脑机接口 / BCI

OOD Detection for EEG-based Machine Learning in High-Risk Environments

高风险环境下基于脑电图（EEG）的机器学习的分布外（OOD）检测

Philipp Bomatter, Henry Gouk

机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） 纠错

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

AI总结 针对脑电图机器学习在高风险环境中易受分布偏移影响的问题，引入EEG OOD检测基准，评估相关方法并结合互补方法构建稳健安全网。

Delta2Gamma: Band-Wise Adaptive Contrastive Learning of EEG for Alzheimer's Disease Detection

Delta2Gamma：面向阿尔茨海默病检测的脑电信号频带自适应对比学习

Chanwoo Park, Chanwoo Kim

机构 * Korea University（高丽大学） 纠错

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

AI总结 Delta2Gamma是一种自监督EEG表征学习框架，通过分解EEG为5个神经节律并自适应平衡各频带，在ADFTD队列上以92.4%的准确率实现阿尔茨海默病检测，性能优于相关方法。

Comments Accepted to 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS)

SW-ProxyCE: Zero-Query Adversarial Transfer from Public EEG Encoders to Private Downstream Models

SW-ProxyCE：从公开EEG编码器到私有下游模型的零查询对抗迁移

Linhua Cong, Dingkun Liu, Dongrui Wu

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

AI总结 本文针对公开编码器与私有下游模型场景，提出无查询的任务感知攻击框架SW-ProxyCE，实验表明其生成的对抗样本可有效迁移至下游模型，且性能优于任务无关攻击。

Phase-based spatial ordinal patterns for characterizing oscillatory dynamics

用于表征振荡动力学的基于相位的空间序贯模式

Robison J. Santos-Silva, Bruno R. R. Boaretto, Thiago L. Prado, Roberto C. Budzinski

专题命中 EEG解码 ：EEG(abstract)；分类 q-bio.NC

AI总结 本研究提出基于相位的空间序贯模式框架，定义空间置换熵，可表征振荡系统时空动力学，区分锁相状态与部分同步状态，在合成网络和人脑电数据上验证了方法有效性。

Margin-Regularized Structured Semantic Alignment for Brain-Language Correspondence

用于脑-语言对应关系的边际正则化结构化语义对齐

Jiaqi Wang, Huawen Hu, Shu Zhang

机构 * School of Computer Science and Technology, Northwestern Polytechnical University（西北工业大学计算机科学与技术学院） 纠错

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

AI总结 本文针对脑-语言解码的模糊性问题，提出MD-SigLIP框架，通过边际正则化结构化语义对齐实现基于检索的解码，在全词汇与子集评估下均取得最优检索性能。

scDNM-VAE enables directly inspectable deep clustering of single-cell RNA-seq data through signed dendritic gating

scDNM-VAE 通过带符号的树突门控实现对单细胞 RNA 测序数据的可直接检查的深度聚类

Melih Agraz, Deniz Karapinar, Aysel Topsir, Qianying Cao, Erol Egrioglu, Gaurav Choudhary

专题命中 神经信号处理 ：cortical(abstract)

AI总结 本研究提出 scDNM-VAE 框架，其结合变分自编码器与树突神经元启发头部实现可直接检查的单细胞 RNA-seq 深度聚类，在多数据集上表现良好，且决策相关信息分布于潜在空间。

Comments 39 pages, 7 figures, 4 tables. Supplementary information available from the authors