脑机接口 / BCI

Exploring EEG-driven brain-heart coupling across sleep stages in individuals with sleep disorders

探索睡眠障碍个体在不同睡眠阶段中的脑心耦合

Jathushan Kaetheeswaran, Jenny Wei

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

AI总结 本研究探讨了睡眠障碍个体在不同睡眠阶段中脑驱动的心脏活动，发现神经活动对副交感活动有影响，可能通过调节关键EEG频段恢复心脏行为。

EEG-DLite: Dataset Distillation for Efficient Large EEG Model Training

EEG-DLite: 用于高效大规模EEG模型训练的数据蒸馏

Yuting Tang, Weibang Jiang, Shanglin Li, Yong Li, Chenyu Liu, Xinliang Zhou, Yi Ding, Cuntai Guan

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

AI总结 EEG-DLite通过数据蒸馏技术提升大规模EEG模型训练效率，实现高效且有效的生理基础建模。

Comments Accepted by AAAI-2026

Neural Tracking of Sustained Attention, Attention Switching, and Natural Conversation in Audiovisual Environments using Mobile EEG

使用移动EEG进行神经追踪：持续注意力、注意力切换和自然对话在音频视觉环境中的研究

Johanna Wilroth, Oskar Keding, Martin A. Skoglund, Maria Sandsten, Martin Enqvist, Emina Alickovic

机构 * Dept. of Electrical Engineering, Linköping University（电子工程系，利厄普堡大学） ； Centre for Mathematical Sciences, Lund University（数学科学中心，卢德大学） ； Eriksholm Research Centre, Oticon A/S（埃里克霍姆研究中心，Oticon A/S） 纠错

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

AI总结 本研究利用移动EEG技术，通过新型数据集研究音频视觉环境中持续注意力、注意力切换和自然对话的神经追踪，揭示了多说话人处理的复杂性及选择性注意力的分类性能。

Comments Submitted to European Journal of Neuroscience

RL-BioAug: Label-Efficient Reinforcement Learning for Self-Supervised EEG Representation Learning

RL-BioAug：用于自监督EEG表征学习的高效标签强化学习

Cheol-Hui Lee, Hwa-Yeon Lee, Dong-Joo Kim

机构 * Department of Brain and Cognitive Engineering, Korea University（脑科学与认知工程系，韩国大学） ； Interdisciplinary Program in Precision Public Health, Korea University（精准公共卫生跨学科项目，韩国大学） ； Department of Neurology, Korea University College of Medicine（神经病学系，韩国大学医学院） 纠错

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

AI总结 RL-BioAug通过高效强化学习策略提升EEG自监督表征学习性能，显著优于随机增强方法。

Brain states analysis of EEG predicts multiple sclerosis and mirrors disease duration and burden

脑电波脑状态分析预测多发性硬化并反映疾病持续时间和负担

István Mórocz, Mojtaba Jouzizadeh, Amir H. Ghaderi, Hamed Cheraghmakani, Seyed M. Baghbanian, Reza Khanbabaie, Andrei Mogoutov

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

AI总结 利用脑电波脑状态分析预测多发性硬化症并反映疾病持续时间与负担，通过量化方法区分病理与正常模式。

Comments v8: minor revision III. v7: major revision II. v6: major revision I. v5: cosmetics with references and citations. v4: added two citations, adjusted fig3. v3: New version got shortened by some 100 words. v2: A comparison with clinical data, related changes to the text and one figure were newly added to the manuscript. 12 pages, 3 figures, 1 table

Learning from Brain Topography: A Hierarchical Local-Global Graph-Transformer Network for EEG Emotion Recognition

从脑拓扑学习：一种用于EEG情绪识别的分层局部-全局图变压器网络

Yijin Zhou, Fu Li, Yi Niu, Boxun Fu, Huaning Wang, Lijian Zhang

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

AI总结 Neuro-HGLN通过整合生物基础先验与分层表示学习，提升EEG情绪识别的鲁棒性和可解释性。

Local-Global Feature Fusion for Subject-Independent EEG Emotion Recognition

局部-全局特征融合用于受试者无关的EEG情绪识别

Zheng Zhou, Isabella McEvoy, Camilo E. Valderrama

机构 * Computer Science and Technology（计算机科学与技术） ； Beijing Jiaotong University（北京交通大学） ； Applied Computer Science（应用计算机科学） ； The University of Winnipeg（温尼伯大学） 纠错

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

AI总结 本文提出局部-全局特征融合框架，通过双分支Transformer提升EEG情绪识别的跨受试者泛化能力，实现7类情绪识别约40%的准确率。

Comments 7 pages, 5 figures, EMBC 2026

Affect and Effect: Limitations of regularisation-based continual learning in EEG-based emotion classification

