脑机接口 / BCI

ZUNA1.1: A more flexible EEG foundation model for Denoising and Super-resolution

ZUNA1.1：一种更灵活的用于去噪和超分辨率的脑电图（EEG）基础模型

Christopher Warner, Jonas Mago, JR Huml, Beren Millidge

机构 * Zyphra 纠错

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

AI总结 研究推出3.8亿参数的EEG基础模型ZUNA1.1，其灵活性远超原模型ZUNA1，在EEG去噪与重建任务中性能达标且显著优于MNE包的球形样条插值，已以Apache 2.0许可开源发布。

Evaluation Protocols and Cross-Subject Generalization in EEG Emotion Recognition

EEG情绪识别中的评估协议与跨被试泛化

Hanting Suo, Yuwen Li

机构 * Southeast University（东南大学） 纠错

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

AI总结 本文以DGCNN在SEED、SEED-IV上的实验为例，分离EEG情绪识别的评估要素，发现跨被试泛化差距非简单欠拟合导致，需区分不同评估结果的意义。

Comments 41 pages, 6 figures, 11 tables including supplementary information. Submitted to Applied Intelligence

EEG-EditBench: Probing Visual Information in EEG-Image Retrieval Models with Controlled Image Edits

EEG-EditBench：通过可控图像编辑探测EEG-图像检索模型中的视觉信息

Kaifan Zhang, Lihuo He, Yuqi Ji, Junjie Ke, Lukun Wu, Tianhao You, Xinbo Gao

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 该研究针对EEG-图像检索模型无法揭示支撑匹配的视觉信息这一问题，构建EEG-EditBench诊断基准，评估8个代表性模型，发现细粒度属性变化是最大挑战，为相关研究提供可控基础。

Comments Main paper with supplementary material. Code: https://github.com/XiaoZhangYES/EEG-EditBench. Dataset: https://huggingface.co/datasets/xiaozgg/EEG-EditBench

Toward Annotation-Efficient Continuous Emotion Arousal Quantification via Group-Level EEG Dynamic Neural Synchrony

面向标注高效的连续情绪唤醒度量化：基于组水平脑电动态神经同步性

Guandong Pan, Yaqian Yang, Shi Chen, Yi Zheng, Yi Zhen, Hongwei Zheng, Shaoting Tang

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

AI总结 该研究针对连续情绪唤醒度量化的手动标注瓶颈，提出用组水平EEG动态神经同步性（DNS）作为替代标记，经多数据集验证其有效性，为标注高效的连续情绪唤醒度量化提供了新途径。

Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data

用于临床脑电数据隐私保护联邦学习的安全聚合

Pouya Rajabi, Mohsen Toorani

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

AI总结 该研究针对临床EEG数据联邦学习的隐私泄露问题，提出以掩码安全聚合为核心的隐私保护框架，经模拟医疗场景验证，半诚实变体开销低，恶意变体安全性强但开销更高。

Comments 27 pages, 6 figures, 7 tables. A version of this manuscript has been accepted for presentation at the International Workshop on Hot Topics at the Intersection of Distributed Machine Learning and Security (HotDiSec 2026), co-located with ESORICS 2026

S-CEReBrO: Breaking the Memory Barrier in Continuous EEG Monitoring

S-CEReBrO：突破连续脑电图监测中的内存瓶颈

Glenn Anta Bucagu, Thorir Mar Ingolfsson, Yawei Li, Luca Benini

机构 * ETH Zurich（苏黎世联邦理工学院） ； Nanyang Technological University（南洋理工大学） ； University of Bologna（博洛尼亚大学） 纠错

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

AI总结 该研究针对连续EEG监测中Transformer架构的内存瓶颈，提出S-CEReBrO架构，通过窗口交替注意力实现内存恒定，在EEG下游任务中性能领先且效率提升。

Comments This is the pre-rebuttal version of a paper accepted at MICCAI 2026. The camera-ready version will be posted following the embargo

Does EEG Foundation Models Transfer to Speech? A Benchmark on Overt and Imagined Speech Decoding

脑电基础模型能否迁移至语音？显性与想象语音解码的基准测试

Owais Mujtaba Khanday, Mohamed Baha Ben Ticha, Sanae Belfrouh, Marc Ouellet, Jose A. Gonzalez-Lopez

机构 * University of Granada, Spain（格拉纳达大学） ； Research Centre for Information and Communication Technologies (CITIC-UGR), Spain（信息与通信技术研究中心） ； University of Chouaib Doukkali, Morocco（舒艾卜·杜卡利大学） ； Brain, Mind, and Behavior Research Center (CIMCYC), University of Granada, Spain（大脑、心智与行为研究中心） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；BCI(abstract,abstract_cn)；motor imagery(abstract)

AI总结 本文开展首个脑电基础模型语音解码基准测试，对比LaBraM等模型与EEGNet等基线，发现通用脑电预训练未在语音任务上展现一致优势，为语音专用基础模型研究提供依据。

Comments 6 pages, 1 figure, 3 tables, submitted to IberSPEECH 2026

Stimulus-Evoked Network Dynamics in Human Cortical Organoids: From a Graph-Computational Framework to Repeated-Stimulation Depression

人类皮质类器官中刺激诱发的网络动力学：从图计算框架到重复刺激抑制

Esmaeil S. Nadimi, Vinay C. Gogineni, Jan-Matthias Braun, Martin Røssel Larsen, Victoria Blanes-Vidal, Helle Bogetofte Barnkob

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

AI总结 本研究开发图计算框架分析人类皮质类器官刺激诱发的网络动力学，发现重复刺激可抑制并空间收缩诱发反应，且该效应可与发育成熟区分开。

Compact Representation of Mipmapped SVBRDFs via Shared Gaussians

通过共享高斯函数实现带多级纹理滤波（mipmapped）的空间变化双向反射分布函数（SVBRDF）的紧凑表示

Fengdi Zhang, Haocheng Ren, Qing Luo, Yaqing Li, Jibing Lou, Hongwei Li

专题命中 其他BCI ：neural decoding(abstract)

AI总结 该研究提出GTC方法，通过共享2D高斯函数压缩带多级纹理滤波的SVBRDF纹理，相比ASTC实现更高重建质量与更低内存，支持随机访问和非神经解码，适用于实时渲染