脑机接口 / BCI

SleepExplain: Explainable Non-Rapid Eye Movement and Rapid Eye Movement Sleep Stage Classification from EEG Signal

SleepExplain: 基于EEG信号的可解释非快速眼动和快速眼动睡眠阶段分类

Rafsan Jany, Md. Hamjajul Ashmafee, Iqram Hussain, Md Azam Hossain

机构 * Islamic University of Technology（伊斯兰科技大学） ； Seoul National University（首尔国立大学） 纠错

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

AI总结 提出SleepExplain模型，使用集成学习（随机森林、XGBoost、梯度提升）对NREM和REM睡眠阶段进行分类，准确率达94.30%，并利用SHAP提供可解释性。

Comments 6 pages, 7 figures, 2022 25th International Conference on Computer and Information Technology (ICCIT)

Journal ref 2022 25th International Conference on Computer and Information Technology (ICCIT), pp. 248-253, 2022

ZIPBrain: Can EEG Foundation Models Be Faster, Locally Deployable, but Accurate?

ZIPBrain：脑电基础模型能否更快、可本地部署且仍保持准确？

Lingwei Li, Yirong Kan, Peng Chen, Xu Cao, Zheng Chen, Yasuhiko Nakashima

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 本研究提出即插即用模块ZIPBrain，利用EEG低SNR特性减少token数量，使EEG基础模型推理速度提升32.7%（最高41.8%）且平均准确率提升1.3%-10.5%，可本地部署。

Comments 7 pages(14 pages including appendix), 5 figures

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

MSBraM: A Multi-scale Self-supervised Brain Foundation Model for Hierarchical EEG Dynamics Learning

MSBraM：用于分层脑电动力学学习的多尺度自监督脑基础模型

Tao Zhou, Jing Han, Lingyu Shu, Zixing Zhang

机构 * Hunan University（湖南大学） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 针对现有方法难捕捉EEG信号多尺度时间结构的问题，提出MSBraM模型。该模型采用两阶段预训练框架，经多尺度神经分词器和课程多尺度掩码策略学习分层EEG表征。实验显示其在多个下游任务中性能优越，证明显式建模多尺度时间动态对EEG基础模型的重要性。

Multimodal Pretraining for Generalizable EEG Representation Learning

用于可泛化脑电信号表征学习的多模态预训练

Targol Bakhtiarvand, Jugal Kalita, Adham Atyabi

机构 * University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 研究针对癫痫EEG模型应用局限问题，开发多模态EEG基础模型，结合多种编码器，通过创新预训练技术创建癫痫相关表征。在多个数据集和评估设置下实验，该模型实现强大癫痫检测与适应新场景能力，支持可解释癫痫定位，性能达当前最优。

Dual-Stream EEG Decoding for 3D Visual Perception

用于3D视觉感知的双流脑电解码

Ninon Lizé Masclef, Taisija Demcenko, Antonella Catanzaro, Nataliya Kosmyna

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 提出一种模仿生物视觉腹侧和背侧通路的双流脑电解码模型，通过圆形回归预测角度和EEG条件多视图扩散实现3D重建，揭示了时间动态的通道参与模式。

Comments 17 pages, 4 figures. Accepted at the Symmetry and Geometry in Neural Representations Workshop (NeurReps), NeurIPS 2025. To appear in Proceedings of Machine Learning Research (PMLR)

Evaluating Closed-Loop EEG Feedback for Simulated Prosthetic Vision in Immersive VR: A Sham-Controlled Feasibility Study

评估沉浸式虚拟现实中模拟假体视觉的闭环脑电图反馈：一项假对照可行性研究

Ruyi Cao, Lily M. Turkstra, Adyah Rastogi, Michael Beyeler

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

AI总结 研究在沉浸式VR中评估模拟假体视觉的闭环EEG反馈的可行性，开发EEG引导神经自适应训练平台，22名参与者参与假对照物体定位任务，结果显示EEG相关反馈未产生可靠组级益处，确定了相关方法和设计的局限性。

Physiological Prior-Driven Label Enhancement for Cross-Subject EEG Emotion Recognition

用于跨主体脑电情感识别的生理先验驱动标签增强

Hongyu Zhu, Lin Chen, Yuming Fu, Mounim A. El-Yacoubi, Mingsheng Shang

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

AI总结 针对跨主体脑电情感识别中标签噪声问题，提出PhyDA框架，通过生理噪声量化器和数据自适应标签细化器，统一神经生理先验与数据驱动的标签细化，实验证明该方法显著优于基线，具有可解释性和鲁棒性。