情感与影响：基于EEG情感分类的正则化连续学习的局限性

Nina Peire, Yupei Li, Björn Schuller

机构 * Imperial College London（帝国理工学院伦敦分校） 纠错

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

AI总结 本研究发现基于正则化的连续学习方法在EEG情感分类中存在局限性，主要由于稳定性与可塑性之间的权衡问题。

Comments 20 pages, 16 figures, not including Appendix. Code can be found at: https://github.com/glam-imperial/AffectEffect

Cross-Modal Computational Model of Brain-Heart Interactions via HRV and EEG Feature

通过HRV和EEG特征实现脑心交互的跨模态计算模型

Malavika Pradeep, Akshay Sasi, Nusaibah Farrukh, Rahul Venugopal, Elizabeth Sherly

机构 * Digital University Kerala（德里大学凯拉尔） ； Centre for Consciousness Studies, NIMHANS（意识研究学院，NIMHANS） 纠错

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

AI总结 本研究通过ECG和EEG特征构建跨模态模型，探索ECG信号作为认知负荷替代指标的可能性，并利用合成数据提升模型鲁棒性。

Comments 6 pages, 2 figures, Code available at: https://github.com/Malavika-pradeep/Computational-model-for-Brain-heart-Interaction-Analysis. Presented at AIHC (not published)

LookAroundNet: Extending Temporal Context with Transformers for Clinically Viable EEG Seizure Detection

LookAroundNet：利用Transformer扩展时间上下文以实现临床可行的EEG癫痫发作检测

Þór Sverrisson, Steinn Guðmundsson

机构 * University of Iceland（爱沙尼亚大学） ； Faculty of Computer Science（计算机科学学院） 纠错

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

AI总结 LookAroundNet通过扩展时间上下文和增加训练数据多样性，实现了在不同临床环境下的高效EEG癫痫发作检测。

Feedback Effects on Cognitive Dynamics: Network-Based Insights from EEG Patterns and Behavioral Performance

反馈对认知动态的影响：来自EEG模式和行为表现的网络视角

Behdokht Kiafar, Mohammad Fahim Abrar, Roghayeh Leila Barmaki

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

AI总结 本研究通过EEG和网络分析探讨反馈对认知动态的影响，发现反馈能增强高频脑波与正确反应的关联，提升任务表现。

Enhancing Robustness of Asynchronous EEG-Based Movement Prediction using Classifier Ensembles

利用分类器集合增强基于异步EEG的运动预测的鲁棒性

Niklas Kueper, Kartik Chari, Elsa Andrea Kirchner

机构 * Robotics Innovation Center（机器人创新中心） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Institute of Medical Technology Systems（医疗技术系统研究所） ； University of Duisburg-Essen（杜伊斯堡- Essen大学） 纠错

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

AI总结 本文提出利用分类器集合和滑动窗口后处理技术提升异步EEG运动意图检测的鲁棒性，通过实验验证了其在在线分类中的有效性。

Wave2Word: A Multimodal Transformer Framework for Joint EEG-Text Alignment and Multi-Task Representation Learning in Neurocritical Care

Wave2Word: 一种多模态Transformer框架，用于神经重症监护中的联合EEG-文本对齐和多任务表示学习

Argha Kamal Samanta, Deepak Mewada, Monalisa Sarma, Debasis Samanta

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

AI总结 Wave2Word提出一种多模态Transformer框架，通过整合信号域建模与结构化临床语言监督，实现EEG-文本对齐和多任务表示学习，提升神经重症监护中的EEG分析效果。

Fusion of Multiscale Features Via Centralized Sparse-attention Network for EEG Decoding

通过集中式稀疏注意力网络融合多尺度特征用于EEG解码

Xiangrui Cai, Shaocheng Ma, Lei Cao, Jie Li, Tianyu Liu, Yilin Dong

机构 * Department of Artificial Intelligence, Shanghai Maritime University（人工智能学院，上海海洋大学） 纠错

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

AI总结 本文提出EEG-CSANet，通过集中式稀疏注意力网络融合多尺度特征，实现高精度的EEG信号解码。

A Context-Aware Temporal Modeling through Unified Multi-Scale Temporal Encoding and Hierarchical Sequence Learning for Single-Channel EEG Sleep Staging

基于统一多尺度时间编码和分层序列学习的上下文感知时间建模用于单通道EEG睡眠分期

Amirali Vakili, Salar Jahanshiri, Armin Salimi-Badr

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

AI总结 本文提出一种基于统一多尺度时间编码和分层序列学习的上下文感知框架，用于提高单通道EEG睡眠分期的准确性和可解释性，特别是在N1阶段的检测性能。

A Unified Framework for EEG Seizure Detection Using Universum-Integrated Generalized Eigenvalues Proximal Support Vector Machine

