脑机接口 / BCI

Average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders

平均排名掩盖了个体最优性：基于Friedman-Nemenyi基准测试的EEG运动想象BCI解码器比较

Xavier Vasques, Paul Barbaste, Olivier Oullier

机构 * IBM Technology（IBM技术） ； IBM France Lab（IBM法国实验室） ； Inclusive Brains（包容大脑） ； Wavestone ； Human Technology Foundation（人类科技基金会） ； Computing and Mathematical Sciences Division（计算与数学科学部） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学） ； Institute for Artificial Intelligence, Biotech Dental Group（人工智能研究所，生物技术牙科集团） 纠错

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

AI总结 本研究通过大规模基准测试（MOABB）评估1056种EEG运动想象解码配置，发现无单一管道普遍最优，个体间差异显著，需个性化模型选择。

Comments 16 pages, 6 figures, 4 tables

PHINN-EEG: Topological Time-Series Analysis of Dream-State EEG -- Dynamic Betti Curves for Dream Content Classification and Topology-Conditioned Neural Signal Synthesis

PHINN-EEG：梦境状态脑电图的拓扑时间序列分析——用于梦境内容分类和拓扑条件神经信号合成的动态贝蒂曲线

Ren Takahashi, Emre Yusuf, Jayabrata Bhaduri

机构 * CapaCloud Corp（CapaCloud公司） 纠错

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

AI总结 研究针对梦境状态脑电图，提出PHINN-EEG拓扑时间序列框架，通过滑动窗口等提取动态贝蒂曲线，结合拓扑条件流匹配，在梦境内容分类上优于现有基准，还引入相关模型及原型，有望实现从频谱能量到相空间几何的范式转变。

A 2-Block Architecture for Real-Time EEG Gait Decoding: A Pilot Study

用于实时脑电图步态解码的2模块架构：一项试点研究

Shantanu Sarkar, Saurabh Prasad, Jose L. Contreras-Vidal

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

AI总结 该研究针对EEG下肢外骨骼控制的局限，提出含特征提取与PolyTVL+LSTM解码器的2模块BCI架构，经实验验证其在四态步态分类中表现优异，且具备实时可行性。

Comments Accepted for publication in the 2026 IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2026), September 28-October 1, 2026, Atlanta, GA, USA. Camera-ready version

Deep Sleep Classification via EEG Signal Criticality: A Passive BCI Approach for Sleep-Improvement Neurofeedback

基于EEG信号临界性的深度睡眠分类：一种用于改善睡眠神经反馈的被动BCI方法

Stanisław Narębski, Tomasz Komendziński, Tomasz M. Rutkowski

机构 * Nicolaus Copernicus University（尼古拉·哥白尼大学） ； Araya Inc.（Araya公司） ； The University of Tokyo（东京大学） 纠错

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

AI总结 本研究利用去趋势波动分析（DFA）提取的临界性特征，通过朴素贝叶斯分类器实现了对深度睡眠（N3）的高精度识别（平衡准确率87.17%），为被动脑机接口中的状态依赖神经反馈提供了高效感知机制。

Comments 7 pages, 3 figures, accepted for publication in the Proceedings of the 10th Graz Brain-Computer Interface Conference 2026, Graz, Austria, September 14-17, 2026

Quantifying Event-Related (De)Synchronization Variability for Brain-Computer Interface: A Unified and Interpretable Framework

用于脑机接口的事件相关（去）同步变异性量化：一个统一且可解释的框架

Simon Kojima, Fabien Lotte

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

AI总结 研究针对脑机接口中EEG变异性问题，提出统一可解释框架，通过提取EEG特征量化时间、空间和频率变异性。利用两个数据集进行实验，发现变异性与BCI性能负相关，揭示了不同分类器对变异性的敏感性差异，为理解EEG变异性和改进BCI提供支持。

EEG-PRIME: Prototype-Aligned Representation Learning with Multi-Level Conditioning for EEG Decoding

EEG-PRIME：面向脑电信号解码的多层级条件原型对齐表示学习

Shuailei Zhang, Muyun Jiang, Wei Zhang, Jinbo Chen, Zhiwei Guo, Yong Li, Yi Ding, Cuntai Guan