Comments Submitted; 11 pages

When VR Meets BCI: (Un)Observable Brainwave-aware Privacy Reconstruction in the Metaverse via Unrestricted Inbuilt Motion Sensors

当VR遇上BCI：通过无限制内置运动传感器在元宇宙中实现（不可）观察的脑电波感知隐私重建

Tao Ni, Zehua Sun, Qingchuan Zhao, Wei-Bin Lee, Cong Wang

专题命中 EEG解码 ：BCI(title,title_cn)；EEG(abstract)

AI总结 利用VR头显内置运动传感器捕捉瞳孔反应引起的细微振动，重建脑电信号，首次在元宇宙中揭示不可观察的隐私泄露，实现52.0%-67.2%的感知图像识别准确率。

A Landau-Ginzburg Phenomenology of Sleep-Stage Transitions

睡眠阶段转变的朗道-金兹堡现象学

Alexander Poltorak

专题命中 EEG解码 ：EEG(summary_cn,abstract)；cortical(abstract)；分类 q-bio.NC

AI总结 本研究构建朗道-金兹堡现象学模型解释睡眠阶段转变的特性，通过EEG/PSG数据验证其一致性，为睡眠阶段转变的机制研究提供可测试的理论框架。

Comments 23 pages, 5 figures, 7 tables. Theoretical and computational framework; no new empirical data

B[FM]$^2$: Brain Foundation Model via Flow Matching with SplitUNet

B[FM]$^2$: 基于流匹配与SplitUNet的脑基础模型

Jaedong Hwang, Kathleen Zhang, Wei Dai, Konstantinos Kontras, Maarten Vanmarcke, Maarten De Vos, Ila Fiete, Paul Pu Liang

机构 * Massachusetts Institute of Technology（麻省理工学院） ； KU Leuven（鲁汶大学） 纠错

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

AI总结 提出B[FM]$^2$，通过连续时间流匹配直接在原始EEG信号上预训练，避免离散化带来的时间动态损失，并设计SplitUNet网络处理时间-电极不对称性，在9个下游任务中7个达到最优，预训练数据量减少约30倍。

EEG Emotion Recognition From AI-Generated Biodigital Architecture Images

基于人工智能生成的生物数字建筑图像的脑电图情感识别

Hongye Yang, Eva Guttmann-Flury

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

AI总结 该研究利用脑电图数据，通过对人工智能生成的生物数字建筑图像引发的情感反应进行研究，基于现有数据集分析进行相关操作，得出伽马和德尔塔波段准确率高，还明确关键因素与情绪的关联，为建筑设计提供了有价值的见解。

Comments 12 pages, 3 figures; published in the proceedings of SIGraDi 2024

Journal ref Proceedings of the 28th International Conference of the Iberoamerican Society of Digital Graphics (SIGraDi 2024): Biodigital Intelligent Systems, 2024, pp. 2443-2454

Interpretable EEG biomarkers with bag-of-waves: Spatial and temporal waveform dictionaries for low-data regimes

基于波形包的可解释脑电生物标志物：低数据量情况下的时空波形字典

Athanasios Papastathopoulos-Katsaros, Steven T. Lee, Lin Yao, Ajay Thomas, Junseok Park, Matthew J. McGinley, Zhandong Liu

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

AI总结 研究针对脑电分析难题，提出波形包框架，通过学习波形模板字典及扩展表示，在三个数据集上测试，能在低数据量下以少参数实现与先进模型竞争的性能，且具有完全可解释性。

Comments In Review

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

DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG Generic Representations

DiffEEG：用于学习脑电通用表示的自监督去噪扩散模型

Abdulkader Helwan, Lina Abou-Abbas, Hussein El Amouri, Belkacem Chikhaoui, Khadidja Henni

机构 * Lebanese American University（黎巴嫩美国大学） ； Institute of Applied Artificial Intelligence, TÉLUQ University（应用人工智能研究所，泰鲁克大学） 纠错

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

AI总结 研究针对基于脑电的癫痫检测面临的注释稀缺和类别不平衡问题，提出DiffEEG自监督基础模型，通过去噪扩散预训练和强化学习微调学习通用神经表示，在癫痫检测中取得较好效果，证明该方法能以最少标记数据实现临床可部署监测。

Comments 19 pages, 6 figures

STST-JEPA: Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture For EEG Self-Supervised Learning

