脑机接口 / BCI

Learning Residual Kinematic Corrections for Continuous Neural Decoding via Reinforcement Learning

通过强化学习学习连续神经解码的残余运动学校正

Jiamian Li, Niall McShane, Attila Korik, Naomi du Bois, Karl McCreadie, Leen Jabban, Benjamin Metcalfe, Özgür Şimşek, Damien Coyle

机构 * University of Bath（巴斯大学） ； University of Ulster（阿尔斯特大学） ； Bath Institute for the Augmented Human（巴斯增强人类研究所） 纠错

专题命中 运动想象 ：BCI(summary_cn,abstract)；EEG(summary_cn,abstract)；neural decoding(title)；motor imagery(abstract)

AI总结 研究针对基于EEG的BCI连续3D运动想象解码难题，提出CNN-LSTM-RL两阶段框架，用强化学习对解码器输出校正残余运动学误差，实验表明该框架有效提升解码性能，推动相关领域发展。

Stacked LoRA for Subject-Adaptive EEG Foundation Models in Motor Imagery Decoding

用于运动想象解码中主题自适应脑电基础模型的堆叠式LoRA

Aymen Sarhane, Fouad Lbakali, Mouad Souissi, Jonathan Lys, Giulia Lioi

机构 * IMT Atlantique, Lab-STICC（法国布雷斯特的IMT大西洋学院，Lab-STICC实验室） 纠错

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

AI总结 脑机接口的脑电图解码面临受试者间差异大的挑战。基于现有脑电基础模型，研究不同低秩适应策略对运动想象分类的影响，提出堆叠式LoRA框架，有效减轻受试者间差异，在多数组合中获最佳准确率。

Comments 10 pages, 1 figure, 2 tables. Accepted at the 2026 IEEE World Congress on Computational Intelligence (WCCI 2026), Maastricht, Netherlands

Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement

用于脑电图运动想象分类的生成式增强：具有循环一致解码器优化的类条件变分自编码器

Matei Moldoveanu, Alain Sirois, Claire Ben Ali, Fabien Lotte, Florian Yger

机构 * Naqi Logix（纳奇逻辑公司） ； Inria Center at Univ. Bordeaux / LaBRI（波尔多大学/LaBRI研究所的Inria中心） ； LITIS, INSA Rouen-Normandy（鲁昂-诺曼底高等电子与电工技术工程师学校的LITIS实验室） 纠错

专题命中 运动想象 ：EEG(title,summary_cn)；motor imagery(title)；分类 cs.LG

AI总结 研究生成模型能否提供合成MI-EEG试验提高下游分类器准确性，训练带集成潜在分类器的CVAE，在两种评估协议下通过四个分类管道测试，发现合成EEG可提高MDM点估计，增益小且依赖分类器。

ATCNet-CIAM for Multi-Session Motor Imagery EEG Signal Classification

用于多会话运动想象脑电信号分类的 ATCNet - CIAM

Le Huu Son Hai, Nguyen Chi Hai, Truong Viet Vu, Nguyen Phuc Nguyen, Nguyen Thai Anh, Ngo Hoang Tu

机构 * Faculty of Information Technology, Van Lang School of Technology, Van Lang University（信息技术学院，范朗理工学院，范朗大学） ； Department of Computer Engineering, Ho Chi Minh City University of Transport（胡志明市交通大学计算机工程系） 纠错

专题命中 运动想象 ：motor imagery(title,abstract)；EEG(title)；BCI(abstract,abstract_cn)

AI总结 研究针对运动想象脑电信号分类因个体差异和跨会话非平稳性导致的稳健解码难题，提出将CIAM集成到ATCNet框架的ATCNet - CIAM，实验表明该模型能提升分类稳定性和稳健性，在多数据集上取得较好准确率。

Comments This manuscript has been accepted for publication in the International Conference on Intelligence Systems and Robotics for Sustainable Development (ISRSD) 2026

NeuroPB: Scaling Neural Decoding with Pretrained Behavioral Representations

NeuroPB：利用预训练行为表示扩展神经解码

Luyao Jin, Yonghao Song, Huan Zhao, Vincent C. K. Cheung, Wei-Hsin Liao

专题命中 运动想象 ：neural decoding(title,abstract)；BCI(summary_cn,abstract_cn)；brain-computer interface(abstract)；分类 cs.LG

AI总结 本文提出NeuroPB框架，通过预训练大规模行为表示并对齐有限配对神经-行为数据，提升神经解码性能，在猕猴数据集上R²提升11%与8%，且泛化能力强，为高效BCI提供可行方向。

Bayesian Complete-Pooling in Cross-Subject Classification for Motor Imagery Electroencephalogram

运动想象脑电图跨受试者分类中的贝叶斯完全池化

Ethan Davis

机构 * University of Washington（华盛顿大学） 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 研究对比贝叶斯完全池化模型与频率主义基线用于跨受试者运动想象脑电图分类，经多指标分析发现前者可靠性有统计学改善但实际不显著，计算成本高，表明其实际益处有限，跨受试者和会话部分池化是更有前景方向。