脑机接口 / BCI

NeuroGRIP: Retrieval-Augmented Graph Refinement for Knowledge-Grounded EEG Seizure Diagnosis

NeuroGRIP：用于基于知识的脑电图癫痫诊断的检索增强图细化

Lincan Li, Zheng Chen, Yushun Dong

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

AI总结 研究针对脑电图癫痫诊断难题，提出NeuroGRIP框架，结合外部医学知识校准脑电图图。通过构建知识库、利用大语言模型提取知识图，经对齐感知查询和相似性搜索检索关系证据，提升诊断准确性与可解释性，为临床诊断提供新框架。

Multimodal EEG-IMU Fusion for Motor Assessment: Leveraging Task-Dependent Complementarity for Robustness

用于运动评估的多模态脑电-惯性测量单元融合：利用任务相关互补性提高鲁棒性

Zhenan Yin, Lalitha Pranathi Pulavarthy, Saptarshi Purkayastha

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

AI总结 研究针对运动障碍评估中多传感模式整合不足问题，通过同步记录脑电-惯性测量单元数据，评估特定任务模态性能和多模态融合。结果表明脑电和惯性测量单元各有优势，后期融合可利用互补性提高评估可靠性，为大规模临床验证提供依据。

NeuroOnline: Bridging Pretraining and Online Adaptation for EEG Foundation Models

NeuroOnline：为脑电图基础模型搭建预训练与在线适应的桥梁

Weibin Li, Wendu Li, Yushan You, Chen Wei, Quanying Liu

机构 * Southern University of Science and Technology（南方科技大学） 纠错

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

AI总结 研究脑电图基础模型，提出NeuroOnline框架，集成多视图一致性学习和上下文感知表示调制机制，统一表示对齐和动态适应，实验表明其在在线设置中性能优于基线。

I\textsuperscript{2}RiMA: Spectral Riemannian Representation with Temporal Attention for Mental Stress Detection based on EEG Signals

I²RiMA: 基于脑电图信号的心理压力检测的谱黎曼表示与时序注意力

Cheng He, Kunyu Peng, Shangen Han, Jinming Ma, Jinhong Ding, Likun Xia

机构 * Laboratory of Neural Computing and Intelligent Perception, College of Information Engineering, Capital Normal University（首都师范大学信息工程学院神经计算与智能感知实验室） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； School of Psychology, Capital Normal University（首都师范大学心理学院） 纠错

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

AI总结 提出I²RiMA网络，通过频点独立构建协方差矩阵并映射到SPD切空间，结合频率聚类和切片间注意力，实现跨被试脑电压力检测，在三个数据集上达到82.78%平衡精度。

Low-Density EEG for Seizure Detection: Evaluating CNN-RNN Architectures on a Behind-the-Ear Montage Setup

低密度脑电图用于癫痫检测：评估耳后导联设置下的CNN-RNN架构

Annika Stiehl, Patrick Wingert, Nicolas Weeger, Nicole Ille, Christian Uhl, Stefan Geißelsöder

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

AI总结 本研究使用CNN-RNN混合深度学习模型，在模拟耳后导联的低密度脑电图上实现癫痫自动检测，提出CNN-Merged模型，在TUSZ数据集上达到85.89%的ROC AUC和79.11%的平衡准确率，验证了低密度配置下鲁棒检测的可行性。

Comments Accepted to the 34th European Signal Processing Conference (EUSIPCO 2026)

Real-Time EEG Cap Electrode Detection for Guided Point-of-Care Placement

用于即时护理放置引导的实时脑电图帽电极检测

William Lehn-Schiøler, Mads Sverker Nilsson, Nicki Skafte Detlefsen

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 该研究提出两阶段视觉系统，用单类YOLO检测器定位脑电图帽电极，经几何阶段验证位置。通过留一法交叉验证评估，介绍了不同帽尺寸及增强方法对检测的影响，还提及骨干网络保持实时吞吐量，能实时检测并验证电极位置。

