Voice of Your Brain: Cognitive Representations of Imagined Speech,Overt Speech, and Speech Perception Based on EEG
每个人都有自己的声音，同样，大脑信号为每个人显示不同的神经表征。尽管近年来的研究已经揭示了语音相关范式对于高效脑机接口的鲁棒性，但它们的认知表征与实际可用性的区别仍有待发现。在此，我们研究了在想象言语、外显言语和言语感知中，受试者变化的脑电模式，以及单通道脑电对说话人识别的实际应用。我们使用深度神经网络对9名受试者进行了分类，该网络从想象语音、显性语音和语音感知的EEG中捕获时间-频谱-空间特征。此外，我们通过比较功能连接性和脑电包络特征，展示了个体被试在执行想象言语时的潜在神经特征。我们的研究结果表明，从单通道脑电的想象言语和显性言语的主体识别的可能性。同时，对三种言语相关范式的比较也为言语相关脑信号的进一步研究提供了有价值的信息。
2021-05-31 cs.HC
EEG-Based Imagined Speech Decoding Using a Hybrid CNN-SNN Architecture
Doctoral School of Science, Technology, and Engineering, University of Granada（格拉纳达大学科学、技术与工程博士学院）；University of Technology Belfort-Montbéliard, SINERGIES（贝尔福-蒙贝利亚尔技术大学，协同实验室）；Department of Signal Theory, Telematics and Communications, University of Granada（格拉纳达大学信号理论、电信与通信系）；Department of Chemical Engineering, Stanford University（斯坦福大学化学工程系）；Department of Electrical and Computer Engineering, Aarhus University（奥尔胡斯大学电气与计算机工程系）
研究针对脑电图信号想象语音解码难题，提出用卷积神经网络提取时间表征，再经脉冲神经网络进行生物启发式时间分类的混合解码方法，在基准测试中取得高准确率，证明该方法有效性。
2026-07-07 cs.HC cs.SD
Decoding Imagined Handwriting from EEG
针对无实际运动且运动起始未知的真实场景，本文利用运动想象从EEG解码完全想象的手写，分析混杂因素与样本复杂度，并证明其可获得高于随机水平的解码性能。
2025-03-14 cs.HC
Unified Framework for Identity and Imagined Action Recognition from EEG patterns
本研究提出基于EEG信号的身份与想象动作识别统一深度学习框架，结合移位二次采样增强、空间编码及CNN+BiLSTM结构，在多任务上实现90%以上准确率，低电极场景实验为日常应用铺路。
2023-05-02 cs.HC
Decoding Neural Correlation of Language-Specific Imagined Speech using EEG Signals
由于大脑病变和退行性疾病造成的语言障碍可能是毁灭性的。对于有严重言语缺陷的人来说，脑机接口中的想象言语是重建言语产生的神经信号的一个有希望的希望。然而，基于脑电的想象语音域的研究仍然存在一定的局限性，由于空间和时间信息的高度可变性和低信噪比。本研究以两组本族语者为被试，采用两种不同的语言任务（英语和汉语），考察了他们的神经信号。我们的假设是，英语，一种非音调和基于表音符号的语言，与汉语，一种音调和基于表意符号的语言相比，在神经计算方面会有频谱差异。结果表明，英语和汉语在特定频段组的相对功率谱密度存在显著差异。此外，在想象任务中，汉语本族语者在θ波段的空间评价是独特的。因此，本文将提出关键的频谱和空间信息的词汇想象与专门的语言，同时解码的神经信号的语音。
2022-04-15 cs.HC eess.SP q-bio.NC
Frequency-Decorrelated Temporal Ensembles for EEG--fNIRS Imagined-Handwriting Decoding
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。
2026-08-27 cs.CV cs.HC
Towards Neural Decoding of Imagined Speech based on Spoken Speech
