Riemannian geometry-based decoding of the directional focus of auditory attention using EEG
听觉注意解码（AAD）算法从捕获听者神经活动的脑电信号（EEG）中解码听觉注意。这种AAD方法被认为是所谓的神经操纵辅助听力设备的重要组成部分。例如，传统的AAD解码器允许通过从EEG信号重构被关注的语音信号的幅度包络来检测收听者正在关注多个扬声器中的哪个扬声器。最近，提出了一种替代的范式，这种刺激重建方法，其中确定的听觉注意力的方向性焦点，而不是仅仅基于EEG，使用常见的空间模式滤波器（CSP）。在这里，我们提出了黎曼几何为基础的分类（RGC）作为这种CSP方法的替代方案，其中一个新的EEG段的协方差矩阵直接分类，同时考虑到其黎曼结构。虽然所提出的RGC方法对于短决策长度（即，用于做出决定的EEG样本的量），我们表明，它显着优于它更长的决策窗口长度。
2021-02-01 eess.SP
HFMCA: Orthonormal Feature Learning for EEG-based Brain Decoding
Télécom Paris, Institute Polytechnique de Paris（巴黎电信学院，巴黎理工学院）；Univ Gustave Eiffel, École des Ponts, CNRS（古斯塔夫·埃菲尔大学，桥梁学校，法国国家科学研究中心）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
HFMCA通过正交特征学习提升EEG脑解码的准确率和泛化能力
2026-02-04 eess.SP
Sample-level EEG-based Selective Auditory Attention Decoding with Markov Switching Models
KU Leuven（荷语鲁汶大学）；Leuven.AI - KU Leuven institute for AI, Belgium（比利时荷语鲁汶大学人工智能研究所）
本文提出基于马尔可夫切换模型的样本级选择性听觉注意力解码方法，通过整合解码与平滑过程提升解码准确性并加快注意力切换检测。
2026-02-13 eess.SP
ChineseEEG-2: An EEG Dataset for Multimodal Semantic Alignment and Neural Decoding during Reading and Listening
本文提出ChineseEEG-2，一个高密度脑电图数据集，包含朗读和被动聆听两种模态，用于多模态语义对齐和神经解码基准测试，支持大脑与大语言模型的对齐研究。
2025-08-06 eess.SP
A novel convolutional neural network model to remove muscle artifacts from EEG
脑电（EEG）记录信号通常被许多伪影污染。近年来，深度学习模型已被用于脑电图（EEG）数据的去噪，并提供了与传统技术相当的性能。然而，现有的神经网络在去除肌电信号伪影方面的性能有限，并且存在过拟合问题。在这里，我们介绍了一种新的卷积神经网络（CNN），逐渐上升的特征尺寸和时间序列的下采样，以消除EEG数据中的肌肉伪影。与其他类型的卷积网络相比，该模型在很大程度上消除了过度拟合，并显着优于EEGdenoiseNet中的四个基准网络。我们的研究表明，深度网络架构可能有助于避免过拟合，并更好地去除EEG中的EMG伪影。
2021-02-13 eess.SP
Subject-independent trajectory prediction using pre-movement EEG during grasp and lift task
本文提出基于MLP与CNN-LSTM的运动前EEG解码框架，在WAY-EEG-GAL上以LOSO验证跨受试者3D抓握轨迹预测，为康复外骨骼和假肢BCI提供依据。
2024-06-18 eess.SP
A Direct Comparison of Simultaneously Recorded Scalp, Around-Ear, and In-Ear EEG for Neural Selective Auditory Attention Decoding to Speech
本研究构建同步记录头皮、耳周与耳内EEG的AAD数据集，直接比较三类系统的语音听觉注意解码性能，发现耳内EEG虽准确率低于头皮EEG，但结合少量头皮电极可大幅提升，是AAD传感器网络的潜力组件。
2025-10-28 eess.SP
EEG Based Emotion Sensing using convolutional neural networks
深度学习已经影响了各个领域，特别是在生物医学应用中。深度学习算法可以很好地处理结构化和非结构化数据。特别是，卷积神经网络可以很好地处理基于信号的数据，如EEG数据。这些类型的数据可能遵循也可能不遵循其数据中的模式。像CNN这样的算法有助于特征工程和对数据的简化解释。当推广到属于较大数据集的数据时，这些算法与其他算法相比也更好。
2022-01-06 eess.SP
FRIST: FMRI Representation Informed Shared-space Training Improves EEG-only Individual-Finger BCI Decoding
