脑机接口 / BCI

SENSE: Efficient EEG-to-Text via Privacy-Preserving Semantic Retrieval

SENSE：通过隐私保护的语义检索实现高效的EEG到文本

Akshaj Murhekar, Christina Liu, Abhijit Mishra, Shounak Roychowdhury, Jacek Gwizdka

机构 * School of Information, The University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） 纠错

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

AI总结 SENSE通过本地语义检索和提示语言生成，实现无需微调LLM的EEG到文本转换，提升效率并保护隐私。

Comments Accepted to ACM International Conference on Multimodal Interaction 2026

Forward--Inverse Interplay in FEM-Based EEG Source Imaging: Distributional Signatures of Advanced Source Models and Inverse Solvers

有限元法在EEG源成像中的正反问题交互：先进源模型与反演求解器的分布特征

Santtu Söderholm, Joonas Lahtinen, Sampsa Pursiainen

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 研究正反问题交互对EEG源成像的影响，分析不同源模型对反演方法成功率的影响，通过分布特征评估源模型与反演方法的匹配性。

Comments 6 pages, 5 figures. Submitted to conference IEEE MetroXRAINE 2026. Updated units of flow F to the ones of current density in the definition of EMD. Copyright (c) 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media

The Fast Lane Hypothesis: Von Economo Neurons Implement a Biological Speed-Accuracy Tradeoff

快速通道假说：von Economo神经元实现一种生物速度-准确性权衡

Esila Keskin

机构 * School of Computing and Creative Technologies, University of the West of England, Bristol, UK（西英格兰大学计算与创意技术学院，布里斯托尔，英国） 纠错

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

AI总结 本文提出von Economo神经元通过稀疏快速投射路径实现生物速度-准确性权衡，通过模拟社会辨别任务验证其在不同病理条件下对决策速度的影响。

Comments 7 pages, 5 figures. Code available at https://github.com/esila-keskin/fast-lane-hypothesis

Towards simultaneous decoding of kinetic and kinematic movement parameters during grasp and lift task by noninvasive brain imaging

通过无创脑成像在抓握和举起任务中同时解码动力学和运动学运动参数

Parth G. Dangi, Yogesh Kumar Meena

专题命中 运动想象 ：EEG(abstract,abstract_cn)；分类 cs.HC

AI总结 研究旨在通过无创脑成像在抓握和举起任务中同时解码运动参数，提出偏最小二乘回归器、多层感知器和基于注意力的回归器三种模型，以脑电图信号解码，在特定数据集上评估，基于注意力的回归器在多参数解码表现最佳，为BMI系统发展助力。

Comments 6 pages, 3 figures, 2 tables, selected to be presented at Brain-Machine Interface (BMI) Systems Session, IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2026)

Physics-Informed Graph-Neural Decoding of the Surface Code: the Logical Signal as an Exact Topological Pairing

基于离散外微积分的用于表面码解码的物理信息图神经网络

P. E. Trevisanutto, S. Dhanpal, S. Basak, L. Petit, J. Thiyagalingam

专题命中 其他BCI ：neural decoding(title)

AI总结 研究针对表面码解码问题，提出基于离散外微积分的物理信息图神经网络解码器，通过离散泊松方程学习边权重，利用可微求解器获取电流，证明特定电流差值为拓扑配对，该方法在旋转表面码解码中表现良好，能精确读出逻辑信号。