STST-JEPA：用于脑电图自监督学习的浅目标时空联合嵌入预测架构

Roy Segal, Yoni Svechinsky, Tomer Fekete

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

AI总结 研究针对脑电图脑年龄模型面临的问题，引入STST-JEPA自监督变压器，结合潜在预测目标与辅助信号重建项，经预训练和微调后在多任务中表现出色，且年龄预测残差与认知效率负相关。

Wavelet Scattering Transform for Interpretable Schizophrenia Biomarker Discovery and Classification from Resting-State EEG

基于小波散射变换的可解释精神分裂症生物标志物发现及静息态脑电图分类

Md. Taksimul Ahsan Tawhid, Nasif Ahmed Rafe, Alif Tahmid Priyom, K. M. Mustafizur Rahman

机构 * Department of EECE, Military Institute of Science and Technology (MIST)（电子工程与计算机科学系，军事科学与技术学院（MIST）） 纠错

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

AI总结 针对现有精神分裂症EEG分类方法存在特征缺陷、数据泄露的问题，本研究结合小波散射变换、留一受试者交叉验证与SHAP可解释性方法，实现高精度分类并识别出关键生物标志物。

Comments 15 pages, 11 figures

EEG Interpretation Across Chant Listening: A Single-Subject Pilot Investigation Using Spectral and Functional Connectivity Analysis

聆听吟唱时的脑电图解读：基于频谱和功能连接分析的单被试初步研究

Prerna Singh, Aishwarya Ghosh, Neelam Sinha, Deepti Navaratna

专题命中 EEG解码 ：EEG(title,abstract)；cortical(abstract)；分类 q-bio.NC、eess.SP

AI总结 本研究通过频谱和功能连接分析，比较了五种听觉条件下5岁儿童的大脑活动，发现不同吟唱条件（如Shiv Tandav Stotra）能调节神经振荡并形成不同的功能网络连接模式。

Decoding Semantic Categories from Picture-Naming EEG

从图片命名脑电中解码语义类别

Wei Hu, Binbin Xu

专题命中 EEG解码 ：EEG(title,abstract)；neural decoding(abstract)；分类 q-bio.NC、eess.SP

AI总结 本研究利用预训练单通道脑电编码器和多语言文本嵌入模型，从图片命名任务的高密度脑电中解码语义类别，结合早期和命名相关时间窗口，九类分类平衡准确率达0.781。

Comments 6 pages, 5 figures

Beyond Local Power: Functional Connectivity Analysis for Subject-Independent Learning Style Recognition

超越局部能力：用于被试独立学习风格识别的功能连接分析

Wiga Maulana Baihaqi, Indriana Hidayah, Sri Kusrohmaniah, Noor Akhmad Setiawan

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

AI总结 该研究提出基于EEG和PLV连接性的方法，识别被试独立学习风格，在VV维度获70.00%准确率，AR维度仅55.56%，指出需自适应特征变换缩小跨被试泛化差距。

Comments 7 pages, 5 figures. Accepted for publication at 4th IEEE International Conference on Artificial Intelligence and Mechatronics Systems 2026

A Quantum Reservoir for Neurodynamical Forecasting

用于神经动力学预测的量子储备池

Annemarie Wolff, Kathleen Hamilton, Kahn Rhrissorrakrai, Laxmi Parida, Filippo Utro, Guillaume Dumas

专题命中 EEG解码 ：EEG(summary_cn,abstract)；neural signal(abstract)

AI总结 该研究探究量子储备池计算（QRC）在神经动力学预测中的表现，构建基于横场伊辛模型的量子储备池，在基准任务与模拟EEG数据上验证其可行性，为量子系统用于临床时间序列预测建立了实用基线。

Comments 7 pages (including references), 2 figures, Accepted at IEEE Quantum Week (QCE 2026) short technical paper, Applications category

Journal ref Proc. IEEE Int. Conf. Quantum Comput. Eng. (QCE), 2026

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。

BrainBench: Benchmarking Large Language Models for Comprehensive EEG Understanding

BrainBench：面向全面脑电理解的大语言模型基准测试

Yangxuan Zhou, Sha Zhao, Yuning Chen, Chen Wu, Jiquan Wang, Shijian Li, Gang Pan

机构 * Zhejiang University（浙江大学） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

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

AI总结 该研究推出BrainBench基准测试，涵盖4个子集共17个数据集等，评估大语言模型在两种范式下的脑电理解能力，为相关研究提供可复现测试平台。

Comments 42pages,22pages

SAGE: Switch-Aware EEG-Guided Soft Gating for Target Speaker Extraction with In-Trial Switching

