脑机接口 / BCI

Cognitive Energy Modeling for Neuroadaptive Human-Machine Systems using EEG and WGAN-GP

基于EEG和WGAN-GP的神经适应性人机系统认知能量建模

Sriram Sattiraju, Vaibhav Gollapalli, Aryan Shah, Timothy McMahan

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of North Texas（北德克萨斯大学） 纠错

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

AI总结 本文利用Schrödinger Bridge Problem建模EEG数据中的认知能量，通过比较真实与合成EEG在Stroop任务中的过渡能量，验证合成EEG在神经适应性人机系统中的有效性。

Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms

基于深度学习与注意力机制的睡眠研究中单通道移动EEG的伪影检测与定位

Khrystyna Semkiv, Jia Zhang, Maria Laura Ferster, Walter Karlen

机构 * Institute of Biomedical Engineering, Ulm University（生物医学工程研究所，乌尔姆大学） ； Mobile Health Systems Lab, Department of Health Sciences and Technology, ETH Zurich（移动健康系统实验室，健康科学与技术系，苏黎世联邦理工学院） 纠错

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

AI总结 该研究针对单通道移动EEG伪影检测的应用局限，提出CNN-CBAM模型，经72份训练、26份测试数据验证，其性能优于6种对比方法，实现了可穿戴睡眠EEG伪影的自动化检测与定位。

A Physics-Inspired Classical Digital Twin of Cortical Dynamics: A Band-Stratified Metriplectic Port-Hamiltonian Neural Network Learned from Brain-Computer-Interface EEG

将大脑动力学学习为端口哈密顿系统

Dibakar Sigdel

机构 * Mindverse Computing LLC 纠错

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

AI总结 研究将人类运动皮层在脑机接口任务中建模为端口哈密顿系统，用辛积分器等方法，经训练达到一定测试均方误差并通过临界性阶梯，模型能生成闭环信号恢复锁相，为脑机接口解码器提供新思路。

EEG Foundation Challenge: From Cross-Task to Cross-Subject EEG Decoding

脑电（EEG）基础挑战赛：从跨任务到跨主体的脑电解码

Bruno Aristimunha, Dung Truong, Pierre Guetschel, Seyed Yahya Shirazi, Isabelle Guyon, Alexandre R. Franco, Michael P. Milham, Aviv Dotan, Scott Makeig, Alexandre Gramfort, Jean-Remi King, Marie-Constance Corsi, Pedro A. Valdés-Sosa, Amit Majumdar, Alan Evans, Terrence J Sejnowski, Oren Shriki, Sylvain Chevallier, Arnaud Delorme

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

AI总结 本文介绍一项包含跨任务跨主体脑电解码、精神病理因素预测两项挑战的大规模脑电竞赛，提供对应基线模型，旨在推动泛化性脑电解码模型及相关临床应用的发展。

Comments Approved at Neurips Competition track. webpage: https://eeg2025.github.io/

Journal ref The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS), 2025

EEG-Based Characterization of Samatha and Vipassana Meditation States

基于脑电图的奢摩他与内观禅修状态的表征

M. A. B. C. A. Bandaranayake, K. P. U. Chandrathilake, J. L. S. Jayasekara, S. T. Piyasena, A. T. L. K. Samrasinghe, Wageesha N. Manamperi

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

AI总结 本研究探究能否用EEG信号区分奢摩他与内观禅修状态，提取相关特征分析后发现δ频带存在显著状态差异，证实EEG指标可用于禅修的客观表征。

Comments Accepted for APSIPA ASC 2026

EgoBrain: Synergizing Minds and Eyes For Human Action Understanding

EgoBrain：协同心智与视觉以实现人类行为理解

Nie Lin, Yansen Wang, Dongqi Han, Weibang Jiang, Jingyuan Li, Ryosuke Furuta, Yoichi Sato, Dongsheng Li

机构 * The University of Tokyo（东京大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

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

AI总结 研究人员构建了全球首个同步脑电与第一人称视觉的大规模多模态数据集EgoBrain，开发多模态学习框架实现行为理解，跨参与者与环境验证达66.70%准确率，为脑机接口研究提供新范式。

