脑机接口 / BCI

Generative causal testing to bridge data-driven models and scientific theories in language neuroscience

生成式因果测试：弥合语言神经科学中数据驱动模型与科学理论之间的鸿沟

Richard Antonello, Chandan Singh, Shailee Jain, Aliyah Hsu, Sihang Guo, Jianfeng Gao, Bin Yu, Alexander Huth

机构 * Computer Science Department, University of Texas at Austin（德克萨斯大学计算机科学系） ； Microsoft Research（微软研究院） ； Neurosurgery Department, University of California（加州大学神经外科系） ； EECS Department, University of California（加州大学电子工程与计算机科学系） ； Statistics Department, University of California（加州大学统计学系） ； Center for Computational Biology, University of California（加州大学计算生物学中心） ； Neuroscience Department, University of California（加州大学神经科学系） 纠错

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

AI总结 提出生成式因果测试（GCT）框架，利用大语言模型生成简洁解释并通过LLM生成刺激进行验证，成功解释大脑区域的语言选择性，弥合数据驱动模型与科学理论之间的差距。

Comments Accepted to Nature Neuroscience, please cite that version

Independent-Component-Based Encoding Models of Brain Activity During Story Comprehension

基于独立成分的故事理解过程中大脑活动的编码模型

Kamya Hari, Taha Binhuraib, Jin Li, Cory Shain, Anna A. Ivanova

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电子与计算机工程学院） ； School of Psychological and Brain Sciences, Georgia Institute of Technology（佐治亚理工学院心理学与脑科学学院） ； Department of Linguistics, Stanford University（斯坦福大学语言学系） 纠错

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

AI总结 提出基于独立成分的编码框架，从fMRI数据中分离刺激驱动和噪声信号，利用语言模型预测独立成分时间序列，识别出与听觉和语言相关的认知网络，验证了成分的可解释性和跨个体一致性。

Comments Accepted to CCN 2026 (Proceedings Track)

Understanding Sample Efficiency in Predictive Coding

理解预测编码中的样本效率

Gaspard Oliviers, Elene Lominadze, Rafal Bogacz

机构 * Nuffield Department of Clinical Neurosciences, University of Oxford, United Kingdom（牛津大学神经科学学院Nuffield部门，英国） ； MRC Centre of Research Excellence in Restorative Neural Dynamics, United Kingdom（英国修复神经动力学研究卓越中心） 纠错

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

AI总结 本文研究预测编码在样本效率上的优势，通过目标对齐度量分析BP和PC的学习效率，发现PC在深度、狭窄和预训练网络中表现更优，提供机制理解以指导PC参数设计。

Updating the standard neuron model in artificial neural networks

更新人工神经网络中的标准神经元模型

Raul Mohedano, Thomas Batard, Erik Velasco-Salido, Ramsses De Los Santos Mendoza, Jorge H. Martínez, Stacey Levine, Marcelo Bertalmío

机构 * Spanish National Research Council (CSIC)（西班牙国家研究理事会（CSIC）） ； Center for Research in Mathematics (CIMAT)（数学研究中心（CIMAT）） ； Universidad Autónoma de Madrid (UAM)（马德里自治大学（UAM）） ； National Science Foundation (NSF)（国家科学基金会（NSF）） 纠错

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

AI总结 本文用更真实的皮层细胞模型替代标准点神经元模型，在不增加参数的情况下，提升了人工神经网络的表达能力、鲁棒性和学习速度，并减少了记忆化和所需训练数据量。

Comments Acknowledgments included in the manuscript

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

Uncertain but Useful: Leveraging CNN Training Variability into Data Augmentation

不确定但有用：将CNN训练变异性用于数据增强

Inés Gonzalez-Pepe, Vinuyan Sivakolunthu, Yohan Chatelain, Tristan Glatard

专题命中 神经信号处理 ：cortical(abstract)

