脑机接口 / BCI

High-Density EEG Enables the Fastest Visual Brain-Computer Interfaces

Gege Ming, Weihua Pei, Sen Tian, Xiaogang Chen, Xiaorong Gao, Yijun Wang

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.HC

Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces

Xiaoqing Chen, Dongrui Wu

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

Journal ref Journal of Neural Engineering, 21:056043, 2024

EEG-Deformer: A Dense Convolutional Transformer for Brain-computer Interfaces

Yi Ding, Yong Li, Hao Sun, Rui Liu, Chengxuan Tong, Chenyu Liu, Xinliang Zhou, Cuntai Guan

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 10 pages, 9 figures. This work has been submitted to the IEEE for possible publication

LMDA-Net:A lightweight multi-dimensional attention network for general EEG-based brain-computer interface paradigms and interpretability

Zhengqing Miao, Xin Zhang, Meirong Zhao, Dong Ming

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

Comments 20 pages, 7 Figures

Enhancing Low-Density EEG-Based Brain-Computer Interfaces with Similarity-Keeping Knowledge Distillation

Xin-Yao Huang, Sung-Yu Chen, Chun-Shu Wei

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

Learning Patterns in Imaginary Vowels for an Intelligent Brain Computer Interface (BCI) Design

Parisa Ghane, Gahangir Hossain

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

Rectifying Geometric Misalignment: Online Source-Free Adaptation for Class-Imbalanced EEG

校正几何错位：针对类别不平衡脑电图的无在线源适配

Shiwen Chu, Shanglin Li, Motoaki Kawanabe, Reinmar Kobler

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

AI总结 针对类别不平衡脑电图的在线源适配问题，提出OSPDIM框架，通过流形约束偏置参数的实时优化校正几何错位，在运动想象数据集上显著优于标准黎曼基线。

Comments Accepted at EUSIPCO 2026

SGAD: A State-Guided Adaptive Decision Framework for Robust EEG-Based Auditory Attention Switch Decoding

SGAD：面向鲁棒性基于EEG的听觉注意力切换解码的状态引导自适应决策框架

Yuting Ding, Xuefei Wang, Ximin Chen, Chunlin Li, Fei Chen

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

AI总结 针对基于EEG的听觉注意力切换解码存在的EEG非平稳性及性能高估问题，提出SGAD框架，经六个分层协议评估，该框架提升了解码准确性与稳定性且延迟低，推动了神经控制听觉应用的发展。

EEG-JEPA: Structured Latent Prediction for EEG Foundation Models

EEG-JEPA：用于脑电基础模型的结构化隐变量预测

Jinhao Li, Zhiyuan Ma, Xueqiao Han, Zhongye Xia, Xinche Zhang, Shanghong Xie, Yixuan Liu, Yongjian Li, Runmin Gan, Tianlin Huo, Sen Song

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

AI总结 本研究提出EEG-JEPA结构化隐变量预测框架，通过优化目标设计提升EEG基础模型性能，在EEG-FM-Bench等基准上实现了14任务、9任务的平衡准确率提升，为EEG基础建模提供了新方案。

Comments 9 pages, 6 figures

Understanding and Correcting Low-Frequency Bias in EEG Foundation Model

脑电（EEG）基础模型中低频偏差的理解与修正

Junjie Yu, Zihan Deng, Jianyu Zhang, Junrong Mu, Jiahui An, Wenxiao Ma, Ziling Lu, Yue Wang, Yan Zhu, Kexin Lou, Quanying Liu

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

AI总结 针对EEG基础模型存在的低频偏差问题，提出频率平衡掩码自编码框架FAME，在OmniEEG-Bench的41项下游任务中24项达到SOTA，凸显平衡频谱监督的重要性。

Feasibility of simultaneous EEG-fMRI at 0.55 T: Recording, Denoising, and Functional Mapping

0.55T下同时进行EEG-fMRI可行性的研究：记录、去噪与功能映射

Parsa Razmara, Takfarinas Medani, Majid Abbasi Sisara, Anand A. Joshi, Rui Chen, Woojae Jeong, Ye Tian, Krishna S. Nayak, Richard M. Leahy

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

AI总结 本研究证明在0.55T下同时进行EEG-fMRI的可行性，通过去噪和功能映射展示了多模态神经成像的潜力。

Exploratory Integration of EEG Spectral Features and Gaze Variability for Mild Cognitive Impairment Discrimination