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Centre for AI in Medicine, Nanyang Technological University（南洋理工大学医学人工智能中心） ； Southeast University（东南大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(abstract,abstract_cn)；motor imagery(abstract)

AI总结 本文提出EEG-PRIME脑电基础模型，结合掩码预训练与原型对齐指令调优，在16个多类型数据集上实现跨被试解码性能提升，且具备零样本迁移能力。

How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap

脑电图去噪需要多少容量？超紧凑网络揭示基准饱和与度量-效用差距

Jasmeet Singh Bindra, Siddharth Panwar

机构 * Indian Knowledge Systems and Mental Health Applications (IKSMHA) Center, Indian Institute of Technology Mandi（印度理工学院曼迪分校印度知识体系与心理健康应用中心） ； School of Computing and Electrical Engineering, Indian Institute of Technology Mandi（印度理工学院曼迪分校计算与电气工程学院） 纠错

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

AI总结 通过固定架构仅改变通道宽度（1.05K-40.26K参数），发现EEG去噪重建性能在3-6.5K参数时饱和，且重建度量不预测下游BCI效用，超紧凑模型（33-46KB）适用于边缘部署。

Comments 17 pages, will be submitted to peer-reviewed journal

Frequency-Decorrelated Temporal Ensembles for EEG--fNIRS Imagined-Handwriting Decoding

用于EEG-fNIRS想象手写解码的频率去相关时间集成

Xiao Fan, Hongbin Guo, Yubo Han, Yi Zhang

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

AI总结 本研究针对EEG-fNIRS想象手写解码难题，提出FRED系统，采用频率去相关时间集成等方法，在多模态脑机接口挑战赛中取得较好成绩，揭示了关键性能来源。

Brain-Prompt Injection: A Route-Safety Audit for BCI-LLM Agents

脑提示注入：BCI-LLM代理的路径安全审计

Jianwei Tai

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(title,title_cn)；EEG(abstract,abstract_cn)

AI总结 提出路径安全审计契约，通过分离定理和共形校准量化BCI-LLM代理中脑信号注入攻击的风险，实验证明确认通道可降低路由风险。

Continuous-Latent Predictive Modeling with Semantic Alignment for EEG-Language Foundation Models

面向EEG-语言基础模型的语义对齐连续隐式预测建模

Myeong-Ju Cho, Hye-Bin Shin, Seo-Hyun Lee, Seong-Whan Lee

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

AI总结 本文提出BLPM模型，通过CELP编码器与MQSD模块对齐EEG语义，解决EEG基础模型预训练的关键挑战，在多基准任务中实现良好泛化。

Comments 19 pages, 3 figures; supplementary material included

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

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。

EEG Decoding Using CNN and LSTM Network

基于CNN与LSTM网络的脑电信号解码

Athanasios Karagounis

机构 * School of Science（理学院） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)；BCI(abstract_cn)；motor imagery(abstract)；分类 cs.LG、cs.HC

AI总结 本研究提出CNN与bi-LSTM结合的混合深度学习架构，用于MI-EEG解码，在公开与私有数据集上实现稳健的二、三类运动想象分类，具备良好的被试独立解码能力。

Comments 9 pages, 9 figures

ZUNA1.1: A more flexible EEG foundation model for Denoising and Super-resolution

ZUNA1.1：一种更灵活的用于去噪和超分辨率的脑电图（EEG）基础模型

Christopher Warner, Jonas Mago, JR Huml, Beren Millidge

机构 * Zyphra 纠错

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

AI总结 研究推出3.8亿参数的EEG基础模型ZUNA1.1，其灵活性远超原模型ZUNA1，在EEG去噪与重建任务中性能达标且显著优于MNE包的球形样条插值，已以Apache 2.0许可开源发布。

CoCoT-EEG: Contrastive-Pretrained Multiscale Convolutional Transformer for EEG Decoding