Comments Accepted to ICLR 2026. Camera-ready version. Project page: https://lin-nie.github.io/EgoBrain/

A Multi-Scale Temporal Framework with Dynamic Fusion for EEG-Based Emotion Recognition

用于脑电信号情绪识别的多尺度时间动态融合框架

Stefanos Gkikas, Yang Guo, Guangliang Li, Raul Fernandez Rojas, Giorgos Giannakakis, Randy Gomez

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

AI总结 本研究针对脑电情绪识别提出多尺度时间动态融合框架，在含混合情感类别的三分类任务中获45.43%准确率，优于基线及拼接方法，性能显著提升但计算量更大。

Comments The paper has been accepted at: IEEE | 2026 9th International Conference on Pattern Recognition and Artificial Intelligence (PRAI 2026)

MGMCL: Multi-Granularity Manifold Contrastive Learning With Neural ODEs for Cross-Subject EEG Emotion Recognition

MGMCL：结合神经常微分方程的多粒度流形对比学习用于跨主体脑电情感识别

Xiang Xie

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

AI总结 本文提出结合神经常微分方程的多粒度流形对比学习模型MGMCL，在三个公开脑电情感数据集上实现跨主体情感识别的最优性能，较现有方法有显著提升。

Learning aligned EEG representations with subject-specific encoders

学习带有主体特定编码器的对齐脑电图表示

Bruna J. Lopes, Gabriel Schwartz, Sylvain Chevallier, Raphael Y. de Camargo, Bruno Aristimunha

机构 * University of São Paulo（圣保罗大学） ； Université Paris-Saclay, Inria TAU team, LISN-CNRS（巴黎萨克雷大学，Inria TAU团队，LISN-CNRS） ； Institut de neuromodulation, GHU Paris, psychiatrie et neurosciences, centre hospitalier Sainte-Anne, pôle hospitalo-universitaire 15, Université Paris Cité（神经调控研究所，GHU巴黎，精神病学与神经科学，圣安娜医院，大学医院中心15区，巴黎西岱大学） ； Federal University of ABC (UFABC)（ABC联邦大学） ； Yneuro ； Swartz Center for Computational Neuroscience (SCCN), Institute for Neural Computation (INC), University of California San Diego（斯沃茨计算神经科学中心，神经计算研究所，加州大学圣地亚哥分校） 纠错

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

AI总结 提出使用主体特定编码器替代共享编码器，结合共同分类器实现跨主体脑电图对齐，实验表明该方法能内化欧几里得对齐的作用，提高类别区分度，并识别出未见主体的编码器选择是主要瓶颈。

The Neural Division of Labor: Biologically-Inspired Modular Architectures for Robust Neuromorphic Computing

神经劳动分工：用于鲁棒神经形态计算的生物启发式模块化架构

Maksim Bazhenov, Serafim Grubas, Vakhtang Putkaradze

机构 * University of California San Diego（加州大学圣地亚哥分校） ； University of Alberta（阿尔伯塔大学） ； University of Alabama（阿拉巴马大学） 纠错

专题命中 神经信号处理 ：neural signal(abstract)；分类 cs.LG

AI总结 本文提出可分解脉冲神经网络（D-SNN），采用生物启发模块化架构，在减少参数与突触操作的同时，实现鲁棒性与决策透明性，为边缘神经形态计算提供高效方案。

Comments 39 pages, 7 figures

Graph Analysis of Neuronal-Culture Connectivity Derived from a Reservoir-Computing Model

基于储备池计算模型的神经元培养物连接性的图分析

Ilya Auslender, Giorgio Letti, Yasaman Heydari, Lorenzo Pavesi

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

AI总结 本研究基于储备池计算（RC）框架从多通道电生理记录提取神经元培养物的内在连接图谱（ICM），通过图论分析验证了RC连接性推断的有效性，建立了神经元培养物功能网络表征的可扩展数据驱动框架。

