脑机接口 / BCI

EEGForceFusion: Joint Tokenised-Continuous Representation Learning for Subject-Independent Grasp Force Decoding

EEGForceFusion：用于独立于主体的抓握力解码的联合令牌化-连续表示学习

Sankalp Sunil Turankar, Yogesh Kumar Meena

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

AI总结 研究针对连续抓握力解码难题，提出混合EEG解码框架，联合建模连续和令牌化表示，集成多种技术于统一架构，实验表明该方法在WAY-EEG-GAL数据集上跨主体泛化能力强，适用于实时力解码。

Comments 6 pages, 9 figures, 4 tables, accepted at Brain-Machine Interface (BMI) Systems Session, IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2026)

Addressing Limited Data in Auditory Attention Decoding with Diffusion Generative Models

用扩散生成模型解决听觉注意力解码中的数据有限问题

David Rannaleet, Victor Gunnarsson, Bo Bernhardsson, Martin A. Skoglund, Emina Alickovic

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

AI总结 研究针对助听器中听觉注意力解码因数据有限面临的挑战，利用扩散概率模型生成合成语音诱发EEG数据进行数据增强，实验证明该方法能显著提高AAD性能，凸显其减轻训练数据限制及增强模型鲁棒性的潜力。

Exploring Brain Networks Using Noninvasive Electrophysiological Measurements: Methods and Applications

使用非侵入性电生理测量探索脑网络：方法与应用

Richard Leahy, Takfarinas Medani

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

AI总结 该研究围绕使用EEG和MEG探索脑网络展开，阐述了其物理原理、正逆问题等方法基础及实际工作流程，涵盖多种连通性测量方法和新兴途径，为相关研究人员和学生提供了概念与实践指导。

Comments Book chapter manuscript including 6 figures and comprehensive references

Using hierarchical statistical learning models to model individual statistical learning

使用分层统计学习模型对个体统计学习进行建模

Hanna Ringer, Tatsuya Daikoku

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

AI总结 研究用分层贝叶斯统计学习模型，在有无诵读困难的成年人听结构化音调序列时，通过EEG记录对个体学习轨迹建模，虽未发现组间显著差异，但模型模拟与EEG数据对应紧密，为未来研究提供概念验证。

Utilizing Cognitive Signals Generated during Human Reading to Enhance Keyphrase Extraction from Microblogs

利用人类阅读过程中产生的认知信号增强微博关键词抽取

Xinyi Yan, Yingyi Zhang, Chengzhi Zhang

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

AI总结 研究利用脑电图（EEG）和眼动追踪信号增强微博关键词抽取（AKE），发现EEG特征带来最大性能提升，两种信号部分互补但存在冗余。

Journal ref IPM, 2024

RECTOR: Masked Region-Channel-Temporal Modeling for Affective and Cognitive Representation Learning

RECTOR：面向情感与认知表征学习的掩码区域-通道-时间建模

Jinhan Liu, Mahsa Shoaran

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 提出RECTOR自监督框架，通过自适应功能分区和掩码拓扑学习，统一建模EEG/sEEG的区域-通道-时间动态，在情感识别和任务参与分类上达到新最优，且对缺失通道和跨导联泛化鲁棒。

Structure-Preserving Correction Learning for Sparse Bayesian Inference in Brain Source Imaging

脑源成像中稀疏贝叶斯推断的结构保持校正学习

Marco Morik, Xiao Ruiting, Shinichi Nakajima, Stefan Haufe, Ismail Huseynov

机构 * Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所（BIFOLD）） ； Technische Universität Berlin（柏林技术大学） ； RIKEN Center for Advanced Intelligence Project (AIP)（理化学研究所先进智能项目中心（AIP）） ； Physikalisch-Technische Bundesanstalt（物理技术联邦机构） ； Charité – Universitätsmedizin Berlin（柏林夏里特大学医学院） 纠错

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

AI总结 提出一种结构保持的校正学习方法，通过展开经典联合超参数求解器为可训练神经网络，在保留贝叶斯结构的同时学习更新机制，提升M/EEG脑源成像的重建性能和收敛性。

Comments preprint

A comparative study of the robustness of frequency--domain connectivity measures to finite data length

有限数据长度对频域连接性度量鲁棒性的比较研究

Sara Sommariva, Alberto Sorrentino, Michele Piana, Vittorio Pizzella, Laura Marzetti

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

AI总结 本文通过数值模拟研究数据时间长度对EEG时间序列脑连接估计可靠性的影响，比较了IC、gPDC和fGC三种连接性度量在小样本下的鲁棒性差异。

Comments 32 pages, 13 figures

Can brains generate random numbers?