基于 universum 集成广义特征值 proximal 支持向量机的 EEG 癫痫检测统一框架

Yogesh Kumar, Vrushank Ahire, M. A. Ganaie

机构 * Department of Computer Science and Engineering, Indian Institute of Technology Ropar（计算机科学与工程系，印度理工学院Ropar） 纠错

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

AI总结 本文提出基于 universum 集成广义特征值 proximal 支持向量机的 EEG 癫痫检测统一框架，通过改进模型提升 EEG 信号分类的准确率。

Cognitive Inference based Feature Pyramid Network for Sentimental Analysis using EEG Signals

基于认知推断的特征金字塔网络用于EEG信号的情感分析

Vishesh Bhardwaj, Aman Yadav, Srikireddy Dhanunjay Reddy, Tharun Kumar Reddy Bollu

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

AI总结 本文提出基于认知推断的特征金字塔网络，用于EEG信号的情感分析，通过多尺度特征提取和GRU建模时间依赖性，提升情感分类的准确性。

Forecasting Excessive Anesthesia Depth Using EEG α-Spindle Dynamics and Machine Learning

利用EEG α-脊波动力学和机器学习预测过度麻醉深度

Christophe Sun, Pierre-Olivier Michel, François David, Nathalie Rouach, Dan Longrois, David Holcman

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

AI总结 本研究利用EEG α-脊波动力学和机器学习，开发出实时预测麻醉药物过量的非侵入性方法，提高麻醉管理的前瞻性。

Comments 11 pages, 4 figures

Enhancing Alzheimer's Detection through Late Fusion of Multi-Modal EEG Features

通过多模态EEG特征晚融合增强阿尔茨海默病检测

Nguyen Thanh Vinh, Manoj Vishwanath, Thinh Nguyen-Quang, Nguyen Viet Ha, Bui Thanh Tung, Huy-Dung Han, Nguyen Quang Linh, Nguyen Hai Linh, Hung Cao

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

AI总结 本研究提出一种基于多模态EEG特征晚融合的深度学习框架，用于提高阿尔茨海默病的早期检测准确率。

Towards Automated EEG-Based Epilepsy Detection Using Deep Convolutional Autoencoders

基于深度卷积自编码器的自动脑电图癫痫检测方法

Annika Stiehl, Nicolas Weeger, Christian Uhl, Dominic Bechtold, Nicole Ille, Stefan Geißelsöder

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

AI总结 本文提出基于深度卷积自编码器的自动脑电图癫痫检测方法，通过结合时间和频率损失提升EEG信号重建性能，验证了深度学习在处理EEG数据时对频域信息的捕捉能力。

Comments \c{opyright} 2025 IEEE in 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) 2025

GAPses: Versatile smart glasses for comfortable and fully-dry acquisition and parallel ultra-low-power processing of EEG and EOG

GAPses: 用于舒适且完全干燥获取和并行超低功耗处理EEG和EOG的多功能智能眼镜

Sebastian Frey, Mattia Alberto Lucchini, Victor Kartsch, Thorir Mar Ingolfsson, Andrea Helga Bernardi, Michael Segessenmann, Jakub Osieleniec, Simone Benatti, Luca Benini, Andrea Cossettini

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

AI总结 GAPses是一种多功能智能眼镜，用于舒适且完全干燥获取并行超低功耗处理EEG和EOG信号，实现高精度生物识别和眼动分类。

Comments 11 pages, 6 figures

QuanvNeXt: An end-to-end quanvolutional neural network for EEG-based detection of major depressive disorder

QuanvNeXt：一种用于基于EEG的抑郁症检测的端到端量化卷积神经网络

Nabil Anan Orka, Ehtashamul Haque, Maftahul Jannat, Md Abdul Awal, Mohammad Ali Moni

机构 * The University of Queensland（昆士兰大学） ； BRAC University（布拉克大学） ； Bangladesh Medical University（孟加拉医学大学） ； University of Southern Queensland（南方昆士兰大学） ； Charles Sturt University（查尔斯·斯特劳特大学） 纠错

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

AI总结 QuanvNeXt通过引入新颖的交叉残差块，实现了高效且可靠的EEG抑郁症检测，准确率高达93.1%

Comments Under review

Convolutional Monge Mapping between EEG Datasets to Support Independent Component Labeling

卷积蒙日映射在EEG数据集之间进行转换以支持独立成分标注

Austin Meek, Carlos H. Mendoza-Cardenas, Austin J. Brockmeier

机构 * Department of Computer and Information Sciences University of Delaware（计算机与信息科学系德克萨斯大学） ； Twitch Interactive Inc.（Twitch互动公司） ； Department of Electrical and Computer Engineering Department of Computer and Information Sciences University of Delaware（电气与计算机工程系计算机与信息科学系德克萨斯大学） 纠错

