脑机接口 / BCI

Backpropagation-Free Test-Time Adaptation for Lightweight EEG-Based Brain-Computer Interfaces

无需反向传播的测试时间适应用于轻量级基于EEG的脑机接口

Siyang Li, Jiayi Ouyang, Zhenyao Cui, Ziwei Wang, Tianwang Jia, Feng Wan, Dongrui Wu

机构 * Ministry of Education Key Laboratory of Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（教育部长图像处理与智能控制重点实验室，人工智能与自动化学院，华中科技大学） ； Shenzhen Huazhong University of Science and Technology Research Institute（深圳华中科技大学研究机构） ； Department of Electrical and Computer Engineering, Faculty of Science and Technology, University of Macau（科技学院电子与计算机工程系，澳门大学） ； Centre for Cognitive and Brain Sciences, Institute of Collaborative Innovation, University of Macau（认知与脑科学中心，创新研究院，澳门大学） 纠错

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

AI总结 本文提出无需反向传播的变换（BFT）方法，用于解决EEG解码中的测试时间适应问题，通过样本级变换和学习到排名模块提升鲁棒性和效率，实现轻量级BCI的部署。

nASR: An End-to-End Trainable Neural Layer for Channel-Level EEG Artifact Subspace Reconstruction in Real-Time BCI

nASR：一种端到端可训练的神经层，用于实时BCI中通道级EEG伪影子空间重建

Shantanu Sarkar, Jose L. Contreras-Vidal

机构 * Doctoral Candidate of Electrical & Computer Engineering, Univ. of Houston（电气与计算机工程博士候选人，休斯顿大学） ； Faculty of Electrical & Computer Engineering, Univ. of Houston（电气与计算机工程系，休斯顿大学） 纠错

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

AI总结 nASR通过引入可训练阈值参数优化伪影剔除与解码，提升实时BCI信号处理性能，实现更低延迟和更高解码精度。

Comments Accepted at IEEE SMC 2026. Camera-ready version

SENSE: Efficient EEG-to-Text via Privacy-Preserving Semantic Retrieval

SENSE：通过隐私保护的语义检索实现高效的EEG到文本

Akshaj Murhekar, Christina Liu, Abhijit Mishra, Shounak Roychowdhury, Jacek Gwizdka

机构 * School of Information, The University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)；neural decoding(abstract)

AI总结 SENSE通过本地语义检索和提示语言生成，实现无需微调LLM的EEG到文本转换，提升效率并保护隐私。

Comments Accepted to ACM International Conference on Multimodal Interaction 2026

STEAM: A Spatio-TEmporal Alignment Mixture-of-Experts Model with Hierarchical Pre-training for EEG Decoding

STEAM：用于EEG解码的分层预训练时空对齐混合专家模型

Zhu Chen, Dingkun Liu, Yuheng Chen, Dongrui Wu

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

AI总结 STEAM是一种分层迁移框架，通过双分支时空编码器与SSMoE模块实现EEG解码的通用表征学习与范式专业化，在7个数据集的14种评估设置中表现优异且推理成本具竞争力。

SwitchBraidNet: Quantisation-Aware Lightweight Architecture for Hybrid Brain-Computer Interface

SwitchBraidNet: 面向混合脑机接口的量化感知轻量级架构

Gourav Siddhad, Yogesh Kumar Meena

机构 * Human-AI Interaction (HAIx) Lab, Indian Institute of Technology Gandhinagar（人类-人工智能交互实验室，印度理工学院甘地纳格尔） 纠错

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

AI总结 提出SwitchBraidNet紧凑型EEG分类架构，采用双路径时间辫、自适应挤压激励空间开关和对数方差读出层，通过量化感知训练在OpenBMI数据集上实现高精度低功耗混合脑机接口解码，INT8模型仅3.03 KB。

Comments 6 pages, 6 figures, 2 tables, Preprint accepted at IEEE SMC 2026

EEG-FM-Compass: Progress, Benchmarking, and Future Directions for EEG Foundation Models

EEG基础模型：进展、基准测试与开放问题

Dingkun Liu, Yuheng Chen, Zhu Chen, Zhenyao Cui, Yaozhi Wen, Jiayu An, Jingwei Luo, Dongrui Wu

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

AI总结 本文研究了EEG基础模型的进展、基准测试与开放问题，通过评估12个开源模型和专用基线，发现线性探测不足，专用模型仍具竞争力，且大模型不必然提升泛化性能。

Journal ref National Science Review, 2026

MindPilot: Closed-loop Visual Stimulation Optimization for Brain Modulation with EEG-guided Diffusion