大脑能生成随机数吗？

Vašek Chvátal, Mark Goldsmith

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

AI总结 受正常脑活动EEG记录的启发，构建了任意大的McCulloch-Pitts神经网络，无需外部输入即可使每个神经元子集在某些迭代中（从而在无限多次迭代中）激活。

On the blind source separation of human electroencephalogram by approximate joint diagonalization of second order statistics

基于二阶统计量近似联合对角化的人脑电图盲源分离

Marco Congedo, Cédric Gouy-Pailler, Christian Jutten

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

AI总结 本文综述了基于二阶统计量（SOS）和高阶统计量（HOS）的盲源分离（BSS）在人脑电图（EEG）分析中的应用，提出了一种基于傅里叶共谱矩阵近似联合对角化（AJDC）的时频域BSS方案，并讨论了其假设与局限性。

Journal ref Clinical Neurophysiology 119, 12 (2008) 2677-2686

A Minimalist Brain-Computer Musical Interface for Real-Time Emotion-Driven Sonification: System Design and Preliminary Evaluation

极简脑机音乐接口用于实时情感驱动声化：系统设计与初步评估

Pablo A. Monroy-D'Croz, Rafael Ramirez-Melendez, Julian Cespedes-Guevara

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

AI总结 本文提出一种极简脑机音乐接口，通过前额EEG活动实时估计情感效价并映射到音乐特征，实验发现额叶alpha不对称性无法可靠区分指令性情绪状态。

Beyond Flickering: Introducing Code-Modulated Motion Visual Evoked Potentials for Brain-Computer Interfacing

超越闪烁：引入代码调制运动视觉诱发电位用于脑机接口

Hanneke Scheppink, Rainer Herpers, Jordy Thielen, Ivan Volosyak

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

AI总结 本文提出了一种基于运动刺激的代码调制运动视觉诱发电位(c-MVEP)用于脑机接口，通过对比不同刺激方式的性能，展示了其在信号质量和应用潜力上的优势。

Convergent Representations of Linguistic Constructions in Human and Artificial Neural Systems

人类和人工神经系统的语言构造收敛表征

Pegah Ramezani, Thomas Kinfe, Andreas Maier, Achim Schilling, Patrick Krauss

机构 * Department of English and American Studies, University Erlangen-Nuremberg（英语与美国研究系，埃尔朗根-纽伦堡大学） ； Pattern Recognition Lab, University Erlangen-Nuremberg（模式识别实验室，埃尔朗根-纽伦堡大学） ； Neuromodulation and Neuroprosthetics, University Hospital Mannheim, University Heidelberg（神经调控与神经假体，曼海姆大学医院，海德堡大学） ； BGU Ludwigshafen, Germany（吕贝克大学吕贝克分校，德国） ； Neuroscience Lab, University Hospital Erlangen（神经科学实验室，埃尔朗根大学医院） 纠错

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

AI总结 研究通过EEG验证人类神经活动对语言构造的表征，发现句末alpha波段出现构造特异性神经签名，与人工语言模型的构造表征模式相似，支持语言构造作为形式-意义映射的神经编码。

Neural Bridge Processes

神经桥过程

Jian Xu, Yican Liu, Delu Zeng, John Paisley, Qibin Zhao

机构 * RIKEN AIP（理化学研究所AIP） ； South China University of Technology（华南理工大学） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 神经桥过程通过引入输入锚定轨迹提升生成路径的条件性，解决传统扩散过程在输入条件编码上的不足，实验显示在回归、EEG、CylinderFlow和图像回归任务中均取得提升。

Triple Configuration of Brain Networks Based on Recurrent Neural Networks: The Synergistic Effects of Exogenous Stimuli, Task Demands, and Spontaneous Activity

基于循环神经网络的脑网络三重配置：外源性刺激、任务需求与自发活动的协同效应

Binghao Yang, Guangzong Chen

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

AI总结 本文提出利用循环神经网络建模 resting-state EEG 数据，揭示由外源和内源因素驱动的脑网络三重配置，发现顶叶网络在支持多种配置模式中的关键作用，以及不同刺激模态下前顶叶和后顶叶区域的功能特化。

Activity Coefficient-based Channel Selection for Electroencephalogram: A Task-Independent Approach

Kartik Pandey, Arun Balasubramanian, Debasis Samanta

机构 * Indian Institute of Technology, Kharagpur, West Bengal, India（印度理工学院，克哈格普尔，西孟加拉邦，印度） 纠错