AI总结 本研究揭示FastSurfer分割模型训练中的数值不确定性超过FreeSurfer，并利用随机种子变异性作为数据增强技术，通过集成提升下游脑龄回归性能。

EEG-based AI-BCI Wheelchair Advancement: Transformer-Based Learning with Motor Imagery for Brain Computer Interface

基于EEG的AI-BCI轮椅前进：用于脑机接口的混合深度学习与运动想象

Bipul Thapa, Biplov Paneru, Bishwash Paneru, Khem Narayan Poudyal

机构 * Department of Computer Science and Engineering, Kathmandu University（加德满都大学计算机科学与工程系） ； Department of Electronics and Communication Engineering, Nepal Engineering College, Pokhara University（博卡拉大学尼泊尔工程学院电子与通信工程系） ； Department of Applied Sciences and Chemical Engineering, Institute of Engineering, Pulchowk Campus, Tribhuvan University（特里布万大学工程学院普尔乔克校区应用科学与化学工程系） 纠错

专题命中 运动想象 ：EEG(title,title_cn)；BCI(title,title_cn)；motor imagery(title,abstract)；brain computer interface(title)

AI总结 本文提出一种结合运动想象左右手运动机制的AI集成方法，利用EEG数据模拟轮椅导航，采用CNN-Transformer混合模型实现高准确率的EEG分类。

Cortical-SSM: A Deep State Space Model for Motor Imagery Decoding from EEG Signals

皮质-状态空间模型：一种用于从脑电信号中解码运动想象的深度状态空间模型

Shuntaro Suzuki, Shunya Nagashima, Komei Sugiura

机构 * Keio University（庆应大学） 纠错

专题命中 运动想象 ：cortical(title,summary_cn)；EEG(title,abstract)；motor imagery(title,abstract)；brain-computer interface(abstract)

AI总结 针对运动想象脑电信号分类中受生理伪迹影响及难以捕捉细粒度依赖关系的问题，提出Cortical-SSM扩展深度状态空间模型，在两个大规模数据集上验证，优于基线方法且可解释，提高了脑电分类可靠性，支持脑机接口系统发展。

Comments Accepted by Journal of Neural Engineering

Characterization of Speech Imagery in Scalp EEG and Comparison with Motor Imagery

头皮脑电中言语想象的特性及其与运动想象的比较

Bob Van Dyck, Liuyin Yang, Qiang Sun, Ang Li, Marc M. Van Hulle

专题命中 运动想象 ：EEG(title,abstract)；motor imagery(title,abstract)；brain-computer interface(abstract)；分类 eess.SP

AI总结 本研究通过头皮脑电分析言语想象的时空特征，并与手指运动想象对比，发现言语想象呈现更弱、更分散的α波增强，分类准确率较低，表明其主导模式不同于运动想象，更接近非发音任务相关活动。

Subject-Level Heterogeneity in EEG Motor Imagery Decoding: A Large-Scale Benchmark and Portfolio-Based Reduction of the Search Space

脑电图运动想象解码中的受试者水平异质性：大规模基准测试和基于组合的搜索空间缩减

Xavier Vasques, Paul Barbaste, Olivier Oullier

专题命中 运动想象 ：EEG(title,abstract)；motor imagery(title,abstract)；分类 q-bio.NC、cs.LG

AI总结 研究脑电图运动想象解码中个体差异问题，通过三个公共数据集进行大规模基准测试，比较多种方法，发现受试者水平存在显著异质性，利用基准构建紧凑流程组合，Top-K均值给出最佳权衡，可利用异质性实现个性化。

Geometry-Aware Deep Congruence Networks for Manifold Learning in Cross-Subject Motor Imagery

用于跨主体运动想象中流形学习的几何感知深度一致性网络

Sanjeev Manivannan, Chandra Shekar Lakshminarayan

机构 * Department of Biotechnology（生物技术系） ； Indian Institute of Technology Madras（印度理工学院马德拉斯分校） ； Department of Data Science and Artificial Intelligence（数据科学与人工智能系） 纠错