CoCoT-EEG：用于脑电解码的对比预训练多尺度卷积Transformer

Gabriel Mahuas, Victoria Shevchenko, Ugo Tanielian, Yassir Bendou, Richard Gao

机构 * Sigma Nova Paris（巴黎西格玛诺瓦公司） ； Goethe University Frankfurt（法兰克福歌德大学） 纠错

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

AI总结 研究针对EEG解码，开发了含多尺度时间卷积输入层和Transformer编码器块的对比预训练模型CoCoT，在广泛基准解码任务中表现出色，优于单任务解码模型，证明对比学习构建EEG基础模型可行，还给出架构设计考量。

When Certificates Fail: A Unified Safety Framework for Embedded Neural Interface Models

当证书失效时：嵌入式神经接口模型的统一安全框架

Jasmeet Singh Bindra

机构 * IKSMHA Center, IIT Mandi（印度理工学院曼迪分校IKSMHA中心） 纠错

专题命中 EEG解码 ：neural interface(title,abstract)；BCI(abstract,abstract_cn)；EEG(abstract,abstract_cn)；neural signal(abstract)

AI总结 研究嵌入式神经接口模型数学认证与操作安全的差距，提出围绕验证不足、代理保真度差异和潜在信息泄露的统一实证审计框架，通过实验表明操作安全审计对神经接口部署很必要。

Comments 12 pages; To be published in peer-reviewed journal

From Handcrafted Features to Functional Edge Learning: Evolution of EEG Seizure Detection Frameworks

从手工特征到功能边学习：EEG癫痫检测框架的演变

Sepideh Kheirollahi, Mohammad Rasoul Roshanshah

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； College of Engineering, University of Tehran（塔里哈大学工程学院） 纠错

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

AI总结 本文综述了深度学习在EEG癫痫检测中的局限性，并引入KAN网络作为替代方案，通过可学习的边函数提升可解释性、参数效率和数据稀缺下的鲁棒性。

Evaluation of EEG Foundation Models for Event-Based Burst-Suppression Detection in ICU

用于ICU中基于事件的爆发-抑制检测的EEG基础模型评估

Elisa Vasta, Thorir Mar Ingolfsson, Andrea Cossettini, Luca Benini, Tilman Beck, Emanuela Keller, Una Pale

机构 * DEI, University of Bologna, Bologna, Italy（DEI，博洛尼亚大学，博洛尼亚，意大利） 纠错

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

AI总结 本研究首次评估EEG基础模型在ICU中无需患者校准的爆发检测性能，REVE-base模型在事件级F1分数上达到0.868，并将每分钟爆发错误率分别降低52.1%和36.2%。

Comments 4 pages, 1 figure. Code available upon publication

End-to-End Machine Learning for Depressive State Classification via EEG and fNIRS

基于EEG和fNIRS的抑郁状态分类的端到端机器学习

Riki Sakurai, Simon Kojima, Mihoko Otake-Matsuura, Shin'ichiro Kanoh, Tomasz M. Rutkowski

机构 * RIKEN AIP（日本东京RIKEN AIP） 纠错

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

AI总结 本研究提出一个端到端机器学习框架，利用EEG和fNIRS信号对抑郁状态进行分类，旨在克服传统诊断的主观性，为临床提供客观的自动化诊断工具。

Comments 4 pages, 4 figures, Accepted for publication in the Proc. 48th Annu. Int. Conf. IEEE EMBS (EMBC 2026), Toronto, Canada, July 20-24, 2026

Journal ref 48th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). Toronto, Canada: IEEE Press; 2026. p. 5611-4

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。

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

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

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。

EEG-EditBench: Probing Visual Information in EEG-Image Retrieval Models with Controlled Image Edits

EEG-EditBench：通过可控图像编辑探测EEG-图像检索模型中的视觉信息

Kaifan Zhang, Lihuo He, Yuqi Ji, Junjie Ke, Lukun Wu, Tianhao You, Xinbo Gao

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 该研究针对EEG-图像检索模型无法揭示支撑匹配的视觉信息这一问题，构建EEG-EditBench诊断基准，评估8个代表性模型，发现细粒度属性变化是最大挑战，为相关研究提供可控基础。

Comments Main paper with supplementary material. Code: https://github.com/XiaoZhangYES/EEG-EditBench. Dataset: https://huggingface.co/datasets/xiaozgg/EEG-EditBench