专题命中 EEG解码 ：BCI(abstract)；brain-computer interface(abstract)；EEG(abstract)；分类 q-bio.NC、eess.SP、cs.LG

Feature interpretability in BCIs: exploring the role of network lateralization

Juliana Gonzalez-Astudillo, Fabrizio De Vico Fallani

专题命中 EEG解码 ：BCI(abstract)；brain-computer interface(abstract)；EEG(abstract)；motor imagery(abstract)

Deep comparisons of Neural Networks from the EEGNet family

Csaba Márton Köllőd, András Adolf, Gergely Márton, István Ulbert

专题命中 EEG解码 ：BCI(abstract)；brain-computer interface(abstract)；EEG(abstract)；motor imagery(abstract)

Brain-based control of car infotainment

Andrea Bellotti, Sergey Antopolskiy, Anna Marchenkova, Alessia Colucciello, Pietro Avanzini, Giovanni Vecchiato, Jonas Ambeck-Madsen, Luca Ascari

专题命中 EEG解码 ：BCI(abstract)；brain-computer interface(abstract)；EEG(abstract)；分类 q-bio.NC、eess.SP、cs.LG

A Technique Based on Chaos for Brain Computer Interfacing

A. Banitalebi, S. K. Setarehdan, G. A. Hossein-Zadeh

专题命中 EEG解码 ：BCI(abstract)；brain computer interface(abstract)；EEG(abstract)；motor imagery(abstract)

Comments arXiv admin note: substantial text overlap with arXiv:1803.04606

Journal ref CSICC, 2009

Improving Generalization of Drowsiness State Classification by Domain-Specific Normalization

Dong-Young Kim, Dong-Kyun Han, Seo-Hyeon Park, Geun-Deok Jang, Seong-Whan Lee

专题命中 EEG解码 ：brain-computer interface(abstract,comments)；BCI(abstract)；EEG(abstract)；分类 eess.SP、cs.LG、cs.HC

Comments Submitted to 2024 12th IEEE International Winter Conference on Brain-Computer Interface

Efficient EEG Seizure Detection Using INT8 Quantization, Channel Pruning, and Spiking Neural Networks

使用 INT8 量化、通道剪枝和脉冲神经网络进行高效脑电癫痫检测

Kartikey Ahlawat

机构 * Leiden Institute of Advanced Computer Science（莱顿先进计算机科学研究所） ； Leiden University（莱顿大学） 纠错

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

AI总结 研究针对可穿戴和植入设备检测癫痫的难题，以一维卷积神经网络为基线，采用参数转移、通道剪枝、INT8 量化三种策略，实现减少模型大小、降低能耗、加快速度，为癫痫检测提供互补效率方向。

Designing Pre-training Datasets from Unlabeled Data for EEG Classification with Transformers

从未标记数据设计预训练数据集用于带有变换器的EEG分类

Tim Bary, Benoit Macq

机构 * Université catholique de Louvain（鲁汶大学） ； ICTEAM ； ELEN 纠错

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

AI总结 本文提出从未标记EEG数据生成多个标记数据集，用于预训练变换器模型，提升EEG分类性能，实验显示预训练模型在训练速度和准确率上均有显著提升。

Comments 6 pages, 4 figures, 5 tables, 22nd IEEE Mediterranean Electrotechnical Conference (MELECON 2024)

Journal ref 2024 IEEE 22nd Mediterranean Electrotechnical Conference (MELECON) (pp. 25-30)

Sleep EEG Signal Criticality as a Non-Invasive Predictor of Cognitive Decline in Dementia

睡眠脑电信号临界性作为痴呆认知衰退的非侵入性预测指标

Stanisław Narębski, Tomasz Komendziński, Tomasz M. Rutkowski

机构 * Institute of Cybernetics and Human Informatics, Polish Academy of Sciences（波兰科学院信息学与人类科学研究所） 纠错

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

AI总结 研究通过多重分形去趋势波动分析量化睡眠脑电信号临界性，发现认知健康者更接近最优临界状态，痴呆组DFA指数向1.0偏移，表明睡眠中无标度神经动力学重组先于临床症状，可作为早期筛查工具。

Comments 4 pages, 2 figures, accepted for publication in the Proc. 48th Annu. Int. Conf. IEEE EMBS (EMBC 2026), Toronto, Canada, July 20-24, 2026

Journal ref 48th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). Toronto, Canada: IEEE Press; 2026. p. 5607-10

Majorization-Minimization Networks for Inverse Problems: An Application to EEG Imaging