专题命中 运动想象 ：motor imagery(title,abstract)；brain-computer interface(abstract)；EEG(abstract)；分类 cs.LG

AI总结 针对跨主体运动想象解码难题，提出几何感知一致性变换及三个互补模型，既作流形对齐模块又作端到端判别架构评估，实验表明该方法能提升转导解码性能，有效减轻脑电图解码中主体间差异。

Comments 77 pages (Main paper - 13 pages, Appendix - 64 pages)

A mixed-signal analogue front-end for brain-implantable neural interfaces using a digital fixed-point IIR filter and bulk offset cancellation

一种用于脑植入神经接口的混合信号模拟前端，采用数字定点IIR滤波器和体偏移抵消技术

Dimitris Antoniadis, Timothy G. Constandinou

专题命中 运动想象 ：neural interface(title)；brain-computer interface(abstract)；分类 eess.SP

AI总结 本文提出一种混合信号模拟前端，用于记录细胞外动作电位和局部场电位，采用低噪声放大器和SAR ADC，结合定点IIR滤波器抑制次赫兹成分，实现41.42dB增益和2.178uA/通道功耗。

Comments presented in MWSCAS 2026, typo correction in final table

Towards simultaneous decoding of kinetic and kinematic movement parameters during grasp and lift task by noninvasive brain imaging

通过无创脑成像在抓握和举起任务中同时解码动力学和运动学运动参数

Parth G. Dangi, Yogesh Kumar Meena

专题命中 运动想象 ：EEG(abstract,abstract_cn)；分类 cs.HC

AI总结 研究旨在通过无创脑成像在抓握和举起任务中同时解码运动参数，提出偏最小二乘回归器、多层感知器和基于注意力的回归器三种模型，以脑电图信号解码，在特定数据集上评估，基于注意力的回归器在多参数解码表现最佳，为BMI系统发展助力。

Comments 6 pages, 3 figures, 2 tables, selected to be presented at Brain-Machine Interface (BMI) Systems Session, IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2026)

A sub-Riemannian model of neural states in the primary motor cortex

初级运动皮层神经状态的一个子黎曼模型

Caterina Mazzetti, Jawad Ali, Alessandro Sarti, Giovanna Citti

专题命中 运动想象 ：cortical(abstract)；分类 q-bio.NC

AI总结 基于子黎曼几何框架，通过运动学参数定义片段空间，引入几何核模拟皮层连接，成功从皮层活动模型中恢复出神经状态，验证了运动学变量和距离度量足以解释神经状态形成。

Journal ref Mathematical Neuroscience and Applications, Volume 6, Applications (June 25, 2026) mna:15057

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

Optimal stimulation sites are not the most affected: personalised models of resting-state fMRI in Alzheimer's disease

从读出几何到计算机模拟刺激：阿尔茨海默病的分布式功能连接特征

Cristiano Capone, Enza Cece, Andrea Ciardiello, Guido Gigante, Evaristo Cisbani, Maurizio Mattia

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

AI总结 研究针对阿尔茨海默病静息态功能连接改变问题，通过拟合储层计算模型重建滞后FC，对比两种模型读出方式，发现理想校正需分布式变化，基于此提出个性化靶向方法，证明有效神经调节需模型指导，刺激部位非偏差最大处而是治疗反应最强处。

Interactive Semantic Segmentation for Phosphene Vision Neuroprosthetics

面向光幻视神经假体的交互式语义分割

Eleftherios Papadopoulos, Yagmur Güçlütürk

专题命中 神经假体 ：neuroprosthetic(abstract)；分类 cs.HC

AI总结 本研究通过用户反馈设计眼动引导的语义分割算法（基于SAM），在模拟光幻视环境中提升物体检测准确性，尤其对复杂场景和特定形状鲁棒。

Comments Pending significant revision of the statistical analysis

Beyond Parallel Tracking: Interactive Multi-Feature Fusion Drives Semantic Reconstruction from Non-invasive Brain Recordings

