脑机接口 / BCI

Design of an EEG-based Drone Swarm Control System using Endogenous BCI Paradigms

Dae-Hyeok Lee, Hyung-Ju Ahn, Ji-Hoon Jeong, Seong-Whan Lee

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

Comments Submitted IEEE The 9th International Winter Conference on Brain-Computer Interface

Subject-Aware Multi-Granularity Alignment for Zero-Shot EEG-to-Image Retrieval

面向主体的多粒度对齐用于零样本EEG到图像检索

Lin Jiang, Qingshan She, Jiale Xu, Haiqi Xu, Duanpo Wu, Zhenzhong Kuang

机构 * School of Automation, Hangzhou Dianzi University（杭州电子科技大学自动化学院） ； Zhejiang Provincial Key Laboratory of Brain Computer Collaborative Intelligence Technology and Applications, Hangzhou, Zhejiang（浙江省脑机协同智能技术与应用重点实验室，杭州，浙江） ； College of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；brain-computer interface(abstract)

AI总结 本文提出SAMGA框架，通过多粒度对齐解决EEG到图像检索中主体依赖性和多尺度信息的问题，提升检索精度。

Leakage-Audited Benchmarking Reveals Limited Evidence for Cross-Subject Auditory-Evoked EEG Vowel Perception Decoding

我们能从听觉EEG解码元音有多好——一个严格的跨受试基准测试与诚实评估

Xiaoyang Li, Zeyan Tao

机构 * College of Medicine and Biological Information Engineering, Northeastern University（医学与生物信息工程学院，东北大学） 纠错

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

AI总结 本文提出一个跨受试基准测试，评估从听觉EEG解码五类元音的性能，比较了14种方法，发现XGBoost模型在低信号条件下表现最佳，且经典方法与深度学习模型竞争。

Comments 19 pages, 7 figures; includes 11-page supplementary material. Associated code, prediction records, source data, and reproducibility materials: https://doi.org/10.5281/zenodo.21805983

Detecting high-frequency brain disorder signals using dynamic mode decomposition from EEG

利用EEG的动态模式分解检测高频脑疾病信号

Jacob Kang, Jong-Hyeon Seo

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

AI总结 本研究利用动态模式分解（DMD）提取EEG高频带动力学变化，经随机分布测试后用PCA成分作为特征，成功区分酒精依赖组与对照组，为检测高频脑疾病信号提供方法。

Comments 15 pages, 6 figures, 3 tables

CORTIVA: Candidate-Score Fusion of Complementary Visual Teachers for EEG- and MEG-to-Image Retrieval

CORTIVA：用于EEG和MEG到图像检索的互补视觉教师的候选分数融合

Junhan Wang, Kani Chen

机构 * The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；brain-computer interface(abstract)

AI总结 CORTIVA是一种候选分数融合框架，通过保留互补视觉教师的异构证据，在EEG/MEG到图像检索任务中大幅提升了Top-1和Top-5准确率，为神经图像检索提供了更优方案。

Comments 31 pages, 19 figures; includes supplementary information. Code: https://github.com/Fuyunhan/CORTIVA

BCI-Based Assessment of Ocular Response Time Using Dynamic Time Warping Leveraging an RDWT-Driven Deep Neural Framework

基于BCI的眼动响应时间评估：利用动态时间规整的RDWT驱动深度神经框架

Shantanu Sarkar, Sai Shashank Gandavarapu, Jeff Feng, Saurabh Prasad, Reza Khanbabaie, Jose L. Contreras-Vidal

机构 * Dept. of ECE, IUCRC BRAIN, Cullen College of Engineering University of Houston, Houston, USA ； Dept. of Data Science, Cullen College of Engineering University of Houston, Houston, USA ； Dept. of Industrial Design, IUCRC BRAIN, Gerald D.Hines College of Arch. \& Design University of Houston, Houston, USA ； Neurotechnology \& BCI Cognixion Inc. Toronto, Ontario, Canada 纠错

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

AI总结 本文提出一种整合EEG与AR基VOMS任务的框架，利用RDWT驱动的深度神经网络估计个体眼动响应时间，通过波let域滤波提升预测性能，并利用动态时间规整评估眼动行为差异。

Comments Accepted at IEEE SMC 2026. Camera-ready version

Exploration of LLMs, EEG, and behavioral data to measure and support attention and sleep