用于反问题的Majorization-Minimization网络：在脑电图成像中的应用

Le Minh Triet Tran, Sarah Reynaud, Ronan Fablet, Adrien Merlini, François Rousseau, Mai Quyen Pham

机构 * IMT Atlantique（IMT阿登蒂克） ； LaTIM U1101 INSERM ； Lab-STICC UMR CNRS 6285 纠错

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

AI总结 提出一种基于双层优化的学习型Majorization-Minimization框架，通过参数化曲率主导量并施加MM条件约束，在保持收敛保证的同时提升反问题求解的精度与稳定性，并在脑电图源成像中验证了其优于深度展开和元学习方法。

FEMBA on the Edge: Physiologically-Aware Pre-Training, Quantization, and Deployment of a Bidirectional Mamba EEG Foundation Model on an Ultra-low Power Microcontroller

FEMBA在边缘：一种生理感知的预训练、量化和在超低功耗微控制器上部署双向Mamba EEG基础模型

Anna Tegon, Nicholas Lehmann, Yawei Li, Andrea Cossettini, Luca Benini, Thorir Mar Ingolfsson

机构 * Integrated Systems Laboratory, ETH Zürich（苏黎世联邦理工学院集成系统实验室） ； DEI, University of Bologna（博洛尼亚大学电气、电子与信息工程系） 纠错

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

AI总结 本文提出FEMBA，通过生理感知预训练、量化和部署，实现基于Mamba的EEG基础模型在超低功耗微控制器上的高效应用，提升长期神经监测性能。

Comments 10 pages, 9 tables, 1 figure

Uncovering Patterns of Brain Activity from EEG Data Consistently Associated with Cybersickness Using Neural Network Interpretability Maps

从EEG数据中揭示与晕动症一致的脑活动模式

Jacqueline Yau, Katherine J. Mimnaugh, Evan G. Center, Timo Ojala, Steven M. LaValle, Wenzhen Yuan, Nancy Amato, Minje Kim, Kara D. Federmeier

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

AI总结 本文通过神经网络可解释性地图，研究EEG数据中与晕动症相关的脑活动模式，提出适应性训练框架以提高小样本和不平衡数据下的分类性能。

TRI-DEP: A Trimodal Comparative Study for Depression Detection Using Speech, Text, and EEG

TRI-DEP：一种利用语音、文本和EEG进行抑郁症检测的三模态比较研究

Annisaa Fitri Nurfidausi, Eleonora Mancini, Paolo Torroni

机构 * DISI, University of Bologna, Italy（博洛尼亚大学DISI学院，意大利） 纠错

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

AI总结 本文通过系统比较语音、文本和EEG的三模态方法，验证了多模态检测的有效性，发现预训练嵌入优于手工特征，三模态模型达到最优性能。

A Novel TSK Fuzzy System Incorporating Multi-view Collaborative Transfer Learning for Personalized Epileptic EEG Detection

一种融合多视图协同迁移学习的新型TSK模糊系统用于个性化癫痫EEG检测

Andong Li, Zhaohong Deng, Qiongdan Lou

机构 * School of Artificial Intelligence and Computer Science, Jiangnan University and Engineering Research Center of Intelligent Technology for Healthcare, Ministry of Education（江南大学人工智能与计算机科学学院，智能医疗技术工程研究中心，教育部） ； School of Computer and Information Engineering, Institute for Artificial Intelligence, Shanghai Polytechnic University（上海理工大学计算机与信息工程学院，人工智能研究院） ； School of Internet of Things Engineering, Wuxi University（无锡大学物联网工程学院） 纠错

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

AI总结 本文提出一种融合多视图协同迁移学习的TSK模糊系统，用于解决个性化癫痫EEG检测中的特征提取、数据不足和分布不一致问题，通过多视图学习和迁移学习提升检测性能。

Comments Publication in Neurocomputing

EEG-SeeGraph: Interpreting functional connectivity disruptions in dementias via sparse-explanatory dynamic EEG-graph learning

EEG-SeeGraph: 通过稀疏解释性动态EEG图学习解读痴呆症的功能连接紊乱

Fengcheng Wu, Zhenxi Song, Guoyang Xu, Kaisong Hu, Zirui Wang, Yi Guo, Zhiguo Zhang

机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Institute of Neurological Diseases, Shenzhen Bay Laboratory, Shenzhen, China（深圳湾实验室神经疾病研究院） 纠错

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

AI总结 本文提出EEG-SeeGraph，通过稀疏解释性动态EEG图学习方法，解析痴呆症中功能连接紊乱，具备噪声鲁棒性和可解释性。