Topographic Constraints Shape Brain-Like Component Structure in Auditory Models

地形约束塑造听觉模型中类脑的组件结构

Haider Al-Tahan, Mayukh Deb, Jenelle Feather, N. Apurva Ratan Murty

机构 * Cognition and Brain Science, School of Psychology, Georgia Tech（认知与脑科学系，心理学学院，佐治亚理工学院） ； Computational Cognition, Georgia Tech（计算认知学，佐治亚理工学院） ； Neuroscience Institute and Department of Psychology, Carnegie Mellon University（神经科学研究所和心理学系，卡内基梅隆大学） 纠错

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

AI总结 该研究探究地形约束对听觉神经网络模型的影响，提出TopoAudio模型，发现其性能与标准模型相当且内部表示更紧凑、组件与人类ECoG记录对齐更紧密，为人工神经网络生成生物对齐表示提供了机制证据。

RAG-Audio: Retrieval-Augmented Generation for Faithful Brain-to-Audio Reconstruction

RAG-Audio：用于忠实脑电信号到音频重建的检索增强生成

Ambuj Mehrish, Sebastiano Vascon

机构 * CVML Lab（CVML实验室） 纠错

专题命中 神经信号处理 ：neural signal(abstract)

AI总结 RAG-Audio通过检索真实音频样本初始化生成器采样轨迹，缓解脑电到音频生成的先验主导问题，在Brain2Music数据集上提升了刺激识别准确率并大幅降低Fréchet音频距离。

Maximum-Entropy Model of Colored Noise in Superdiffusive Axonal Growth

超扩散轴突生长中的最大熵模型

Julian Sutaria, Cristian Staii

专题命中 神经信号处理 ：cortical(abstract)

AI总结 本文基于最大熵原理，发展了轴突生长的粗粒度随机理论，通过推导牵引力弛豫率分布，预测了超扩散行为及速度自相关函数的幂律衰减。

Comments 20 pages, 5 figures

Stochastic Models of Neuronal Growth

神经元生长的随机模型

Cristian Staii

专题命中 神经假体 ：neuroprosthetic(abstract)；分类 q-bio.NC

AI总结 本文综述轴突生长的随机模型，结合朗之万动力学与福克-普朗克方程，耦合肌动蛋白-肌球蛋白-离合器模型，分析轴突动态的稳定性，为神经修复相关工程设计提供依据。

Comments 13 pages, 4 figures

Journal ref Staii C. Stochastic Models of Neuronal Growth. AppliedMath. 2025;5:170

SPD Learn: A Geometric Deep Learning Python Library for Neural Decoding Through Trivialization

SPD Learn: 一种基于对称正定矩阵的几何深度学习Python库用于神经解码通过平凡化

Bruno Aristimunha, Ce Ju, Antoine Collas, Florent Bouchard, Ammar Mian, Bertrand Thirion, Sylvain Chevallier, Reinmar Kobler

机构 * A&O, LISN, Université Paris-Saclay, CNRS, Inria TAU/NERV, France（A&O、LISN、巴黎-萨克雷大学、CNRS、Inria TAU/NERV，法国） ； Yneuro, France（Yneuro，法国） ； University of San Diego, EUA（圣地亚哥大学，美国） ； Inria, CEA, Université Paris-Saclay, Palaiseau, France（Inria、CEA、巴黎-萨克雷大学、Palaiseau，法国） ； Université Paris-Saclay, CNRS, CentraleSupélec, L2S, France（巴黎-萨克雷大学、CNRS、CentraleSupélec、L2S，法国） ； Université Savoie Mont Blanc, LISTIC, France（萨伏伊-蒙博利大学、LISTIC，法国） ； A&O, LISN, Université Paris-Saclay, CNRS, Inria TAU, France（A&O、LISN、巴黎-萨克雷大学、CNRS、Inria TAU，法国） ； Advanced Telecommunications Research Institute International, Kyoto, and RIKEN Artificial Intelligence Project, Tokyo, Japan（国际电信研究中心、京都，和日本理化学研究所人工智能项目，东京，日本） 纠错

专题命中 其他BCI ：neural decoding(title,abstract)；brain computer interface(abstract)；分类 q-bio.NC、cs.LG

AI总结 SPD Learn是一种基于对称正定矩阵的几何深度学习Python库，通过平凡化参数化实现流形约束，提供统一的神经网络层和SPD运算符，用于神经解码和脑机接口应用。

Comments 9 Pages