Carnegie Mellon University（卡内基梅隆大学）
FRIST利用fMRI空间信息指导EEG表征学习，通过两阶段框架提升仅用EEG的单指BCI解码准确率，在多项实验中显著优于基线。
2026-09-14 cs.LG eess.SP
Sinc-based convolutional neural networks for EEG-BCI-based motor imagery classification
基于运动想象的脑机接口（BCI）将从脑电图（EEG）中识别的心理运动图像转换为控制命令。不同的想象任务，如手和脚的运动，脑电模式，有效地分类与机器学习技术使用频带功率功能。最近，卷积神经网络（CNN）也被应用，它同时从原始EEG数据中学习有效特征和分类器。然而，CNN有两个主要缺点：（i）它们具有非常大量的参数，因此需要非常大量的训练示例;（ii）它们不是为了显式地学习频域中的特征而设计的。为了克服这些限制，在这项工作中，我们引入了Sinc-EEGNet，这是一种轻量级的CNN架构，它结合了可学习的带通和去卷积滤波器。在公开的BCI竞赛IV数据集2a上获得的实验结果表明，我们的方法在分类准确性方面优于参考方法。
2021-01-19 eess.SP
Improving EEG Decoding via Clustering-based Multi-task Feature Learning
Lehigh University（理海大学）；Inception Institute of Artificial Intelligence（起源人工智能研究院）；South China University of Technology（华南理工大学）；Stanford University（斯坦福大学）；West China Hospital of Sichuan University（四川大学华西医院）；Guangdong University of Technology（广东工业大学）；Tokyo University of Agriculture and Technology（东京农工大学）；Nicolaus Copernicus University（尼古拉·哥白尼大学）
脑电模式解码是脑-机接口（BCI）发展的关键步骤之一，但由于头皮采集的脑电信号信噪比较低，因此具有很大的挑战性。机器学习提供了一种有前途的技术，以优化EEG模式，以提高解码精度。然而，现有的算法不能有效地探索捕获真实EEG样本分布的底层数据结构，因此只能产生次优的解码精度。为了揭示脑电数据的内在分布结构，我们提出了一种基于聚类的多任务特征学习算法，用于改进的脑电模式解码。具体来说，我们执行基于亲和传播的聚类来探索子类（即，聚类），然后基于一对所有编码策略为每个子类分配一个唯一的标签。利用编码的标签矩阵，我们设计了一种新的多任务学习算法，通过利用子类关系来联合优化未覆盖子类中的EEG模式特征。然后，我们训练一个线性支持向量机的优化功能的EEG模式解码。在三个EEG数据集上进行了大量的实验研究，以验证我们的算法与其他国家的最先进的方法相比的有效性。改进后的实验结果证明了该算法的优越性，表明其在脑机接口应用中的EEG模式解码中具有突出的性能。
2020-12-12 cs.LG eess.SP
Deep Invertible Networks for EEG-based brain-signal decoding
Medical Center - University of Freiburg（弗莱堡大学医学中心）；University of Freiburg（弗莱堡大学）
在这篇论文中，我们研究了用于基于EEG的大脑信号解码的深度可逆网络，并发现它们可以生成真实的EEG信号，并对新信号进行分类。进一步的想法，他们的正则化更好的解码精度进行了讨论。
2019-07-17 cs.LG cs.NE eess.SP
MAtt: A Manifold Attention Network for EEG Decoding
National Yang Ming Chiao Tung University（阳明交通大学）
脑电信号的识别对无创脑机接口的效率有很大影响。虽然基于深度学习（DL）的EEG解码器的最新进展提供了更好的性能，但几何学习（GL）的发展因在解码噪声EEG数据时提供出色的鲁棒性而备受关注。然而，缺乏关于深度神经网络（DNN）和几何学习用于EEG解码的合并使用的研究。本文提出了一种流形注意力网络（mAtt），这是一种新的基于几何深度学习（GDL）的模型，其特征在于流形注意力机制，该机制完全在黎曼对称正定（SPD）流形上表征EEG数据的时空表示。时间同步和同步EEG数据集上的建议MATT的评价表明其优于其他领先的DL方法一般EEG解码。此外，模型解释的分析揭示了MAtt在捕获信息EEG特征和处理脑动力学的非平稳性的能力。
2022-10-05 cs.LG eess.SP q-bio.NC
Uncertainty Detection and Reduction in Neural Decoding of EEG Signals
Facebook, Inc.（脸书公司）；SUNY Buffalo（纽约州立大学布法罗分校）；Netflix, Inc.（网飞公司）