Comments Preprint. 13 pages, 7 figures, 4 tables

Decoding EEG Signals to Explore Next-Word Predictability in the Human Brain

解码脑电信号以探索人类大脑中的下一个单词可预测性

Boi Mai Quach, Binh T. Nguyen, Cathal Gurrin, Graham Healy

机构 * Dublin City University（都柏林城市大学） ； VNUHCM – University of Science（越南国立大学胡志明市科学大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 该研究利用脑电图探索大脑中单词可预测性的神经机制，重点关注N400时间窗口内不同词汇和语法类别情况。发现实词N400差异更明显，动词差异大于名词，名词可预测性信息更独特，且解码技术在捕捉认知过程表征上比传统分析更有效。

Encoding EEG Signals to Examine Human-Like Next-Word Prediction Behaviour in Language Models

编码脑电信号以研究语言模型中类人下一个单词预测行为

Boi Mai Quach, Binh T. Nguyen, Cathal Gurrin, Graham Healy

机构 * Dublin City University（都柏林城市大学） ； VNUHCM – University of Science（越南国立大学胡志明市科学大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 研究探讨语言模型下一词预测准确率与人类阅读理解认知信号的关系，基于两种信息度量为人类和模型生成回归器预测脑电信号的事件相关电位，发现只有意外性与语言处理电位相关，挑战了模型参数和预算增加必改善与人类语言处理收敛的假设。

Reducing the Complexity of Deep Learning Models for EEG Analysis on Wearable Devices

降低可穿戴设备上用于脑电图分析的深度学习模型复杂度

Farough Shayeste Roodi, Parham Zilouchian Moghaddam, Mahdi Mohammadi-nasab, Mehdi Modarressi, Mostafa Ersali Salehi Nasab, Masoud Daneshtalab

机构 * University of Tehran（德黑兰大学） ； Mälardalen University（梅拉达伦大学） ； Royal Institute of Technology（皇家理工学院） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 研究通过参数量化和电极减少方法，在资源受限的可穿戴设备上部署DNN模型，实现脑电图分析中精度与复杂度的权衡。

Pretrained, Frozen, Still Leaking: Auditing Cross-Encoder Attribute Transfer in EEG Foundation Models

预训练、冻结、仍在泄露：脑电图基础模型中跨编码器属性转移的审计

Jianwei Tai

机构 * Jianwei Tai（Tai Jianwei） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 提出跨编码器桥接攻击，证明单一端点审计无法检测属性泄露，并引入审计端点分歧分数（AEDS）作为联合发布决策规则。

REACT 2026: The Fourth Multiple Appropriate Facial Reaction Generation Challenge: Personalised MAFRG and Appropriate EEG Reaction Prediction

REACT 2026：第四届多适切面部反应生成挑战赛：个性化MAFRG与适切脑电反应预测

Siyang Song, Micol Spitale, Zijian Wu, Xiangyu Kong, Cheng Luo, Cristina Palmero, German Barquero, Sergio Escalera, Michel Valstar, Mohamed Daoudi, Fabien Ringeval, Andrew Howes, Elisabeth Andre, Hatice Gunes

机构 * University of Exeter（埃克塞特大学） ； Politecnico di Milano（米兰理工大学） ； Nanjing University of Science and Technology（南京理工大学） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； King's College London（伦敦国王学院） ； Universitat de Barcelona（巴塞罗那大学） ； University of Nottingham（诺丁汉大学） ； IMT Nord Europe（IMT 北欧欧洲） ； Université Grenoble Alpes（格勒诺布尔-阿尔卑斯大学） ； University of Augsburg（奥格斯堡大学） ； University of Cambridge（剑桥大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 提出REACT 2026挑战赛，鼓励开发机器学习模型，用于生成个性化、适切、多样、真实且同步的人类面部反应，并引入个性标签和脑电记录，探索新的一对多个性化面部反应生成设置。

Comments arXiv admin note: text overlap with arXiv:2505.17223

FAConformer: Frequency-Aware Convolutional Transformer for Auditory Attention Decoding

FAConformer：用于听觉注意解码的频率感知卷积Transformer

Ziwei Wang, Xingyi He, Tianwang Jia, Hongbin Wang, Dongrui Wu

机构 * Hubei Key Laboratory of Brain-inspired Intelligent Systems, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（湖北脑启发智能系统重点实验室，人工智能与自动化学院，华中科技大学） 纠错