探索LLMs、EEG和行为数据以测量和支持注意力与睡眠

Akane Sano, Judith Amores, Mary Czerwinski

机构 * Rice University（里士大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 本文探索利用大语言模型（LLMs）结合脑电图（EEG）和活动数据估计注意力状态、睡眠阶段和质量，并生成改善建议和引导想象脚本，发现LLMs能基于行为特征评估睡眠质量，但基于EEG和活动数据的检测需更多训练数据。

SUP-MCRL: Subject-aware Unified Pseudo-feature Coded Multimodal Contrastive Representation Learning for EEG Visual Decoding

SUP-MCRL：面向EEG视觉解码的感知主体统一伪特征编码多模态对比表示学习

Shengyu Gong, Weiming Zeng, Yueyang Li, Zijian Kang, Hongjie Yan, Wai Ting Siok, Nizhuan Wang

机构 * Lab of Digital Image and Intelligent Computation, Shanghai Maritime University（上海海事大学数字图像与智能计算实验室） ； Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； Affiliated Lianyungang Hospital of Xuzhou Medical University（徐州医科大学附属连云港医院） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；brain-computer interface(abstract)

AI总结 提出SUP-MCRL框架，通过语义感知视觉编码器、统一EEG增强器和原型渐进增强器，解决多模态对比学习中语义一致性和主体选择性问题，在THINGS-EEG零样本任务上达到66.0%/91.9%的Top-1/Top-5准确率。

Neuroscience-inspired Staged Representation Learning with Disentangled Coarse- and Fine-Grained Semantics for EEG Visual Decoding

受神经科学启发的分阶段表征学习：解纠缠的粗粒度和细粒度语义用于EEG视觉解码

Xiang Gao, Hui Tian, Yanming Zhu, Xuefei Yin, Alan Wee-Chung Liew

机构 * School of Information and Communication Technology, Griffith University（信息与通信技术学院，格里菲斯大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；brain-computer interface(abstract)

AI总结 本文提出了一种受神经科学启发的分阶段表征学习框架，通过解纠缠的粗粒度和细粒度语义来改进EEG视觉解码，解决了现有方法在人类视觉处理分阶段和层次特性方面的不足。

Comments 17 pages, 5 figures

Let EEG Models Learn EEG

让EEG模型学习EEG

Yifan Wang, Yijia Ma, Wen Li, Chenyu You

机构 * Stony Brook University（石溪大学） ； University of Texas Health Center at Houston（德克萨斯大学健康中心（休斯顿）） 纠错

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

AI总结 本文提出了一种基于条件流匹配的生成框架JET，通过直接建模神经信号的连续演化来生成高质量的EEG信号，解决了传统离散去噪方法在捕捉长期时间依赖性和保持频谱结构方面的不足，实现了在多个基准测试中优于现有方法的性能。

Comments Accepted by ICML 2026

One-Block Transformer (1BT) for EEG-Based Cognitive Workload Assessment

用于EEG认知负荷评估的单块变换器（1BT）

Stefanos Gkikas, Christian Arzate Cruz, Thomas Kassiotis, Giorgos Giannakakis, Raul Fernandez Rojas, Randy Gomez

机构 * Honda Research Institute Japan Wako City, Japan ； Department of Electronic Engineering Hellenic Mediterranean University Chania, Greece ； BioSIS (Biosensing \& Intelligent Systems) Lab Centre for Intelligent Computing ； Systems University of Canberra Canberra, Australia 纠错

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

AI总结 本文提出了一种用于EEG认知负荷评估的单块变换器（1BT），通过一个最小的潜在瓶颈聚合多通道时间序列，结合轻量级自注意力机制，实现了高效且紧凑的模型设计，从而在保持高性能的同时显著降低了计算成本。

Subject-Specific Analysis of Self-Initiated Attention Shifts from EEG with Controlled Internal and External Attention Conditions

基于EEG的受试者特异性自我启动注意力转移的分析：受控内部和外部注意力条件

Yuwen Zeng, Dengzhe Hou, Zhang Zhang, Sai Sun, Yongsong Huang, Chia-huei Tseng, Satoshi Shioiri

机构 * Advanced Institute of Convergence Knowledge Informatics, Tohoku University, Japan（东京东京大学融合知识信息研究院） ； Graduate School of Information Sciences, Tohoku University, Japan（东京东京大学信息科学研究生院） ； Center for Data-Driven Science and Artificial Intelligence, Tohoku University, Japan（东京东京大学数据驱动科学与人工智能研究中心） ； Research Institute of Electrical Communication, Tohoku University, Japan（东京东京大学电气通信研究所） 纠错