MindPilot: 闭环视觉刺激优化用于EEG引导的脑调控

Dongyang Li, Kunpeng Xie, Mingyang Wu, Yiwei Kong, Jiahua Tang, Haoyang Qin, Chen Wei, Quanying Liu

专题命中 EEG解码 ：EEG(title,title_cn)；brain-computer interface(abstract)；neural signal(abstract)

AI总结 MindPilot通过EEG反馈实现闭环视觉刺激优化，推动非侵入性脑调控和双向脑机接口的发展。

Comments 10 pages

Bayesian Classification with Probit-link Split-and-merge Gaussian Process Prior in EEG-based Brain-Computer Interfaces

基于脑电图脑机接口中Probit-link分裂合并高斯过程先验的贝叶斯分类

Yunong Wu, Jane E. Huggins, Jian Kang, Tianwen Ma

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

AI总结 提出一种基于Probit-link分裂合并高斯过程先验的贝叶斯生成模型，用于脑电图响应二元分类，实现时空特征选择并降低计算复杂度，同时保持预测精度。

Comments 32 pages, 7 figures, 2 tables

Cueless EEG imagined speech for subject identification: dataset and benchmarks

无提示EEG想象言语用于受试者识别：数据集与基准测试

Ali Derakhshesh, Zahra Dehghanian, Reza Ebrahimpour, Hamid R. Rabiee

机构 * Department of Computer Engineering, Sharif University of Technology（沙斐大学计算机工程系） ； Center for Cognitive Science, Institute for Convergence Science and Technology (ICST)（融合科学与技术研究所认知科学中心） ； Sharif University of Technology（沙斐大学） 纠错

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

AI总结 本研究提出无提示EEG想象言语范式，通过自然选择和想象语义词实现高准确率的受试者识别，展示了其在脑机接口中的应用潜力。

Journal ref IEEE Transactions on Biometrics, Behavior, and Identity Science ( Volume: 8, Issue: 2, March 2026)

Zero-Shot Neural Priors for Generalizable Cross-Subject and Cross-Task EEG Decoding

零样本神经先验用于可泛化的跨被试和跨任务脑电解码

Baimam Boukar Jean Jacques, Brandone Fonya, Nchofon Tagha Ghogomu, Pauline Nyaboe, Kipngeno Koech

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 针对脑电信号跨被试和跨任务泛化难题，提出零样本解码框架，采用渐进解冻策略微调Transformer，在大型数据集上实现优于基线的性能。

Comments EEG Decoding research

Subject-Aware Multi-Granularity Alignment for Zero-Shot EEG-to-Image Retrieval

面向主体的多粒度对齐用于零样本EEG到图像检索

Lin Jiang, Qingshan She, Jiale Xu, Haiqi Xu, Duanpo Wu, Zhenzhong Kuang

机构 * School of Automation, Hangzhou Dianzi University（杭州电子科技大学自动化学院） ； Zhejiang Provincial Key Laboratory of Brain Computer Collaborative Intelligence Technology and Applications, Hangzhou, Zhejiang（浙江省脑机协同智能技术与应用重点实验室，杭州，浙江） ； College of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院） 纠错

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

AI总结 本文提出SAMGA框架，通过多粒度对齐解决EEG到图像检索中主体依赖性和多尺度信息的问题，提升检索精度。

Leakage-Audited Benchmarking Reveals Limited Evidence for Cross-Subject Auditory-Evoked EEG Vowel Perception Decoding

我们能从听觉EEG解码元音有多好——一个严格的跨受试基准测试与诚实评估

Xiaoyang Li, Zeyan Tao

机构 * College of Medicine and Biological Information Engineering, Northeastern University（医学与生物信息工程学院，东北大学） 纠错

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

AI总结 本文提出一个跨受试基准测试，评估从听觉EEG解码五类元音的性能，比较了14种方法，发现XGBoost模型在低信号条件下表现最佳，且经典方法与深度学习模型竞争。

Comments 19 pages, 7 figures; includes 11-page supplementary material. Associated code, prediction records, source data, and reproducibility materials: https://doi.org/10.5281/zenodo.21805983

BCI-Based Assessment of Ocular Response Time Using Dynamic Time Warping Leveraging an RDWT-Driven Deep Neural Framework

基于BCI的眼动响应时间评估：利用动态时间规整的RDWT驱动深度神经框架

Shantanu Sarkar, Sai Shashank Gandavarapu, Jeff Feng, Saurabh Prasad, Reza Khanbabaie, Jose L. Contreras-Vidal