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

AI总结 提出FAConformer框架，通过频带特定编码和自适应跨频带交互，有效利用脑电图频域信息进行听觉注意解码，在公开数据集上超越现有最佳模型4.9%。

Comments 15 pages, 7 figures

A Stationarity-and-Coupling Criterion for Training-Free Time-Lagged Spectral Embeddings of Multivariate Time Series

多变量时间序列无训练时滞谱嵌入的平稳性与耦合准则

Siddharth Pal, Viktoria Rojkova

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 提出基于时滞相关矩阵截断的固定长度描述符D(τ)，通过平稳高斯VAR(1)模型推导其适用条件：信号近似平稳且类别信息存在于跨通道时间耦合而非边际功率。

Comments 25 pages, 2 figures, 10 tables

Spatially Masked Regression Reveals Local and Distributed Predictability in Electrophysiological Recordings

空间掩蔽回归揭示电生理记录中的局部和分布式可预测性

Maryam Ostadsharif Memar, Nima Dehghani

机构 * Department of Electrical and Computer Engineering, IUT（电气与计算机工程系） ； McGovern Institute for Brain Research, Massachusetts Institute of Technology (MIT)（脑科学研究所，麻省理工学院（MIT）） 纠错

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

AI总结 提出空间掩蔽回归（SMR）框架，通过逐步增大掩蔽区域量化电极信号中局部与分布式信息的贡献，应用于颅内和头皮脑电数据，发现邻近电极贡献显著但非全部，表明信号同时包含局部冗余和全局结构。

Personalized Scorer Modeling: A Learning-Based Framework for Deriving Robust Sleep Stage Labels from Multiple Experts

个性化评分者建模：一种基于学习的框架，用于从多位专家处推导鲁棒的睡眠阶段标签

Seyyed Ali Hoseini, Javad Baseri, Hamid Saadatfar, Edris Hoseini Gol, AmirHossein Eshghi

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

AI总结 本研究提出基于学习的个性化评分者建模框架 LBH，利用多评分者数据集构建更可靠的睡眠阶段参考标签，在 DOD-H、DOD-O 数据集上较基线方法提升了睡眠分期性能。

Multimodal Wearable-Based Olfactory-Induced Emotion Recognition in Arousal-Valence Dimensions

基于多模态可穿戴设备的嗅觉诱导唤醒-效价维度情感识别

Chen-Yang Xu, Lan Zhang, Fei-Yi Fan, Bin Hu, Qing-Hao Meng

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

AI总结 针对现有嗅觉情感研究的维度失衡与多模态数据不足问题，构建多模态嗅觉情感数据集，提出STF-HFNet模型，在两个数据集上取得最优情感识别准确率。

Technological Advances in Detecting and Managing Cognitive Impairment in Older Adults: Trends, Challenges, and Future Directions

老年人认知障碍检测与管理的技术进展：趋势、挑战与未来方向

Mohammad Asif, Azizuddin Khan, Mohd Azam, Anurag Rajkumar Bombarde

机构 * Indian Institute of Technology Bombay（印度理工学院孟买分校） ； T-Systems ICT India Pvt. Ltd.（德国电信系统印度信息通信技术私人有限公司） 纠错

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

AI总结 本文综合老年人认知障碍检测与管理的技术进展，提出跨学科分类法等成果，指出现有模型多依赖小数据集，展望了可信多模态纵向验证系统的发展前景。

End-to-End Markov State Sequence Learning for Auditory Attention Decoding

用于听觉注意力解码的端到端马尔可夫状态序列学习

Yushan Yashengjiang, Jie Zhang, Miao Sun, Huadong Liang, Xin Li, Zhen-hua Ling

机构 * NERC-SLIP, University of Science and Technology of China（中国科学技术大学NERC-SLIP） ； School of Information and Communication Engineering, Guangzhou Maritime University（广州航海学院信息与通信工程学院） ； Artificial Intelligence Research Institute, iFLYTEK Company, Ltd.（科大讯飞股份有限公司人工智能研究院） ； School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院） 纠错