基于深度神经网络的脑电解码系统已广泛应用于脑机接口（BCI）的决策中。然而，考虑到EEG信号中的显著方差和噪声，他们的预测可能不可靠。以往的脑电信号分析主要集中在对源信号中噪声模式的探索，而解码过程中的不确定性在很大程度上是未探索的。自动检测和减少这种解码的不确定性是很重要的BCI运动图像的应用，如机器人手臂控制等。在这项工作中，我们提出了一个不确定性估计和减少模型（UNCER），以量化和减轻EEG解码过程中的不确定性。该方法结合了基于丢包率的方法和贝叶斯神经网络的不确定性估计方法，将输入信号中的不确定性和模型参数中的不确定性结合起来。我们进一步提出了一种基于数据增强的方法来减少不确定性。该模型可以集成到目前广泛使用的脑电神经解码器，而无需改变结构。我们在两个公开的运动想象数据集上进行了大量的实验，在两个主题内EEG解码和跨主题EEG解码的不确定性估计和减少，其中所提出的模型在估计的不确定性的质量和不确定性减少的有效性方面都取得了显着的改善。
2022-10-01 cs.AI cs.LG eess.SP
ExBrainable: An Open-Source GUI for CNN-based EEG Decoding and Model Interpretation
National Yang Ming Chiao Tung University（阳明交通大学）
我们开发了一个图形用户界面（GUI）ExBrainable，专用于卷积神经网络（CNN）模型训练和脑电图（EEG）解码中的可视化。可用的功能包括模型训练，评估和时间和空间表示方面的参数可视化。我们证明了这些功能，使用一个经过充分研究的公共数据集的运动图像脑电图和比较的结果与现有的神经科学知识。ExBrainable的主要目标是为跨学科的研究人员提供快速，简化和用户友好的EEG解码解决方案，以利用大脑/神经科学研究中的尖端方法。
2022-01-10 cs.LG eess.SP q-bio.NC
EEG-ReMinD: Enhancing Neurodegenerative EEG Decoding through Self-Supervised State Reconstruction-Primed Riemannian Dynamics
Harbin Institute of Technology（哈尔滨工业大学）
针对脑电解码面临的数据稀疏、个体差异大、需精准标注等问题，提出两阶段方法EEG-ReMinD，结合自监督、几何学习与注意力机制分析黎曼动力学，在两类神经退行性疾病数据集上实现性能提升。
2025-01-14 cs.AI cs.LG eess.SP
Personalized Continual EEG Decoding: Retaining and Transferring Knowledge
针对脑电信号个体差异引发的持续解码灾难性遗忘及数据隐私、计算成本问题，提出含欧几里得对齐、样本回放与储层采样内存管理的PCED框架，在OpenBMI数据集上实现知识保留与分类性能的平衡，为BCI落地提供高效方案。
2025-03-25 cs.HC eess.SP
EEG2GAIT: A Hierarchical Graph Convolutional Network for EEG-based Gait Decoding
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Institute of Neural Engineering, Graz University of Technology（技术大学神经工程研究所）；Center for Al in Medicine (C-AlM)（医学人工智能中心）
EEG2GAIT通过分层图卷积网络和混合时间-频域奖励损失函数，实现了基于EEG的步态解码，提升了解码性能和准确性。
2026-02-12 cs.LG eess.SP
EEG-based video identification using graph signal modeling and graph convolutional neural network
Yonsei University（延世大学）
本文提出了一种新的基于图信号的脑电深度学习方法及其在基于脑电的视频识别中的应用。我们提出了新的方法来有效地将EEG数据表示为图上的信号，并使用图卷积神经网络来学习它们。视频识别的实验结果表明，与现有的方法相比，所提出的方法的有效性，而观看视频时获得的脑电响应。文中还讨论了脑电信号图形化表示的有效方法。
2018-09-12 cs.LG eess.SP
EEG-based Decoding of Selective Visual Attention in Superimposed Videos
本研究提出基于EEG的自由观看范式，通过刺激信息解码器从叠加视频中解码选择性视觉注意，发现EEG对自然运动的反应受注意调节且与眼动数据互补，首次探索了自然视频场景下的该问题。
2025-04-14 eess.SP q-bio.NC
SGAD: A State-Guided Adaptive Decision Framework for Robust EEG-Based Auditory Attention Switch Decoding
Southern University of Science and Technology（南方科技大学）；Capital Medical University（首都医科大学）
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。
2026-08-04 cs.SD eess.SP