从人脑信号中解码想象的语音是一个具有挑战性和重要性的问题，可以使人类通过大脑信号进行交流。虽然想象的语音可以作为通过大脑信号进行无声交流的范例，但总是很难收集足够稳定的数据来训练解码模型。同时，口语语音数据相对容易获得，这意味着利用口语语音脑信号解码想象语音的意义。在本文中，我们进行了初步分析，以了解是否有可能利用口头语音脑电图数据来解码想象的语音，通过简单地应用用口头语音大脑信号训练的预训练模型来解码想象的语音。虽然仅用于训练和验证的想象语音数据的分类性能为30.5%，但是基于口语语音的分类器到想象语音数据的转移性能显示出26.8%的平均准确度，与基于想象语音的分类器相比，这在统计学上没有显著差异（p = 0.0983，卡方= 4.64）。为了进行更全面的分析，我们将结果与视觉图像数据集进行了比较，与想象的语音相比，视觉图像数据集自然与口语语音的相关性较低。因此，视觉图像显示出单独训练的表现为31.8%，转移的表现为26.3%，这表明彼此之间存在统计学显着差异（p = 0.022，卡方= 7.64）。我们的研究结果意味着潜在的应用口语解码想象的语音，以及它们的基本共同特征。
2023-02-15 cs.HC
Decoding Imagined Speech and Computer Control using Brain Waves
Indian Institute of Technology Bombay（印度理工学院孟买分校）
在这项工作中，我们探讨了使用机器学习技术解码想象语音脑电波的可能性。我们提出了一个协方差矩阵的脑电图通道作为输入功能，投影到切空间的协方差矩阵的协方差矩阵获得向量的协方差矩阵，主成分分析降维的向量，人工前馈神经网络作为分类模型和引导聚合创建一个合奏的神经网络模型。在分类之后，设计了两种不同的有限状态机，其创建用于使用基于想象语音的BCI系统来控制计算机系统的接口。所提出的方法是能够解码的想象语音信号的最大平均分类准确率为85%的一个长词和一个短词的二进制分类任务。我们还表明，我们提出的方法能够区分想象的语音脑信号和休息状态的脑信号，最大平均分类准确率为94%。我们比较了我们提出的方法与其他方法解码想象的语音，并表明我们的方法执行相当于国家的最先进的方法解码长与短的话，并优于它显着解码三个短词和三个元音的平均利润率分别为11%和9%的其他两个任务。我们还获得了每分钟21位的信息传输速率时，使用基于IS的系统来操作计算机。这些结果表明，所提出的方法是能够解码各种各样的想象的语音信号，没有任何人为设计的功能。
2021-04-30 cs.HC cs.LG eess.SP
EEG Study of the Influence of Imagined Temperature Sensations on Neuronal Activity in the Sensorimotor Cortex
本研究通过脑电图比较真实热刺激与想象温度感觉，发现两者均引发感觉运动皮层mu节律事件相关去同步化且无显著差异，证明温度想象可用于非运动型脑机接口与神经康复。
2025-08-22 cs.HC q-bio.NC
MindGPT: Advancing Human-AI Interaction with Non-Invasive fNIRS-Based Imagined Speech Decoding
本文提出 MindGPT，首个基于非侵入式高密度 fNIRS 解码想象语音并连接大语言模型的思想到 LLM 系统，推动人机无缝交互。
2024-07-25 cs.AI cs.HC
MindSpeech: Continuous Imagined Speech Decoding using High-Density fNIRS and Prompt Tuning for Advanced Human-AI Interaction
MindPortal Ltd（MindPortal有限公司）；Carnegie Mellon University（卡内基梅隆大学）；University of Birmingham（伯明翰大学）
本文提出 MindSpeech 模型，利用高密度 fNIRS 和 Llama2 提示微调实现开放词汇、连续的想象语音解码，并通过词云数据收集范式和多参与者数据融合提升解码性能，验证了非侵入式脑-AI 通信的可行性。
2024-07-25 cs.AI cs.HC
Decoding EEG Speech Perception with Transformers and VAE-based Data Augmentation
Carnegie Mellon University（卡内基梅隆大学）
本研究利用VAE和变换器模型提升EEG语音解码性能，通过数据增强和序列到序列架构改进语音感知任务。
2025-12-29 cs.CL cs.HC cs.LG
Interpreting Imagined Speech Waves with Machine Learning techniques