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

AI总结 本文提出了一种改进的卷积蒙日映射方法，通过两种新方法实现EEG数据集之间的映射，以提高独立成分分类的准确性。

Comments Code available at: https://github.com/cniel-ud/ICWaves; Accepted to NeurIPS 2025 Workshop on Learning from Time Series for Health

xEEGNet: Towards Explainable AI in EEG Dementia Classification

xEEGNet：迈向EEG痴呆分类中的可解释人工智能

Andrea Zanola, Louis Fabrice Tshimanga, Federico Del Pup, Marco Baiesi, Manfredo Atzori

机构 * Department of Neuroscience, University of Padua（帕多瓦大学神经科学系） ； Padua Neuroscience Center（帕多瓦神经科学中心） ； Department of Information Engineering, University of Padua（帕多瓦大学信息工程系） ； Department of Physics and Astronomy, University of Padua（帕多瓦大学物理与天文学系） ； Information Systems Institute, University of Applied Sciences Western Switzerland (HES-SO Valais)（瑞士西部应用科学大学信息系统研究所） 纠错

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

AI总结 xEEGNet通过减少参数和提升可解释性，在EEG痴呆分类中实现了高性能和低过拟合，展示了小型架构的有效性。

Journal ref J. Neural Eng. 22, 046042 (2025)

EEG Dynamic Microstate Patterns Induced by Pulsed Wave Transcranial Photobiomodulation Therapy

脉冲波颅内光生物调节疗法诱导的EEG动态微状态模式

Jiangshan He, Hui Xie, Yuqiang Yang, Chunli Jia, Dan Liang, Lianghua Zhang, Xiaoyu Wang, Tianyi Luo, Zexiao Dong, Huiting Yang, Zhen Yuan, Mingzhe Jiang, Xueli Chen

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

AI总结 脉冲波tPBM疗法通过调节EEG微状态C模式，优化了脑功能网络参数，展示了其在神经调节中的应用潜力。

Comments 7 figures

Adapting Neural Audio Codecs to EEG

将神经音频编解码器适应于EEG

Ard Kastrati, Luca Lanzendörfer, Riccardo Rigoni, John Staib Matilla, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出将预训练的神经音频编解码器适应于EEG压缩，通过多通道扩展和注意力机制提升EEG重建质量与泛化能力。

Comments Foundation Models for the Brain and Body (BrainBodyFM@NeurIPS)

Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation

无需校准的基于EEG的驾驶员困倦检测与在线测试时适应

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

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

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

AI总结 本文提出一种无需校准的EEG困倦检测方法，通过在线测试时适应技术提升模型对不同主体的适应能力，实验表明其在非独立同分布场景中性能优越。

Comments 10 pages, Submitted to IEEE Transactions on Human-Machine Systems

EEGAgent: A Unified Framework for Automated EEG Analysis Using Large Language Models

EEGAgent: 一种利用大语言模型进行自动化EEG分析的统一框架

Sha Zhao, Mingyi Peng, Haiteng Jiang, Tao Li, Shijian Li, Gang Pan

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

AI总结 EEGAgent利用大语言模型实现多任务EEG分析，提供灵活且可解释的自动化EEG处理与报告生成能力。

An Active Dry-Contact Continuous EEG Monitoring System for Seizure Detection Applications in Clinical Neurophysiology

一种用于临床神经生理学中癫痫检测的主动干接触连续EEG监测系统

Nima L. Wickramasinghe, Dinuka Sandun Udayantha, Akila Abeyratne, Kavindu Weerasinghe, Kithmin Wickremasinghe, Jithangi Wanigasinghe, Anjula De Silva, Chamira U. S. Edussooriya

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

AI总结 本研究提出了一种低成本的主动干接触EEG头戴设备，结合深度学习模型和多模态伪影去除算法，用于实时检测婴儿癫痫发作。

Comments 10 pages, 9 figures, Work is accepted for publication in IEEE TBME

EVA-Net: Interpretable Anomaly Detection for Brain Health via Learning Continuous Aging Prototypes from One-Class EEG Cohorts

EVA-Net：通过从单类EEG群体学习连续衰老原型进行脑健康可解释性异常检测

Kunyu Zhang, Mingxuan Wang, Xiangjie Shi, Haoxing Xu, Chao Zhang

机构 * Qilu Hospital, ASU（青岛医院，亚利桑那州立大学） ； Zhengzhou University（郑州大学） ； University of Science and Technology Beijing（北京科技大学） ； Southern University of Science and Technology（南方科技大学） ； Qilu Hospital（青岛医院） 纠错

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

AI总结 EVA-Net通过学习连续衰老原型，从单类EEG群体中实现脑健康可解释性异常检测，提升医疗数据处理的可解释性与准确性。