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

AI总结 研究针对听觉注意力解码中多数模型为独立短窗口分类器的问题，提出基于条件随机场的端到端马尔可夫AAD框架，引入ESCNet，通过联合优化目标学习注意力状态序列，实验证明该方法在多个数据集上优于传统孤立窗口分类。

Unifying Adaptive Fourier and Möbius-Based Models for Efficient and Interpretable Biomedical Signal Decomposition

统一自适应傅里叶与基于莫比乌斯的模型以实现高效且可解释的生物医学信号分解

Christian Canedo, Rocío Carratalá-Sáez, Cristina Rueda

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

AI总结 本文证明自适应傅里叶分解（AFD）与调频莫比乌斯（FMM）模型在数学上等价，并扩展至多通道信号，为结合AFD的计算优势与FMM的可解释性提供理论基础。

SPOTR: Spatio-temporal Pooling One-Token Reconstruction for Universal Physiological Signal Self-supervised Learning

SPOTR: 面向通用生理信号自监督学习的时空池化单令牌重建

Yiyu Gui, Mingzhi Chen, Yuesheng Zhu, Guibo Luo, Yuchao Yang

机构 * New Cornerstone Science Laboratory, Guangdong Provincial Key Laboratory of In-Memory Computing Chips, Shenzhen Graduate School, Peking University（新基石科学实验室，广东省存算一体芯片重点实验室，北京大学深圳研究生院） ； Guangdong Provincial Key Laboratory of Ultra High Definition Immersive Media Technology, Shenzhen Graduate School, Peking University（广东省超高清沉浸式媒体技术重点实验室，北京大学深圳研究生院） 纠错

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

AI总结 提出SPOTR框架，通过单令牌全局瓶颈压缩-重建预训练，解决生理信号自监督学习在异构数据集上的性能瓶颈，在线性探测下显著提升AUC并降低计算开销。

Comments The paper has been accepted by IJCAI-ECAI 2026

MedTS-TTT: Test-Time Training for Medical Time Series Classification

MedTS-TTT：医学时间序列分类的测试时训练

Mingzhi Chen, Yiyu Gui, Guibo Luo

机构 * Guangdong Provincial Key Laboratory of Ultra High Definition Immersive Media Technology, Shenzhen Graduate School, Peking University（广东省超高清沉浸式媒体技术重点实验室，北京大学深圳研究生院） 纠错

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

AI总结 提出MedTS-TTT框架，通过闭环自对齐测试时训练和门控卷积骨干网络，实现无需迭代内循环优化的快速样本自适应，在4个公开数据集上取得11/12的top-1排名。

Comments Accepted at MICCAI 2026

SL-S4Wave: Self-Supervised Learning of Physiological Waveforms with Structured State Space Models

SL-S4Wave：基于结构化状态空间模型的生理波形自监督学习

Feng Wu, Harsh Deep, Eric Lehman, Sanyam Kapoor, Guoshuai Zhao, Rahul Krishnan, Gari Clifford, Li-wei H Lehman

机构 * Massachusetts Institute of Technology（麻省理工学院） ； OpenEvidence, USA（OpenEvidence（美国）） ； New York University（纽约大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Toronto（多伦多大学） ； Emory University（埃默里大学） 纠错

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

AI总结 提出SL-S4Wave框架，结合对比学习与基于结构化状态空间模型的编码器，通过多尺度子核全局卷积捕获多通道生理波形的局部和长程依赖，在心律失常检测等任务中优于现有方法。

Multifractal human signals at the edge of life reveal a heart-brain anti-correlation

生命边缘的多分形人体信号揭示心脑反相关

Yago Emanoel Ramos, Maria Eloá do Ó, Henrique Ferraz de Arruda, Mauro Copelli, G. Camelo-Neto, Pedro V. Carelli

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

AI总结 通过多分形去趋势波动分析，发现临终患者脑电信号多分形性减弱而心电信号异常增宽，两者呈负相关，表明心脑功能解耦和反相关动力学。

Barycentric Projections of Optimal Transport Plans on Riemannian Manifolds

黎曼流形上最优传输计划的重心投影

Kisung You

机构 * Baruch College（巴彻学院） 纠错

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

AI总结 提出黎曼流形上传输耦合的重心投影框架，通过条件Fréchet均值得到最佳确定性映射，并定义条件方差Monge缺陷，实验验证了内在投影与切向投影的不同作用。