超越并行跟踪：交互式多特征融合驱动非侵入性脑记录的语义重建

Boda Xiao, Xiran Xu, Songyi Li, Yujie Yan, Xihong Wu, Heping Cheng, Jing Chen

机构 * Center for BioMed-X Research, Academy for Advanced Interdisciplinary Studies,Peking University（北京大学生物医学前沿创新中心、前沿交叉学科研究院） ； Speech and Hearing Research Center, School of Intelligence Science and Technology,Peking University（北京大学智能科学与技术学院言语听觉研究中心） ； State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） ； National Biomedical Imaging Center, State Key Laboratory of Membrane Biology, Institute of Molecular Medicine, Peking-Tsinghua Center for Life Sciences, College of Future Technology, Peking University（国家生物医学成像中心、膜生物学国家重点实验室、分子医学研究所、北京大学生命科学联合中心、未来技术学院） 纠错

专题命中 神经假体 ：neural signal(abstract)

AI总结 研究针对非侵入性脑记录语义重建中表征不匹配问题，引入多特征融合框架，通过交互式门控机制结合静态与动态表征，经实验对比线性连接和非线性交叉注意力等方法，证明交叉注意力融合性能最佳，提供了新的脑到文本解码方法。

What EEG Foundation Models Encode: Dataset Identity and a Negative-Control Suite for Clinical Benchmarks

用于临床解码的脑电图基础模型压力测试：数据集标识和目标阴性对照

Marzieh Zare

机构 * Université Laval（拉瓦尔大学） ； NeuroGenis Inc.（NeuroGenis公司） 纠错

专题命中 BCI数据与评测 ：EEG(title,abstract)；分类 cs.LG

AI总结 研究预训练脑电图基础模型在临床解码中的表现，通过多种方法在多数据集多任务上对六个模型进行基准测试，发现模型结论依赖评估单元、数据集偏移等因素，如在韩国痴呆症等任务中不同模型和方法表现各异。

MoDAl: Self-Supervised Neural Modality Discovery via Decorrelation for Speech Neuroprosthesis

MoDAl: 基于去相关的自监督神经模态发现用于语音神经假体

Yuanhao Chen, Peter Chin

机构 * Dartmouth College（达特茅斯学院） 纠错

专题命中 BCI数据与评测 ：cortical(abstract)；分类 q-bio.NC、cs.LG、cs.HC

AI总结 提出MoDAl框架，通过对比学习和对齐损失与去相关损失之间的协同作用，从多脑区发现互补神经模态，在Brain-to-Text Benchmark '24上将词错误率从26.3%降至21.6%。

Comments Accepted at ICMI 2026

Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts

无插补变压器学习实现跨异构临床队列的稳健阿尔茨海默病预测和校准不确定性量化

Christelle Schneuwly Diaz, Narmina Baghirova, Duy-Thanh Vu, Duy-Cat Can, Gilles Allali, Philippe Ryvlin, Oliver Y. Chén

机构 * Platform of Bioinformatics（生物信息平台） ； Lausanne University Hospital（洛桑大学医院） ； Faculty of Biology and Medicine（生物学与医学学院） ； University of Lausanne（洛桑大学） ； Leenaards Memory Centre（Leenaards记忆中心） ； Department of Clinical Neurosciences（临床神经科学系） 纠错

专题命中 BCI数据与评测 ：cortical(abstract)；分类 q-bio.NC、cs.LG

AI总结 针对阿尔茨海默病临床数据问题，提出无插补变压器NITROGEN，通过特定注意力联合建模。经训练和评估，在跨队列任务中优势明显，还引入调整方法。证明无插补学习在队列转移下的区分能力，强调多方面评估模型对临床部署的重要性。