探索性整合脑电（EEG）频谱特征与注视变异性以用于轻度认知障碍（MCI）的判别

Takeru Mukunoki, Mamoru Hiroe, Minoru Nakayama, Yujia Zheng, Yuma Sonoda, Hisatomo Kowa, Takashi Nagamatsu

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

AI总结 本研究探索整合EEG频谱特征与注视变异性，通过三种模型对比发现，整合后模型AUC达0.78，可提升轻度认知障碍判别性能，揭示神经与行为测量的互补性。

Comments 3 pages, 3 figures, conference

Journal ref ETRA '26: Proceedings of the 2026 Symposium on Eye Tracking Research and Applications, Article No.: 37, Pages 1 - 3

Rethinking EEG-Based Disease Diagnosis: Decoupling Instance Representation Learning from Subject-Level Supervision

基于EEG的疾病诊断再思考：将实例表示学习与受试者级监督解耦

Zhiyuan Ma, Zeyuan Li, Zhiyi Lu, Jiacheng Hao, Youlang Du, Zhen Jiang, Xinche Zhang, Yuhao Sun, Xinke Shen, Sen Song

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

AI总结 针对EEG疾病诊断中实例标签可靠性不均、受试者稀缺的问题，提出两阶段BridgeMIL框架，解耦实例表示学习与受试者级监督，在15种数据集-骨干网络设置中14种获最高准确率，总体较基线高4.28个百分点。

Evaluation Protocols and Cross-Subject Generalization in EEG Emotion Recognition

EEG情绪识别中的评估协议与跨被试泛化

Hanting Suo, Yuwen Li

机构 * Southeast University（东南大学） 纠错

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

AI总结 本文以DGCNN在SEED、SEED-IV上的实验为例，分离EEG情绪识别的评估要素，发现跨被试泛化差距非简单欠拟合导致，需区分不同评估结果的意义。

Comments 41 pages, 6 figures, 11 tables including supplementary information. Submitted to Applied Intelligence

Hypergraphs from multivariate connectivity: caCOH-based EEG/MEG representation

基于多元连通性的超图：caCoh 的 EEG/MEG 表示

Daniil Vlasenko, Irina Saranskaia, Denis Zakharov

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

AI总结 本文提出基于典型相干（caCoh）从 EEG/MEG 数据构建超图的方法，通过一对多和空间对空间两种表示，在模拟中相比幅度平方相干（MSC）图更有效地恢复耦合频率和空间模式，并大幅减少边数。

Clinical Feasibility of Smartphone-based EEG in Kenya

肯尼亚智能手机基 EEG 的临床效用和可行性：一项多中心观察性研究

William Lehn-Schiøler, Nomin Enkhtsetseg, Anton Mosquera Storgaard, Magnus Guldberg Pedersen, Dylan Rice, George Wambugu, Nshimiyimana Jules Fidele, Melita Cacic Hribljan, Anca Alina Arbune, Sidsel Armand Larsen, Sandor Beniczky

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

AI总结 本研究评估了在资源有限的肯尼亚环境中，由智能手机实现的EEG系统在临床应用中的可行性和效用，发现非专科人员能够有效进行大规模EEG采集，为低收入国家提供更公平的神经诊断和护理机会。

Comments 17 pages, 5 figures, 1 table

Interpretable Concept-Guided Polynomial Tabular Kolmogorov-Arnold Network for EEG-Based Mild Cognitive Impairment Detection

可解释概念引导的多项式表格Kolmogorov-Arnold网络用于基于EEG的轻度认知障碍检测

Yosef Bernardus Wirian, Qiang Cheng

机构 * Computer Science Department, University of Kentucky（肯塔基大学计算机科学系） ； Institute for Biomedical Informatics, University of Kentucky（肯塔基大学生物医学信息学研究所） 纠错

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

AI总结 提出CPTabKAN模型，通过概念编码、二阶多项式交互和傅里叶参数化TabKAN分类器，在睡眠EEG数据上实现MCI检测，F1达0.9038。

NeuroShield: A Device-Agnostic Foundation Model for EEG Authentication

NeuroShield: 一种设备无关的EEG认证基础模型

Matin Fallahi, Patricia Arias-Cabarcos, Thorsten Strufe

机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Joint Research Centre, European Commission（欧盟委员会联合研究中心） 纠错