SWINSleepNet: A Hierarchical Context-Aware Framework for Sleep Staging (v2)

SWINSleepNet：用于睡眠分期的分层上下文感知框架（v2）

Chongjian Wang, Junjie Gao

机构 * School of Mathematics and Systems Science, Shandong University of Science and Technology（山东科技大学数学与系统科学学院） ； School of Artificial Intelligence, Shandong Women’s University（山东女子学院人工智能学院） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)

AI总结 针对现有睡眠分期方法在模糊及过渡分期表现差的问题，提出分层上下文感知的双流框架 SwinSleepNet，在 Sleep-EDF 系列及 SHHS 数据集上验证其在 N1 分期和过渡 epoch 上的性能优势。

Comments Report-no: SDUST-SLEEP-202608-V2; 10 pages, 7 figures, revised updated version of arXiv submit/7867870, conference submission draft

From Statistical to Structural Synergy: A Predictability Framework to Quantify the Effects due to High-Order Mechanisms

从统计协同到结构协同：一种量化高阶机制影响的可预测性框架

Yuri Antonacci, Chiara Barà, Laura Sparacino, Daniele Marinazzo, Luca Faes, Sebastiano Stramaglia

专题命中 EEG解码 ：EEG(abstract)；cortical(abstract)

AI总结 研究复杂系统中高阶行为与高阶机制关系，引入基于可预测性框架，通过多项式回归估计结构协同，模拟及气候、脑电图动力学应用表明HOBs和HOMs可分离，框架助于机理解释复杂系统动力学及确定模型需求。

Next-Token Prediction Learns Generalisable Representations of Sleep Physiology

下一个词预测学习睡眠生理学的可泛化表示

Jonathan F. Carter, Lionel Tarassenko

机构 * Institute of Biomedical Engineering, University of Oxford（牛津大学生物医学工程研究所） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)

AI总结 提出Hypnos模型，通过下一个词预测目标，从多模态生理信号中学习可泛化表示，在睡眠阶段分类和房颤检测等任务上显著优于现有基础模型。

Modeling semantic association in self-paced reading with language model embeddings

使用语言模型嵌入建模自定步速阅读中的语义关联

Sara Møller Østergaard, Kenneth Enevoldsen, Afra Alishahi, Bruno Nicenboim

机构 * Department of Computational Cognitive Science, Tilburg University（蒂尔堡大学计算认知科学系） ； Center for Humanities Computing, Aarhus University（奥胡斯大学人文计算中心） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)

AI总结 本研究使用语言模型嵌入的十种实现方式量化语义关联，通过贝叶斯模型分析其对N400和自定步速阅读时间的影响，发现句子嵌入能可靠捕捉超出词可预测性的语义关联。

Device Passport: Enabling Spatio-Temporal Pretrained Models to Generalize Across Input Layouts

设备护照：使时空预训练模型能够跨输入布局泛化

Geeling Chau, Ran Liu, Juri Minxha, Wenhui Cui, Erdrin Azemi, Ellen L. Zippi, Behrooz Mahasseni, Christopher M. Sandino

机构 * California Institute of Technology（加州理工学院） ； Apple（苹果公司） 纠错

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

AI总结 针对新设备布局缺乏大规模数据集的问题，提出Device Passport通道嵌入技术，通过功能活动与元数据混合建模，实现跨布局迁移，在耳部脑电图等任务中优于基线。

Comments Workshop on Structured Data for Health, ICML 2026

AMICA-Python: Adaptive Mixture Independent Component Analysis with Anderson Acceleration

AMICA-Python：具有安德森加速的自适应混合独立成分分析

Scott Huberty, Christian O'Reilly

机构 * University of Southern California（南加州大学） ； University of South Carolina（南卡罗来纳大学） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 研究针对AMICA算法依赖单一Fortran实现、限制其在非MATLAB生态系统中应用的问题，提出AMICA-Python这一Python实现，通过符合scikit-learn的API集成，引入安德森加速方案，经测试其数值精度高、运行时具竞争力。