生更具可解释性表示且可推广到其他神经模态。

Cortical-SSM: A Deep State Space Model for Motor Imagery Decoding from EEG Signals

皮质-状态空间模型：一种用于从脑电信号中解码运动想象的深度状态空间模型

Shuntaro Suzuki, Shunya Nagashima, Komei Sugiura

机构 * Keio University（庆应大学） 纠错

专题命中 运动想象 ：cortical(title,summary_cn)；EEG(title,abstract)；motor imagery(title,abstract)；brain-computer interface(abstract)

AI总结 针对运动想象脑电信号分类中受生理伪迹影响及难以捕捉细粒度依赖关系的问题，提出Cortical-SSM扩展深度状态空间模型，在两个大规模数据集上验证，优于基线方法且可解释，提高了脑电分类可靠性，支持脑机接口系统发展。

Comments Accepted by Journal of Neural Engineering