Predicted Cortex Is Not a Domain-General Prior: A Matched-Control Audit of Brain-Encoding Features for Video Memorability

这取决于数据集：当大脑编码模型的预测响应在视频记忆性方面超过其视觉主干时

Carson Rodrigues

机构 * Celabe（赛拉贝） 纠错

专题命中 BCI数据与评测 ：cortical(abstract)；分类 cs.LG

AI总结 研究大脑编码模型预测响应能否用于预测短视频记忆性，通过将视频片段投影到特定皮质空间并用岭回归预测，发现结果取决于数据集，大脑投影在VideoMem数据集表现更佳，且携带特定记忆信号，不是通用先验知识。

Comments 11 pages, 3 figures. v4: retitled; adds a dataset-by-representation interaction test (+0.097, 95% CI [+0.032,+0.160], p=0.001) and seed stability for both datasets, replacing the earlier claim that both within-dataset intervals excluded zero (the Memento10k bound was -0.0003); discloses that the pre-specified hypothesis returned NO-GO; adds a regularization-grid check

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

Physics-Informed Graph-Neural Decoding of the Surface Code: the Logical Signal as an Exact Topological Pairing

基于离散外微积分的用于表面码解码的物理信息图神经网络

P. E. Trevisanutto, S. Dhanpal, S. Basak, L. Petit, J. Thiyagalingam

专题命中 其他BCI ：neural decoding(title)

AI总结 研究针对表面码解码问题，提出基于离散外微积分的物理信息图神经网络解码器，通过离散泊松方程学习边权重，利用可微求解器获取电流，证明特定电流差值为拓扑配对，该方法在旋转表面码解码中表现良好，能精确读出逻辑信号。

Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding

基于最小误差熵的鲁棒稀疏贝叶斯学习用于噪声高维脑电活动解码

Yuanhao Li, Badong Chen, Wenjun Bai, Yasuharu Koike, Okito Yamashita

机构 * Department of Computational Brain Imaging, ATR Neural Information Analysis Laboratories（计算脑成像部门，ATR神经信息分析实验室） 纠错

专题命中 其他BCI ：brain-computer interface(abstract)；分类 eess.SP、cs.LG

AI总结 研究旨在构建鲁棒稀疏贝叶斯学习框架解决噪声高维脑电活动解码问题。基于最小误差熵学习准则，在广义贝叶斯范式下重构框架，所提算法在解码任务中性能更优且模式更具生理可解释性。

Parameter-Efficient Neuroevolution for Diverse LLM Generation: Quality-Diversity Optimization via Prompt Embedding Evolution

参数高效神经进化用于多样化大语言模型生成：通过提示嵌入进化实现质量-多样性优化

Dongxin Guo, Jikun Wu, Siu Ming Yiu

机构 * The University of Hong Kong（香港大学） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

专题命中 其他BCI ：neural interface(abstract)；分类 cs.LG

AI总结 本文提出QD-LLM框架，通过进化提示嵌入实现参数高效神经进化，提升大语言模型生成质量与多样性，实验显示其在多个基准测试中表现优异。

Comments 11 pages, 3 figures, 7 tables, 1 algorithm, 1 theorem. Accepted to GECCO 2026

Shao: Scaling Acoustic Token Language Models Toward High-Fidelity Music Generation

Shao：将声学令牌语言模型扩展至高保真音乐生成

Jiafeng Liu, Yuanliang Dong, Hongjia Liu, Yuqing Cheng, Zhancheng Guo, Huijing Liang, Wenbo Zhan, Yuming Sun, Xiaobing Li, Feng Yu, Maosong Sun

机构 * Central Conservatory of Music（中央音乐学院） ； Tsinghua University（清华大学） 纠错

专题命中 其他BCI ：neural decoding(abstract)

AI总结 该研究提出单一声学令牌层级内渐进建模音乐结构与保真度的框架，通过双阶段生成与混合注意力训练，无需异构空间即可实现高质量音乐生成。