脑机接口 / BCI

Is EEG-to-Text Feasible in Real-World Scenarios? An In-Depth Analysis Using a Neuropsychology-Inspired Benchmark

脑电到文本在现实场景中可行吗？使用受神经心理学启发的基准进行深入分析

Zihan Zhang, Yu Bao, Xiao Ding, Tianyi Jiang, Kai Xiong

机构 * Research Center for Social Computing and Interactive Robotics, Harbin Institute of Technology（哈尔滨工业大学社会计算与交互机器人研究中心） ； Shanghai Innovation Institute（上海创新院） ； State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； Zhongguancun Laboratory（中关村实验室） 纠错

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

AI总结 探讨脑电到文本在现实场景的可行性，利用受神经心理学启发的范式，发现现有基准忽略脑电不稳定性问题。通过实验为无教师强制的EEG2Text解码提供证据，构建COFETT基准，可区分模型性能，实现稳健评估，推动EEG2Text实际应用。

Comments 17 pages, 8 figures. Published in Proceedings of ACL 2026 Main Conference

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, Volume 1: Long Papers (2026), 1378-1393

Addressing Limited Data in Auditory Attention Decoding with Diffusion Generative Models

用扩散生成模型解决听觉注意力解码中的数据有限问题

David Rannaleet, Victor Gunnarsson, Bo Bernhardsson, Martin A. Skoglund, Emina Alickovic

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

AI总结 研究针对助听器中听觉注意力解码因数据有限面临的挑战，利用扩散概率模型生成合成语音诱发EEG数据进行数据增强，实验证明该方法能显著提高AAD性能，凸显其减轻训练数据限制及增强模型鲁棒性的潜力。

PeakFlow: Peak-Guided Coarse-to-Refined Modeling for EEG-Based Dynamic Affective Trajectory Prediction

PeakFlow：基于脑电图的动态情感轨迹预测的峰值引导粗到精建模

Hao Tang, Songyun Xie, Xinzhou Xie, Can Liao, Xin Zhang, Bohan Li, Zhongyu Tian, Dalu Zheng

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

AI总结 研究基于脑电图的动态情感轨迹预测问题，提出PeakFlow框架，先通过脑电图时间标记化等学习粗略情感流，再用轻量级残差细化器校准，提升了全局轨迹拟合和峰值中心时间可靠性，突出峰值感知建模的重要性。

Comments Preprint. Code is available at https://github.com/jukebox333/PeakFlow

Decoding EEG Signals to Explore Next-Word Predictability in the Human Brain

解码脑电信号以探索人类大脑中的下一个单词可预测性

Boi Mai Quach, Binh T. Nguyen, Cathal Gurrin, Graham Healy

机构 * Dublin City University（都柏林城市大学） ； VNUHCM – University of Science（越南国立大学胡志明市科学大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 该研究利用脑电图探索大脑中单词可预测性的神经机制，重点关注N400时间窗口内不同词汇和语法类别情况。发现实词N400差异更明显，动词差异大于名词，名词可预测性信息更独特，且解码技术在捕捉认知过程表征上比传统分析更有效。

End-to-End Markov State Sequence Learning for Auditory Attention Decoding

用于听觉注意力解码的端到端马尔可夫状态序列学习

Yushan Yashengjiang, Jie Zhang, Miao Sun, Huadong Liang, Xin Li, Zhen-hua Ling

机构 * NERC-SLIP, University of Science and Technology of China（中国科学技术大学NERC-SLIP） ； School of Information and Communication Engineering, Guangzhou Maritime University（广州航海学院信息与通信工程学院） ； Artificial Intelligence Research Institute, iFLYTEK Company, Ltd.（科大讯飞股份有限公司人工智能研究院） ； School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.HC

AI总结 研究针对听觉注意力解码中多数模型为独立短窗口分类器的问题，提出基于条件随机场的端到端马尔可夫AAD框架，引入ESCNet，通过联合优化目标学习注意力状态序列，实验证明该方法在多个数据集上优于传统孤立窗口分类。

AMICA-Python: Adaptive Mixture Independent Component Analysis with Anderson Acceleration

AMICA-Python：具有安德森加速的自适应混合独立成分分析

Scott Huberty, Christian O'Reilly

机构 * University of Southern California（南加州大学） ； University of South Carolina（南卡罗来纳大学） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 研究针对AMICA算法依赖单一Fortran实现、限制其在非MATLAB生态系统中应用的问题，提出AMICA-Python这一Python实现，通过符合scikit-learn的API集成，引入安德森加速方案，经测试其数值精度高、运行时具竞争力。

Eccentricity-Constrained CNN Training Reveals Adaptive Information Coding Around the Visual Field

偏心率约束的卷积神经网络训练揭示了视野周围的自适应信息编码

Dylan M. Diaz, Margaret M. Henderson

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 研究利用VEDB数据，通过对比学习训练ResNet - 18模型，探讨视野偏心率与信息编码关系，发现自我中心经验能自适应约束皮层信息处理，不同偏心率模型在任务表现及与神经数据匹配上有差异。

Comments Proceedings of the Conference on Cognitive Computational Neuroscience 2026; Contributed Talk

Visual Semantic Decoding of Electrocorticography from Video Stimuli using End-to-End Deep Learning

使用端到端深度学习对视频刺激的脑电信号进行视觉语义解码

Stella Ho, Joel Villalobos, Joseph West, Jingyang Liu, Weijie Qi, Haruhiko Kishima, Ryohei Fukuma, Takufumi Yanagisawa, Sam E. John, David B. Grayden

机构 * The University of Melbourne（墨尔本大学） ； Bionics Institute（仿生研究所） ； The University of Osaka（大阪大学） 纠错

专题命中 语音与意图解码 ：cortical(abstract)；分类 q-bio.NC、cs.LG

AI总结 研究利用端到端深度学习框架对视频刺激的脑电信号进行视觉语义解码，在每个视觉类别训练样本少的情况下评估多种方法，分析最佳方法依赖的信息，所选系统有良好性能且模型行为可解释，与神经科学知识相符。

Comments This is a preprint and has not yet undergone peer review