Toward Adaptive BCIs: Enhancing Decoding Stability via User State-Aware EEG Filtering
Dept. of Artificial Intelligence Korea University Seoul, Republic of Korea（人工智能系 韩国大学首尔共和国）
针对脑机接口因用户状态变化导致解码性能下降的问题，提出用户状态感知的脑电图滤波框架，通过估计认知状态并自适应加权过滤不可靠片段，提升了不同状态和会话下的分类准确性与稳定性。
2025-11-11 cs.AI eess.SP
Decoding Visual Responses based on Deep Neural Networks with Ear-EEG Signals
近年来，实用的脑机接口被积极地实施，特别是在移动环境中。然而，运动伪迹和运动状态下的肌电信号会使脑电信号发生畸变，从而使人的意图识别变得困难。此外，由于硬件问题也是具有挑战性的，耳-EEG已经被开发用于实用的脑机接口并且被广泛使用。然而，耳EEG仍然包含被污染的信号。本文提出了一种在步行条件下鲁棒的双流深度神经网络，并从统计分析和脑机接口性能两个方面分析了头皮和耳朵中的视觉反应脑电信号。我们验证了视觉反应范式，稳态视觉诱发电位的信号。当以1.6 m/s的速度快速行走时，脑机接口性能下降3~14%。当应用该方法时，头-EEG和耳-EEG的准确性分别提高了15%和7%。该方法在会话相关和会话到会话的实验中显示出对走动条件的鲁棒性。
2020-02-04 cs.HC eess.SP
An amplitudes-perturbation data augmentation method in convolutional neural networks for EEG decoding
Beihang University（北京航空航天大学）
脑-机接口（BCI）系统通过分析包含潜在神经信息的脑信号，提供了一条连接人与外界的通道。脑电信号是最常用的脑电信号之一，脑电信号识别是脑机接口系统的重要组成部分。最近，深度学习中的卷积神经网络（ConvNet）正在成为解决EEG识别问题的新的前沿工具。然而，训练有效的深度学习模型需要大量的数据，这限制了具有少量样本的EEG数据集的应用。为了解决深度学习在脑电解码中数据不足的问题，提出了一种新的数据增强方法，该方法将脑电信号转换到频域后，对脑电信号的幅度进行扰动。在实验中，我们探索了在BCI竞赛IV数据集2a和我们的本地数据集上进行数据增强之前和之后，使用最先进的模型进行信号识别的性能。实验结果表明，本文提出的数据增强技术可以有效地提高脑电识别的准确率。
2018-11-06 cs.HC cs.LG eess.SP
EEG-based Auditory Attention Decoding: Towards Neuro-Steered Hearing Devices
患有听力障碍的人通常难以参与所谓的“鸡尾酒会”场景中的对话，其中有多个人同时说话。尽管存在先进的算法来抑制这些情况下的背景噪声，但听力设备还需要关于用户实际上旨在注意这些扬声器中的哪个扬声器的信息。然后，可以使用该信息来增强正确的（被关注的）说话者，并且所有其他说话者可以被视为背景噪声。最近的神经科学进展表明，可以通过非侵入性神经记录技术（如脑电图（EEG））确定听觉注意力的焦点。基于这些新的见解，已经提出了大量的听觉注意力解码（AAD）算法，这些算法可以与适当的扬声器分离算法和小型化的EEG传感器设备相结合，导致所谓的神经操纵听力设备。在本文中，我们提供了一个广泛的审查和统计接地比较研究的EEG为基础的AAD算法，并解决在这一领域的主要信号处理的挑战。
2021-04-23 eess.AS eess.SP
Neural Oscillations for Encoding and Decoding Declarative Memory using EEG Signals
陈述性记忆与日常生活经验记忆的关系一直被研究。先前的研究报道了在编码阶段与行为表现相关的功率谱的变化，然而解码阶段仍然需要探索。本研究探讨了记忆过程中神经振荡的变化。被试被要求进行编码和解码阶段的记忆任务，同时记录脑电信号。结果表明，在编码阶段，额中央区低β、高β带功率显著降低，左颞区低β、高β和γ带功率显著降低，与成功的后续记忆效应有关。对于解码阶段，仅观察到额中央区的α功率显著降低。这一发现表明，β和α波段分别与记忆任务的编码和解码阶段相关。
2020-02-04 cs.NE eess.SP q-bio.NC
EEG-to-Gait Decoding via Phase-Aware Representation Learning
College of Computing and Data Science, Nanyang Technological University, Singapore 639798（计算与数据科学学院，南洋理工大学，新加坡）；Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai 200240, China（计算机科学与工程系，上海交通大学，上海）；Institute of Neural Engineering, Graz University of Technology, Graz, Austria（神经工程研究所，格拉茨技术大学，奥地利）；Centre of AI in Medicine (C-AIM), Nanyang Technological University, Singapore（医学人工智能中心（C-AIM），南洋理工大学，新加坡）