SAGE：面向试次内切换的脑电引导软门控目标说话人提取方法

Xuefei Wang, Ximin Chen, Yuting Ding, Chunlin Li, Fei Chen

专题命中 EEG解码 ：EEG(title,abstract)；neural decoding(abstract)；分类 eess.SP

AI总结 该研究针对试次内听觉注意切换下的脑电引导目标说话人提取难题，提出SAGE框架，通过软门控等技术提升性能，在多项指标上优于基线，实现了动态场景下的稳健目标提取。

Transition-Related Potentials as Markers of Narrative Comprehension in Continuous EEG

作为连续脑电图中叙事理解标记的转换相关电位

Bálint Csanády, Péter Vedres, Kristóf Zsolt Makó, Orsolya Papp-Zipernovszky, Márta Volosin, Dávid Apagyi, András Lukács, András Bálint Kovács, Zoltan Nadasdy

机构 * ELTE Eötvös Loránd University（埃尔特大学） ； Budapest University of Technology（布达佩斯技术大学） ； HUN-REN Wigner Research Centre for Physics（HUN-REN威金物理研究所） ； Semmelweis University（塞梅尔维斯大学） ； University of Miskolc（米什科尔茨大学） ； University of Szeged（塞格德大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 研究利用连续脑电图探索叙事理解，提取与电影转换对齐的电位，发现转换相关电位受叙事背景影响，可用深度神经网络从连续记录中恢复，为分析观众理解电影叙事提供半自动框架，还可用于其他连续刺激。

Comments 40 pages, 14 figures

How Far Can Wearable-Compatible Signals Go? A Controlled Decomposition of Non-EEG Sleep Staging

可穿戴兼容信号能走多远？非脑电图睡眠分期的受控分解

Yi Wang

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

AI总结 研究消费级可穿戴设备通过多种信号推断睡眠阶段的性能，引入四层受控分解框架评估，对比不同信号源的效果，发现非脑电图睡眠分期较粗略，基于置信度弃权可校准操作模式，量化了可穿戴信号与现实传感约束的惩罚。

Comments 9 pages, 5 figures, 6 tables

Differentiable Logic Gate Networks for Low-Latency EEG Classification on Edge Devices

用于边缘设备低延迟脑电图分类的可微逻辑门网络

Shyamal Y. Dharia, Stephen D. Smith, Camilo E. Valderrama

机构 * The University of Winnipeg（温尼伯大学） ； University of Manitoba（曼尼托巴大学） ； University of Calgary（卡尔加里大学） 纠错

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

AI总结 研究边缘设备上低延迟脑电图分类问题，提出可微逻辑门网络Diff-Logic，通过实验将其与MLP、BNN比较，结果表明Diff-Logic在痴呆筛查中表现优，推理时间稳定，确立其为资源受限脑机接口实用范式。

Comments Published in the Proceedings of the 39th Canadian Conference on Artificial Intelligence, PMLR 318, pages 377-391, 2026. Conference version: https://proceedings.mlr.press/v318/dharia26a.html

Journal ref Proceedings of the 39th Canadian Conference on Artificial Intelligence, PMLR 318:377-391, 2026

SpindleFlexNet: Flexible sleep spindles detection for EEG signals based on an adaptive one-dimensional RetinaNet-based framework

SpindleFlexNet：基于自适应一维视网膜网络框架的脑电信号灵活睡眠纺锤波检测

Shao-Jun Xia, Jing Bao, Anlan Sun, Xiaoyang Chen, Hongjia Liu, Xiao-Ting Li, Ying-Shi Sun

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

AI总结 研究针对睡眠纺锤波在脑电信号中占比小、检测难问题，提出SpindleFlexNet框架，基于自适应一维视网膜网络架构，经两个数据集训练和验证，该框架检测性能稳定、泛化性好，为睡眠研究提供实用工具。

Comments 12 pages, under submission

Graph-Regularized Deep Learning for EEG-Based Emotion Recognition with Psychologically-Grounded Label Structure

基于心理基础标签结构的图正则化深度学习用于基于脑电图的情绪识别

Dongyang Kuang, Zizheng Ma, Yushan Zhang, Xiaocong Zeng

机构 * School of Mathematics (Zhuhai), Sun Yat-sen University（中山大学数学学院（珠海）） 纠错

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

AI总结 研究基于脑电图的情绪识别，提出图正则化学习框架，将情绪视为图中节点，采用三种正则化策略，在三种骨干架构上评估，在SEED-IV和SEED-V数据集上有改进，提升了标准方法的性能上限。