机构 * Dept. of ECE, IUCRC BRAIN, Cullen College of Engineering University of Houston, Houston, USA ； Dept. of Data Science, Cullen College of Engineering University of Houston, Houston, USA ； Dept. of Industrial Design, IUCRC BRAIN, Gerald D.Hines College of Arch. \& Design University of Houston, Houston, USA ； Neurotechnology \& BCI Cognixion Inc. Toronto, Ontario, Canada 纠错

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

AI总结 本文提出一种整合EEG与AR基VOMS任务的框架，利用RDWT驱动的深度神经网络估计个体眼动响应时间，通过波let域滤波提升预测性能，并利用动态时间规整评估眼动行为差异。

Comments Accepted at IEEE SMC 2026. Camera-ready version

Exploration of LLMs, EEG, and behavioral data to measure and support attention and sleep

探索LLMs、EEG和行为数据以测量和支持注意力与睡眠

Akane Sano, Judith Amores, Mary Czerwinski

机构 * Rice University（里士大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 本文探索利用大语言模型（LLMs）结合脑电图（EEG）和活动数据估计注意力状态、睡眠阶段和质量，并生成改善建议和引导想象脚本，发现LLMs能基于行为特征评估睡眠质量，但基于EEG和活动数据的检测需更多训练数据。

Cognitive Energy Modeling for Neuroadaptive Human-Machine Systems using EEG and WGAN-GP

基于EEG和WGAN-GP的神经适应性人机系统认知能量建模

Sriram Sattiraju, Vaibhav Gollapalli, Aryan Shah, Timothy McMahan

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of North Texas（北德克萨斯大学） 纠错

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

AI总结 本文利用Schrödinger Bridge Problem建模EEG数据中的认知能量，通过比较真实与合成EEG在Stroop任务中的过渡能量，验证合成EEG在神经适应性人机系统中的有效性。

Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms

基于深度学习与注意力机制的睡眠研究中单通道移动EEG的伪影检测与定位

Khrystyna Semkiv, Jia Zhang, Maria Laura Ferster, Walter Karlen

机构 * Institute of Biomedical Engineering, Ulm University（生物医学工程研究所，乌尔姆大学） ； Mobile Health Systems Lab, Department of Health Sciences and Technology, ETH Zurich（移动健康系统实验室，健康科学与技术系，苏黎世联邦理工学院） 纠错

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

AI总结 该研究针对单通道移动EEG伪影检测的应用局限，提出CNN-CBAM模型，经72份训练、26份测试数据验证，其性能优于6种对比方法，实现了可穿戴睡眠EEG伪影的自动化检测与定位。

Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts

EEG基础模型的测试时间适应：在现实世界分布偏移下的系统研究

Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文系统研究了EEG基础模型在现实分布偏移下的测试时间适应方法，发现标准方法效果不稳定且易退化，而无优化方法更稳定可靠。

Comments Accepted to MLHC 2026

EEG-FM-Bench: A Comprehensive Benchmark for the Systematic Evaluation and Diagnostic Analyses of EEG Foundation Models

EEG-FM-Bench：脑电图基础模型系统评估与诊断分析的综合基准

Wei Xiong, Jiangtong Li, Jie Li, Kun Zhu, Changjun Jiang

机构 * School of Computer Science and Technology, Tongji University, Shanghai, China（同济大学计算机科学与技术学院，上海，中国） ； Translational Research Center, Shanghai Yangzhi Rehabilitation Hospital (Shanghai Sunshine Rehabilitation Center), China（上海杨氏康复医院（上海阳光康复中心）转化研究中心，中国） 纠错

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

AI总结 提出EEG-FM-Bench统一基准，整合14个数据集和10种范式，通过多种微调策略和诊断分析揭示多任务学习可缓解过拟合、预训练效率受梯度冲突限制、模型规模非唯一决定因素等关键发现。

Comments 36 pages, 30 figures, Accepted by ICML2026

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。

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。

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

Forward--Inverse Interplay in FEM-Based EEG Source Imaging: Distributional Signatures of Advanced Source Models and Inverse Solvers

有限元法在EEG源成像中的正反问题交互：先进源模型与反演求解器的分布特征

Santtu Söderholm, Joonas Lahtinen, Sampsa Pursiainen

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 研究正反问题交互对EEG源成像的影响，分析不同源模型对反演方法成功率的影响，通过分布特征评估源模型与反演方法的匹配性。

Comments 6 pages, 5 figures. Submitted to conference IEEE MetroXRAINE 2026. Updated units of flow F to the ones of current density in the definition of EMD. Copyright (c) 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media