NeuroDyGait通过相意识表示学习实现EEG到步态解码，提升跨受试者性能并满足实时BCI需求。
2026-02-12 cs.LG eess.SP
EEG-CLIP : Learning EEG representations from natural language descriptions
Medical Physics, Department of Diagnostic and Interventional Radiology（医学物理，诊断与介入放射科）；Medical Center—University of Freiburg, Faculty of Medicine University of Freiburg, Germany（弗赖堡大学医学中心—弗赖堡大学医学院，弗赖堡，德国）；Neuromedical A.I. Lab, Department of Neurosurgery（神经医学人工智能实验室，神经外科部门）；BrainLinks-BrainTools, IMBIT University of Freiburg, Germany（BrainLinks-BrainTools，IMBIT弗赖堡大学，德国）
本研究提出对比学习框架EEG-CLIP，通过对齐EEG时间序列与临床文本描述学习通用EEG表征，在少样本、零样本解码中表现出潜力，可降低多样解码任务的分析与训练成本。
2025-07-29 cs.CL cs.LG eess.SP
Toward Fully-End-to-End Listened Speech Decoding from EEG Signals
University of Southern California（南加州大学）
提出 FESDE 完全端到端框架，直接由 EEG 信号重建所听语音波形，通过 EEG 模块、语音模块和连接器实现单步推理，并在客观指标上超越先前方法。
2024-06-12 cs.AI cs.SD eess.AS
Unsupervised EEG-based decoding of absolute auditory attention with canonical correlation analysis
KU Leuven（库勒芬大学）
提出一种完全无监督的脑电图绝对听觉注意力解码算法，结合判别性CCA特征提取与MILDA分类器，性能优于监督模型，且能低成本适应非平稳数据。
2025-04-24 cs.SD eess.SP
Enhancing Low-Density EEG-Based Brain-Computer Interfaces with Similarity-Keeping Knowledge Distillation
National Yang Ming Chiao Tung University（阳明交通大学）
脑电图（EEG）因其无创、低成本、高时间分辨率等优点，已成为现实世界脑机接口（BCI）中常用的神经监测手段之一。近年来，基于低密度导联的轻便便携式脑电可穿戴设备增加了脑机接口应用的便利性和可用性。然而，EEG解码性能的损失通常是不可避免的，这是由于减少了电极的数量和低密度EEG蒙太奇的头皮区域的覆盖。为了解决这个问题，我们引入了知识蒸馏（KD），一种学习机制，用于在神经网络模型之间传输知识/信息，以提高低密度EEG解码的性能。我们的框架包括一个新提出的相似性保持（SK）教师-学生KD计划，鼓励低密度EEG学生模型获得样本间的相似性，如在高密度EEG数据上训练的预训练教师模型。实验结果验证了我们的SK-KD框架一致提高运动想象脑电解码的准确性时，输入的EEG数据的电极数量减少。对于常见的低密度耳机样和头带样蒙太奇，我们的方法优于国家的最先进的KD方法在各种EEG解码模型架构。作为第一个KD计划，提高EEG解码，我们预见到建议SK-KD框架，以促进低密度EEG为基础的BCI在现实世界中的应用的实用性。
2022-12-06 cs.LG eess.SP q-bio.NC
Decoding Semantic Categories from Picture-Naming EEG
College of Science and Technology, University of Bordeaux（波尔多大学科学技术学院）；EuroMov Digital Health in Motion, Univ Montpellier, IMT Mines Ales（蒙彼利埃大学 EuroMov 数字健康研究所，法国矿业高等学院）
本研究利用预训练单通道脑电编码器和多语言文本嵌入模型，从图片命名任务的高密度脑电中解码语义类别，结合早期和命名相关时间窗口，九类分类平衡准确率达0.781。
2026-06-15 eess.SP q-bio.NC
Transformer-based Spatial-Temporal Feature Learning for EEG Decoding
South China University of Technology（华南理工大学）