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

AI总结 本文研究了自我启动注意力转移的神经机制，通过EEG特征分析和机器学习方法，揭示了受试者特异性信息在可控实验条件下的应用价值。

MPNet: A Robust and Efficient Manifold Pooling Network for Multi-Rhythm EEG Signal Decoding

MPNet: 一种鲁棒且高效的流形池化网络用于多节奏EEG信号解码

Guoqing Cai, Kai Zeng, Shoulin Huang, Ting Ma

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory（鹏城实验室） ； Guangxi Normal University（广西师范大学） 纠错

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

AI总结 MPNet通过流形池化层有效降低计算成本，实现多节奏EEG信号的高效解码，在两个公开数据集上达到最佳性能，运行速度比传统模型快10倍。

Robust and Clinically Reliable EEG Biomarkers: A Cross Population Framework for Generalizable Parkinson's Disease Detection

鲁棒且临床可靠的EEG生物标志物：一种跨群体框架用于通用型帕金森病检测

Nicholas R. Rasmussen, Longwei Wang, Rodrigue Rizk, Md Rezwanul Akter Pallab, Samuel Stuwart, Martina Mancini, Arun Singh, KC Santosh

机构 * USD AI Research, Department of Computer Science, University of South Dakota（USD人工智能研究机构、计算机科学系、南达科他大学） ； Biomedical and Translational Sciences, Sanford School of Medicine, University of South Dakota（生物医学与转化科学、桑福德医学院、南达科他大学） ； Department of Sport, Exercise and Rehabilitation, Northumbria University（体育、运动与康复系、北umbria大学） ； Department of Neurology, Oregon Health & Science University（神经病学系、俄勒冈健康与科学大学） 纠错

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

AI总结 本文提出一种跨群体评估框架，用于评估EEG生物标志物的鲁棒性和临床可靠性，通过多队列实验发现训练群体多样性提高准确性和稳定性，达到94.1%的准确率。

Comments This is the non anonymized preprint corresponding to the version submitted to ACM Transactions on Computing for Healthcare. It is not the final typeset or accepted version

Mind2Drive: Predicting Driver Intentions from EEG in Real-world On-Road Driving

Mind2Drive：从EEG预测驾驶员意图在现实道路驾驶中

Ghadah Alosaimi, Hanadi Alhamdan, Wenke E, Stamos Katsigiannis, Amir Atapour-Abarghouei, Toby P. Breckon

机构 * Department of Computer Science, Imam Mohammad Ibn Saud Islamic University（伊玛姆·莫哈默德·伊本·沙特伊斯兰大学计算机科学系） ； Department of Computer Science, Princess Nourah bint Abdulrahman University（努拉·本·阿卜杜勒拉赫曼大学计算机科学系） 纠错

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

AI总结 本文提出了一种基于EEG的驾驶员意图预测框架，通过同步多传感器平台在真实电动车上进行评估，展示了在现实道路驾驶中EEG信号的稳定性及预测性能。

Comments 8 pages, 4 figures, 6 tables, conference

Confidence-Aware Neural Decoding of Overt Speech from EEG: Toward Robust Brain-Computer Interfaces

Soowon Kim, Byung-Kwan Ko, Seo-Hyun Lee

机构 * Dept. of Artificial Intelligence（人工智能系） ； Korea University（韩国大学） ； Dept. of Brain and Cognitive Engineering（脑科学与认知工程系） 纠错

专题命中 EEG解码 ：brain-computer interface(title,abstract)；neural decoding(title,abstract)；EEG(title)

CwA-T: A Channelwise AutoEncoder with Transformer for EEG Abnormality Detection

CwA-T：一种用于EEG异常检测的通道级自动编码器与Transformer结合框架

Youshen Zhao, Keiji Iramina

机构 * Department of Informatics（信息学院） ； Kyushu University（九州大学） 纠错

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

AI总结 本文提出CwA-T框架，结合通道级CNN自动编码器与单头Transformer分类器，有效压缩EEG信号并保留生物特征，实现高精度异常检测，优于EEGNet等基线模型。

Comments The manuscript consists of 10 pages, including 5 figures. The experimental results are based on evaluations using the TUH Abnormal EEG Corpus

Journal ref Advanced Biomedical Engineering, 15 (2026), 174-187

Temporal Out-of-Distribution Detection for Asynchronous Motor Imagery Brain-Computer Interfaces

异步电机意念脑机接口中的时间域异常检测

Chenhao Liu, Siyang Li, Luofei Tan, Dongrui Wu

专题命中 EEG解码 ：EEG(summary_cn,abstract)；brain-computer interface(title)；motor imagery(title)；分类 cs.HC