Brain-CLIPLM: Semantic Compression for EEG-to-Text Decoding

Brain-CLIPLM: 用于EEG到文本解码的语义压缩

Xiaoli Yang, Huiyuan Tian, Yurui Li, Jianyu Zhang, Shijian Li, Gang Pan

机构 * Beijing Institute of Technology, Beijing, China（北京理工大学，北京，中国） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 该研究提出Brain-CLIPLM框架，通过语义锚点恢复和锚点引导的句子重建，解决EEG信号低信噪比和信息带宽限制的问题，实现了更高的文本检索准确率。

A Physics-Inspired Classical Digital Twin of Cortical Dynamics: A Band-Stratified Metriplectic Port-Hamiltonian Neural Network Learned from Brain-Computer-Interface EEG

将大脑动力学学习为端口哈密顿系统

Dibakar Sigdel

机构 * Mindverse Computing LLC 纠错

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

AI总结 研究将人类运动皮层在脑机接口任务中建模为端口哈密顿系统，用辛积分器等方法，经训练达到一定测试均方误差并通过临界性阶梯，模型能生成闭环信号恢复锁相，为脑机接口解码器提供新思路。

Interpretable Electrophysiological Features of Resting-State EEG Capture Cortical Network Dynamics in Parkinsons Disease

可解释的脑电图特征捕捉帕金森病静息态皮层网络动态

Antonios G. Dougalis

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

AI总结 研究通过可解释的脑电图特征区分帕金森病神经状态，发现标准特征在区分用药状态上表现最佳，动态特征在区分患者与健康对照方面具有竞争力，揭示了疾病和用药状态下的脑电特征变化。

Comments 28 pages; 6 Figures, 5 tables; 3 Supplementary Figures, 1 Supplementary Table; Original Research Report

Towards Practical Emotion Recognition: An Unsupervised Source-Free Approach for EEG Domain Adaptation

迈向实用的情感识别：一种用于脑电领域自适应的无监督无源方法

Md Niaz Imtiaz, Naimul Khan

机构 * Toronto Metropolitan University（多伦多 Metropolitan 大学） 纠错

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

AI总结 该研究针对基于EEG的情感识别在跨域设置中的难题，提出无监督无源方法。构建多阶段框架，用双损失自适应正则化和局部一致性学习解决域转移及噪声伪标签问题，实验表明该方法显著优于现有方法，适用于实际情感识别应用。

Comments Accepted: IEEE Transactions on Affective Computing

SingLEM: Single-Channel Large EEG Model

SingLEM：单通道脑电大模型

Jamiyan Sukhbaatar, Satoshi Imamura, Ibuki Inoue, Shoya Murakami, Kazi Mahmudul Hassan, Seungwoo Han, Ingon Chanpornpakdi, Toshihisa Tanaka

机构 * Department of Electronic and Information Engineering, Tokyo University of Agriculture and Technology（电子信息工程系，东京农业科技大学） ； Department of Electronics and Communication Engineering, National University of Mongolia（电子与通信工程系，蒙古国立大学） 纠错

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

AI总结 SingLEM是一种自监督单通道EEG基础模型，通过71个公开EEG数据集预训练，在6项任务的严格评估中表现优于对比方法，支持灵活的EEG特征提取与空间分析。

Eccentricity Confound in EEG-based Visual Attention Decoding from Gaze-Fixated Neural Tracking of Motion in Natural Videos

EEG基于视觉注意力解码中的偏心度干扰：从固定注视点追踪自然视频中运动的神经活动

Yuanyuan Yao, Celina Salamanca Gonzalez, Simon Geirnaert, Celine R. Gillebert, Tinne Tuytelaars, Alexander Bertrand

专题命中 EEG解码 ：EEG(title,title_cn)；brain-computer interface(abstract)；分类 eess.SP

AI总结 研究探讨了在控制眼动伪影的情况下，视觉偏心度对自然视频中物体运动神经响应的影响，发现偏心度干扰了神经对运动的追踪，揭示了当前解码方法的局限性。

EasyBCI Agent: Towards Universal Neural Data Preprocessing for Brain-Computer Interfaces

EasyBCI Agent：面向脑机接口的通用神经数据预处理

Yu Zhu, Runkai Zhao, Zhimin Zhou, Jinyu Cai, Zhouheng Yao, Chutian Zhang, Peiyuan Li, Xiaoxing Zhang, Qihao Zheng, Jiamin Wu, Mianxin Liu, Chi Zhang, Bin Min, Lei Bai, Chengyu Li, Jingpeng Wu, Chunfeng Song

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

AI总结 EasyBCI是两阶段大语言模型智能体，可针对六种信号类型规划执行脑机接口预处理，经评估其在EEG任务中表现优于人工流程及通用编码智能体，可扩展至多模态并提升可复现性。

Comments 15 pages, 6 figures, 4 tables