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

AI总结 针对EEG认证中模型因采集设备差异而难以复用的问题，提出NeuroShield基础模型，采用双阶段Transformer架构从变通道、变长度EEG中学习身份判别嵌入，在三个公开数据集预训练后，微调后等错误率降低0.44-8.06个百分点，并泛化至未见过的通道布局和更长信号段。

EEG Benchmarking Needs a Task Specification Layer: NeuroDoc for Rulebook-Guided, Executable Benchmark Construction

EEG基准测试需要一个任务规范层：NeuroDoc用于基于规则手册的可执行基准构建

Chengxuan Qin, Zhige Chen, Shu Peng, Rui Yang, Jiping Cui, Yikai Dong, Jun Li, Liu Peng, Zhida Shang, Mingze Tang, Kay Chen Tan, Jibin Wu

机构 * School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院） ； School of Electrical Engineering, Electronics and Computer Science, University of Liverpool（利物浦大学电气工程、电子与计算机科学学院） ； School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学学院） ； Department of Data Science and Artificial Intelligence, Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系） 纠错

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

AI总结 提出NeuroDoc框架，通过结构化任务规范语言和共享规则手册，将异构EEG数据集标准化为可重用基准单元，并发布包含53个条目、245个任务定义的社区审查基准语料库。

Epileptic Seizure Detection in Separate Frequency Bands Using Feature Analysis and Graph Convolutional Neural Network (GCN) from Electroencephalogram (EEG) Signals

基于特征分析和图卷积神经网络（GCN）的脑电图（EEG）信号癫痫发作检测在不同频段的研究

Ferdaus Anam Jibon, Fazlul Hasan Siddiqui, F. Deeba, Gahangir Hossain

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

AI总结 提出一种频率感知框架，将EEG分解为五个频段并提取判别特征，利用图卷积神经网络建模电极空间依赖，在CHB-MIT数据集上实现99.01%的宽带准确率，提高了可解释性和诊断精度。

Comments One author disagrees with the archiving

BrainPro: Towards Large-scale Brain State-aware EEG Representation Learning

BrainPro：迈向大规模脑状态感知的脑电图表征学习

Yi Ding, Muyun Jiang, Weibang Jiang, Shuailei Zhang, Xinliang Zhou, Chenyu Liu, Shanglin Li, Yong Li, Cuntai Guan

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Advanced Telecommunications Research Institute International（先进电信研究院） ； Southeast University（东南大学） 纠错

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

AI总结 提出BrainPro模型，通过检索式空间对齐和脑状态解耦模块，学习共享与特定状态表征，在9个公共BCI数据集上取得最优性能。

Comments 31 pages, 11 figures

EEGDancer: Dynamic Emotion Latent Space Masked Modeling with Reinforcement Learning for EEG Continuous Emotion Prediction

EEGDancer：基于强化学习的动态情感潜空间掩码建模用于EEG连续情感预测

Zhihao Zhou, Weishan Ye, Li Zhang, Gan Huang, Zhen Liang

机构 * National University of Singapore（新加坡国立大学） ； Agency for Science, Technology and Research（科技研究局） 纠错

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

AI总结 提出EEGDancer框架，结合向量量化表示学习、掩码时间建模和强化学习轨迹优化，解决EEG连续情感预测中长时依赖和噪声问题。

Comments 51 pages, 9 figures, 13 tables

TGSD: Topology-Guided State-Space Diffusion Framework for EEG Spatial Super-Resolution

TGSD: 拓扑引导的状态空间扩散用于EEG空间超分辨率

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

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

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

AI总结 提出TGSD框架，通过拓扑引导的状态空间扩散模型，利用分层空间先验编码器和条件状态空间扩散重建器，从低密度EEG恢复高密度信号，在SEED和PhysioNet MM/I数据集上优于基线方法。

Recovering Arrhythmic EEG Transients from Their Stochastic Interference

从其随机干扰中恢复无节律性EEG瞬变

Javier Díaz, Hiroyasu Ando, GoEun Han, Olga Malyshevskaya, Xifang Hayashi, Juan-Carlos Letelier, Masashi Yanagisawa, Kaspar E. Vogt

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

AI总结 本文提出了一种基于无节律性脉冲叠加的EEG起源新理论，通过改进的数学方法恢复脉冲信号，揭示了睡眠和清醒状态下的特定模式，并首次发现了与超快瞬变相关的EEG特征。