AI总结 本文提出双阶段EEG检测框架，通过滑动窗口机制和TempDens算法提升异步电机意念脑机接口中异常检测性能，优于传统基线方法。

Cognitive Load Estimation Using Brain Foundation Models and Interpretability for BCIs

利用脑基础模型和可解释性进行认知负荷估计用于BCI

Deeksha M. Shama, Dimitra Emmanouilidou, Ivan J. Tashev

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

AI总结 本文提出利用脑基础模型提取通用EEG特征以提高认知负荷估计的准确性，并通过Partition SHAP分析特征重要性，展示了其在BCI中的应用潜力。

Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, 2026, pp. 7221-7225

EEG-MFTNet: An Enhanced EEGNet Architecture with Multi-Scale Temporal Convolutions and Transformer Fusion for Cross-Session Motor Imagery Decoding

EEG-MFTNet：一种增强型EEGNet架构，结合多尺度时间卷积和Transformer融合用于跨会话运动想象解码

Panagiotis Andrikopoulos, Siamak Mehrkanoon

机构 * Department of Information and Computing Sciences, Utrecht University（乌得勒支大学信息与计算科学系） 纠错

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

AI总结 本文提出EEG-MFTNet，通过多尺度时间卷积和Transformer融合提升EEG信号解码精度，实现在SHU数据集上58.9%的分类准确率，兼顾计算效率与实时应用需求。

Comments 6 pages, 4 figs

NeuroPhysNet: A FitzHugh-Nagumo-Based Physics-Informed Neural Network Framework for Electroencephalograph (EEG) Analysis and Motor Imagery Classification

NeuroPhysNet：一种基于 FitzHugh-Nagumo 模型的物理信息神经网络框架，用于脑电图（EEG）分析和运动想象分类

Zhenyu Xia, Xinlei Huang, Yuantong Gu, Suvash C. Saha

机构 * University of Technology Sydney（新南威尔士大学悉尼分校） ； Queensland University of Technology（昆士兰理工大学） 纠错

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

AI总结 NeuroPhysNet通过整合FitzHugh-Nagumo模型，提升EEG分析和运动想象分类的准确性与鲁棒性，适用于医疗场景中的脑机接口应用和临床诊断。

Comments Here is a revised version of the manuscript, incorporating Prof. Yuantong Gu's contributions to restructuring and revising the manuscript

PyNoetic: A modular python framework for no-code development of EEG brain-computer interfaces

Gursimran Singh, Aviral Chharia, Rahul Upadhyay, Vinay Kumar, Luca Longo

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

Comments PLoS One 2025. Project Website: https://neurodiag.github.io/PyNoetic

Journal ref PLoS One 20.8 (2025): e0327791

Automatic Blink-based Bad EEG channels Detection for BCI Applications

Eva Guttmann-Flury, Yanyan Wei, Shan Zhao

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

Comments 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (IEEE EMBC 2025)

Dataset combining EEG, eye-tracking, and high-speed video for ocular activity analysis across BCI paradigms

E. Guttmann-Flury, X. Sheng, X. Zhu

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

Spatial-Temporal Mamba Network for EEG-based Motor Imagery Classification

Xiaoxiao Yang, Ziyu Jia

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

Comments 15 pages,3 figures, accepted conference:ADMA2024

The largest EEG-based BCI reproducibility study for open science: the MOABB benchmark

Sylvain Chevallier, Igor Carrara, Bruno Aristimunha, Pierre Guetschel, Sara Sedlar, Bruna Lopes, Sebastien Velut, Salim Khazem, Thomas Moreau

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

Comments 43 pages, 13 figures, 5 tables

EEG Cortical Source Feature based Hand Kinematics Decoding using Residual CNN-LSTM Neural Network

Anant Jain, Lalan Kumar

专题命中 EEG解码 ：EEG(title,abstract)；cortical(title,abstract)；BCI(abstract)；brain-computer interface(abstract)

Journal ref 2023 45th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), Sydney, Australia, 2023

Motor imagery classification using EEG spectrograms

Saadat Ullah Khan, Muhammad Majid, Syed Muhammad Anwar

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

Comments Submitted to ISBI 2023

Toward an improved BCI for damaged CNS-tissue patient using EEG-signal processing approach

Fateme Dehrouye-Semnani, Nasrollah Moghada Charkari, Seyed Mohammad Mehdi Mirbagheri

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

Multiclass Common Spatial Pattern for EEG based Brain Computer Interface with Adaptive Learning Classifier

Hardik Meisheri, Nagraj Ramrao, Suman Mitra

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