目前，人们通常采用基于卷积神经网络的方法对脑电信号进行解码。然而，CNN在感知全局依赖性方面存在局限性，这对于具有强整体关系的常见EEG范例来说是不够的。针对这个问题，我们提出了一种新的主要依赖于注意力机制的脑电信号解码方法。首先对脑电数据进行预处理和空间滤波。然后对特征通道维度进行注意力变换，使模型能够增强更多的相关空间特征。最关键的一步是在时间维度上对数据进行切片，进行注意力转换，最终获得具有高度可区分性的表示。在这个时候，全局平均池化和一个简单的全连接层被用来分类不同类别的EEG数据。在两个公开数据集上的实验表明，该策略有效地利用了空间和时间特征。在脑电信号的多分类方面，我们已经达到了用较少的参数进行多分类的先进水平。据我们所知，这是第一次提出了一个详细的和完整的方法的基础上的Transformer的想法在这一领域。这对脑机接口的实用化具有很好的促进作用。源代码可以在以下位置找到：\textit{https://github.com/anranknight/EEG-Transformer}。
2021-06-11 cs.AI cs.LG eess.SP
EEG decoding with conditional identification information
Ghent University（根特大学）
本文提出将个体条件身份识别信息融入神经网络，通过EEG与个人特质的协同交互增强模型表征，显著提升了训练集及未见受试者的解码准确率。
2024-03-21 cs.AI cs.HC cs.LG
MPNet: A Robust and Efficient Manifold Pooling Network for Multi-Rhythm EEG Signal Decoding
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）；Guangxi Normal University（广西师范大学）
MPNet通过流形池化层有效降低计算成本，实现多节奏EEG信号的高效解码，在两个公开数据集上达到最佳性能，运行速度比传统模型快10倍。
2026-04-11 cs.HC cs.LG eess.SP
Zero-Shot Neural Priors for Generalizable Cross-Subject and Cross-Task EEG Decoding
Carnegie Mellon University（卡内基梅隆大学）
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。
2026-07-24 cs.HC cs.LG eess.SP
A Resource-Efficient CNN-Based EEG Auditory Attention Decoding ASIC
Technische Universität Dresden（德累斯顿工业大学）；Friedrich-Alexander-Universität Erlangen–Nürnberg (FAU)（埃尔朗根-纽伦堡大学）
针对人工耳蜗用户的鸡尾酒会问题，提出集成量化CNN与皮尔逊相关分类器的资源高效型ASIC，采用GF22FDX工艺实现，能效高，可用于实时EEG听觉注意力解码。
2026-08-21 cs.AR eess.SP
Decoding of Grasp Motions from EEG Signals Based on a Novel Data Augmentation Strategy
基于脑电图（EEG）的脑机接口（BCI）系统是用于神经假体等临床目的的有用工具。在这项研究中，我们收集了与抓握运动相关的脑电信号。五名健康受试者参与了这项实验。他们执行并想象五个持续抓握动作。我们提出了一种新的数据增强方法，该方法使用从肌电图（EMG）信号分析获得的标签来增加训练数据的量。为了实现，我们同时记录EEG和EMG。原始EEG数据的数据增强得出的分类准确度高于其他竞争对手。因此，我们得到的平均分类准确率为52.49%的运动执行（ME）和40.36%的运动想象（MI）。这两种方法分别比可比方法的结果高9.30%和6.19%。此外，所提出的方法可以最大限度地减少校准会话的需要，这降低了大多数BCI的实用性。这一结果是令人鼓舞的，所提出的方法可能会被用于未来的应用，如BCI驱动的机器人控制处理各种日常使用的对象。
2020-05-11 cs.HC eess.SP
EEG Foundation Challenge: From Cross-Task to Cross-Subject EEG Decoding
本文介绍一项包含跨任务跨主体脑电解码、精神病理因素预测两项挑战的大规模脑电竞赛，提供对应基线模型，旨在推动泛化性脑电解码模型及相关临床应用的发展。
2026-08-11 cs.LG eess.SP
Enhancing Listened Speech Decoding from EEG via Parallel Phoneme Sequence Prediction
University of Southern California（南加州大学）
本文提出在 EEG 所听语音解码中加入并行辅助音素预测器，使模型可同时输出语音波形与文本音素序列，并在两种模态上超越以往方法。
2025-01-08 cs.AI cs.CL eess.AS
Cross-Subject Generalization for EEG Decoding: A Survey of Deep Learning Methods
Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系）；Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系）；School of Computing, University of Georgia（佐治亚大学计算科学学院）；School of Electrical and Computer Engineering, University of Georgia（佐治亚大学电气与计算机工程学院）