Comments Original research manuscript in PDF format, 46 pages long, with 13 figures and one table

Journal ref Communications Biology (2026)

EEG-FuseFormer: A Transformer-Driven Feature Fusion Framework for Seizure Onset Prediction

EEG-FuseFormer: 一种用于癫痫发作预测的Transformer驱动特征融合框架

Vigneshwar Hariharan, Chithra Reghuvaran, Arlene John, Nhat Pham, Omer Rana, Deepu John, Ganesh Neelakanta Iyer

机构 * National University of Singapore（新加坡国立大学） ； University College Dublin（都柏林大学） ； University of Twente（特文特大学） ； Cardiff University（卡迪夫大学） 纠错

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

AI总结 提出EEG-FuseFormer框架，融合CNN-LSTM和ResNet-18提取的时空特征与频谱特征，利用Transformer编码器进行融合，在CHB-MIT数据集上达到98.85%的平均召回率，优于多数现有方法。

Comments IEEE International Instrumentation and Measurement Technology Conference (I2MTC) 2026

A discontinuous Galerkin Method for the EEG Forward Problem using the Subtraction Approach

一种使用减法方法的EEG正向问题间断伽辽金方法

Christian Engwer, Johannes Vorwerk, Jakob Ludewig, Carsten H. Wolters

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

AI总结 本文提出了一种间断伽辽金方法用于EEG正向问题，通过考虑头颅几何和导电分布，减少建模误差，如颅骨泄漏效应，提升模拟精度。

A Shared Valence Axis Across Modern LLMs and Human EEG: The Saturation Regularity

现代LLM与人脑EEG共享的效价轴：饱和规律

Yousef A. Radwan, Xuhui Liu, Kilichbek Haydarov, Yuqian Fu, Mohamed Elhoseiny

机构 * King Abdullah University of Science and Technology（卡布斯大学） 纠错

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

AI总结 本研究通过构建从大型语言模型（LLM）中提取的一维效价方向（V轴），发现其与人类EEG神经活动对齐，但进一步对齐策略无法提升解码性能，并形式化为“饱和规律”，指出改进应来自监督无法触及的残差子空间。

EEG-Based Multimodal Learning via Hyperbolic Mixture-of-Curvature Experts

基于EEG的多模态学习：曲率混合专家双曲空间方法

Runhe Zhou, Shanglin Li, Guanxiang Huang, Xinliang Zhou, Qibin Zhao, Motoaki Kawanabe, Yi Ding, Cuntai Guan

机构 * Nanyang Technological University, Singapore（新加坡南洋理工大学） ； BIFOLD, Berlin Institute for the Foundations of Learning（柏林学习与数据基础研究所） ； University of Cambridge, Cambridge, UK（剑桥大学） 纠错

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

AI总结 提出EEG-MoCE框架，通过可学习曲率的双曲空间为每个模态分配专家，并采用曲率感知融合策略，实现层次结构建模，在情绪识别、睡眠分期和认知评估任务上达到最优性能。

Comments Accepted at the Forty-third International Conference on Machine Learning (ICML 2026)

A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models

评估脑电图基础模型泛化能力的多维框架

Aditya Kommineni, Emily Zhou, Kleanthis Avramidis, Tiantian Feng, Shrikanth Narayanan

机构 * Signal Analysis and Interpretation Laboratory（信号分析与解释实验室） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)；BCI(summary_cn)；brain computer interface(abstract)；分类 cs.LG

AI总结 提出一个多维评估框架，在低资源条件下系统评估EEG基础模型（如LaBraM、CSBrain、CBraMod）的泛化能力，发现其在长上下文任务中表现优异，但在短窗口BCI任务中与监督模型相当，且对通道限制鲁棒性不足。

Comments 24 pages, 5 Figures

MEEDAV: A Synchronous Web Viewer for EEG, Eye-Tracking and Speech Data

MEEDAV：一种用于EEG、眼动追踪和语音数据同步可视化的Web查看器

Jan Pijálek, Karel Vlk, Ondřej Bojar

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

AI总结 本文提出MEEDAV，一种用于同步可视化EEG、眼动追踪和语音数据的开源Web应用，支持高密度EEG设置，并提供实时处理和交互式可视化功能，适用于心理语言学研究。

Comments Presented at ACAIN 2025 (Advanced Course & Symposium on Artificial Intelligence & Neuroscience), recipient of the Camillo Golgi Best Paper Award