本文综述了深度学习方法在跨受体解码中的应用，分析了多源领域问题的评估协议，并系统分类了特征对齐、对抗学习等方法，探讨了理论限制和EEG基础模型的发展。
2026-05-01 cs.LG eess.SP
Visual Decoding and Reconstruction via EEG Embeddings with Guided Diffusion
本文提出基于EEG的端到端视觉重建零样本框架，通过自适应思维映射器对齐clip嵌入，并结合两阶段扩散生成策略，在分类、检索和重建上达到SOTA性能，展示了EEG在脑机接口中的低成本和高时间分辨率优势。
2024-10-04 cs.HC eess.SP q-bio.NC
TAnet: A New Temporal Attention Network for EEG-based Auditory Spatial Attention Decoding with a Short Decision Window
Southern University of Science and Technology（南方科技大学）
针对以往ASAD依赖长决策窗口的问题，提出采用MHA机制的端到端TAnet，在KUL数据集短窗口下解码准确率最高达95.5%，可助力智能助听器等系统设计。
2024-05-14 cs.LG eess.SP
A DenseNet-based method for decoding auditory spatial attention with EEG
Peking University（北京大学）
本文提出将EEG通道转换为二维空间拓扑图并利用DenseNet-3D提取时空特征，在KUL数据集上以94.3%准确率超越现有最优方法，实现更高效的听觉空间注意解码。
2024-01-17 cs.LG eess.SP
EEG-GMACN: Interpretable EEG Graph Mutual Attention Convolutional Network
Coventry University（考文垂大学）；Institute for Infocomm Research, A*STAR（新加坡科技研究局信息通信研究所）
提出EEG-GMACN模型，通过引入逆图权重模块和互注意力机制提升EEG分析的可解释性与临床可信度，并采用可信度校准评估预测不确定性。
2024-12-15 cs.LG eess.SP
Toward Open-World Electroencephalogram Decoding Via Deep Learning: A Comprehensive Survey
脑电图解码的目的是基于非侵入性测量的大脑活动来识别神经处理的感知、语义和认知内容。当应用于在静态、控制良好的实验室环境中获取的数据时，传统的EEG解码方法取得了一定的成功。然而，开放世界环境是一个更现实的环境，其中影响EEG记录的情况可能会意外出现，显着削弱现有方法的鲁棒性。近年来，深度学习（DL）因其在特征提取方面的卓越能力而成为解决此类问题的潜在解决方案。它克服了定义“手工”特征或使用浅架构提取特征的局限性，但通常需要大量昂贵的、专业标记的数据--这并不总是可以获得的。将深度学习与特定领域的知识相结合，可以开发出强大的方法来解码大脑活动，即使是小样本数据。虽然已经提出了各种DL方法来解决EEG解码中的一些挑战，但目前缺乏系统的教程概述，特别是对于开放世界应用。因此，本文提供了一个全面的调查DL方法的开放世界EEG解码，并确定有前途的研究方向，以启发未来的研究EEG解码在现实世界中的应用。
2021-12-17 cs.HC cs.LG eess.SP
Model-Agnostic Meta-Learning for EEG Motor Imagery Decoding in Brain-Computer-Interfacing
Imperial College London（帝国理工学院）
我们在这里介绍元学习的思想，用于训练EEG BCI解码器。元学习是一种训练机器学习系统的方法，使它们学会学习。我们在这里将元学习应用于一个简单的深度学习BCI架构，并将其与相同架构上的迁移学习进行比较。我们的元学习策略通过为BCI解码器找到最佳参数来运行，以便它可以在不同用户和记录会话之间快速泛化-从而也可以快速泛化到新用户或新会话。我们在Physionet EEG运动图像数据集上测试了我们的算法。我们的方法提高了运动想象的分类准确率在60%到80%之间，在小数据条件下优于其他算法。我们相信，建立元学习或学习学习的方法将有助于神经工程和人类界面快速建立神经信号解码器的挑战，使它们更适合日常生活。
2021-03-10 cs.LG eess.SP
EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出了一种新的基于图卷积神经网络（GCNN）的方法，用于改善使用头皮脑电图（EEG）的神经系统疾病的诊断。虽然EEG是用于神经系统疾病诊断的主要测试之一，但基于EEG的专家视觉诊断的灵敏度保持在$\sim$ 50\%。这表明，一个明确的需要先进的方法，以减少检测异常头皮脑电图的假阴性率。在这种情况下，我们专注于区分神经系统疾病患者的异常头皮脑电图的问题，这些患者最初被专家归类为“正常”，从健康个体的头皮脑电图。本文的贡献有三个方面：1）我们提出了EEG-GCNN，一种用于EEG数据的新型GCNN模型，它捕获了头皮电极之间的空间和功能连接，2）使用EEG-GCNN，我们对上述假设进行了第一次大规模评估，以及3）使用两个大型头皮EEG数据库，我们证明了EEG-GCNN显著优于人类基线和经典机器学习（ML）基线，AUC为0.90。
2020-11-17 cs.LG eess.SP
Informed Bootstrap Augmentation Improves EEG Decoding
Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California（明希斯电气与计算机工程系，南加州大学）；Alfred E. Mann Department of Biomedical Engineering, University of Southern California（阿尔弗雷德·E·曼生物医学工程系，南加州大学）；Thomas Lord Department of Computer Science, University of Southern California（托马斯·劳德计算机科学系，南加州大学）
针对EEG解码受噪声、试次变异性限制且传统均匀平均数据增强存在缺陷的问题，提出基于试次可靠性加权的自助增强方法，在句子评估范式中验证其可有效提升EEG解码精度，生成更鲁棒的表征。
2025-11-15 cs.LG eess.SP
Auditory Attention Decoding from EEG using Convolutional Recurrent Neural Network
Peking University（北京大学）
提出了一种基于听觉注意解码（AAD）的多人说话场景中说话人身份识别方法。虽然基于线性模型的方法已被广泛应用于AAD中，但线性假设被认为过于简化，并且对于较短的解码窗口，解码精度仍然较低。最近，已经提出了基于深度神经网络（DNN）的非线性模型来解决这个问题。然而，这些模型没有充分利用EEG的空间和时间特征，并且很少研究DNN模型的可解释性。在本文中，我们提出了新的卷积递归神经网络（CRNN）的回归模型和分类模型，并将它们与线性模型和最先进的DNN模型进行了比较。结果表明，我们提出的基于CRNN的分类模型在较短的解码窗口（2 s和5 s约为90%）下优于其他模型。尽管比分类模型差，但提出的基于CRNN的回归模型的解码准确度比其他回归模型高出约5%。DNN模型的可解释性也通过可视化层的权重进行了研究。
2021-03-03 cs.AI cs.SD eess.AS
Contrastive Learning with Variational Regularization for Multi-Session EEG-to-Speech Decoding
The University of Electro-Communications（电气通信大学）；Artificial Intelligence eXploration Research Center (AIX)（人工智能探索研究中心）
该研究针对脑电到语音解码的低信噪比与会话变异性问题，采用多会话同一刺激的EEG响应作为对比学习正样本，结合变分正则化，在日语EEG数据集上降低了字符错误率并保持重构保真度。
2026-08-18 cs.SD eess.AS eess.SP
CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information
Xidian University（西安电子科技大学）；Chongqing University of Posts and Telecommunications（重庆邮电大学）
针对现有EEG解码忽略“图像模态之外”信息的问题，提出统一框架CognitionCapturer，利用Modality Expert Encoders提取跨模态信息，结合扩散先验和预训练生成模型，无需微调即可高保真重建视觉刺激，在定性和定量上均优于现有方法。
2024-12-24 cs.AI cs.CV eess.SP
Temporal Context and Architecture: A Benchmark for Naturalistic EEG Decoding
School of Computing \& Data Science, Wentworth Institute of Technology Boston, MA USA Email
本文通过对比不同架构在自然 EEG解码中的表现，揭示了效率与鲁棒性之间的权衡，S5在参数效率上表现优异，而EEGXF在鲁棒性和保守性上更具优势。
2026-01-29 cs.AI cs.LG eess.SP
Can EEG resting state data benefit data-driven approaches for motor-imagery decoding?
Ahmedabad International School（艾哈迈达巴德国际学校）；IIT Gandhinagar（甘地讷格尔印度理工学院）
本研究提出一种整合静息态EEG功能连接性度量与EEGNet的特征拼接方法以提升运动想象BCI泛化能力，但实验表明该方法仅在用户内场景小幅提升准确率，对跨用户场景无益。
2024-10-28 cs.HC cs.LG eess.SP