Indian Institute of Technology Bombay（孟买印度理工学院）
本研究探讨了对想象语音信号进行解码的可能性，这种解码可用于创建一种新的人机接口设计。由于产生EEG信号的基本过程是未知的，各种特征提取方法，以及不同的神经网络（NN）模型，被用来近似数据分布和分类IS信号。基于实验结果，前馈神经网络模型的集成和协方差矩阵变换的功能相比，其他现有的方法表现出最高的性能。为了进行比较，使用了三个公开的数据集。我们报告的平均分类准确率为80%之间的休息和想象的状态，96%和80%的解码长和短的话在两个数据集。这些结果表明，有可能区分脑信号（在休息状态期间产生）与IS脑信号。基于实验结果，我们建议可以使用字长和复杂度来解码IS信号，具有高精度，和BCI系统可以设计与IS信号的计算机交互。这些思想和结果为开发商业级的基于信息系统的脑机接口系统提供了方向，该系统可用于日常生活中的人机交互。
2020-11-25 cs.HC cs.LG cs.SD
Optimising EEG decoding with refined sampling and multimodal feature integration
本文提出结合在线采样与CLIP多模态特征的对比学习框架，将EEG物体类别解码性能较现有最优方法提升7%，并揭示了预训练特征架构、数据集与对齐效能之间的系统性关联。
2024-09-30 cs.HC
RealMind: Advancing Visual Decoding and Language Interaction via EEG Signals
RealMind提出一种基于EEG的多任务视觉解码框架，通过语义与几何一致性学习增强表示，并首次利用视觉-语言模型实现EEG视觉描述，在200类零样本检索和描述任务中分别取得27.58%的Top-1准确率和26.59%的BLEU-1分数。
2024-12-30 cs.HC q-bio.NC
Integrating Language-Image Prior into EEG Decoding for Cross-Task Zero-Calibration RSVP-BCI
Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑认知与脑智能技术重点实验室）；School of Future Technology, University of Chinese Academy of Sciences (UCAS)（中国科学院大学未来技术学院）；Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, the School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院教育部智能感知与图像理解重点实验室）
本研究提出ELIPformer模型，通过融合语言-图像先验知识提升跨任务零校准RSVP-BCI的解码性能。
2025-01-06 cs.HC cs.IR
Handwriting decoding as a challenging motor task for EEG Foundation Models
University of California San Diego（加州大学圣迭戈分校）
本文提出将手写解码作为EEG基础模型的挑战性运动任务，发现现有数据集可能存在问题，并引入更严谨的评估数据集，显示基础模型在手写解码任务中不如专门模型表现优异。
2026-05-15 cs.HC
Performance of data-driven inner speech decoding with same-task EEG-fMRI data fusion and bimodal models
University of Bath（巴斯大学）；Luleå University of Technology（吕勒奥理工大学）；Umeå University（于默奥大学）；SpeakUnique Ltd.（SpeakUnique有限公司）
本研究通过比较两种双模态融合方法，证明在数据具有底层结构时，fMRI-EEG融合可提升内心言语解码性能，且不同参与者的数据结构差异影响模型表现。
2023-06-19 cs.HC cs.LG
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
Beyond Reconstruction: What EEG-to-Video Decoding Actually Recovers
IIT Gandhinagar（印度理工学院古吉拉特分校）
本研究提出EEGVid框架用于脑电到动态视频的解码，发现脑电含视觉与情绪结构，当前重建仅反映粗粒度刺激级信息，三元组学习可优化脑电特征，生成器会主动利用脑电作为内容信号。
2026-09-01 cs.HC
UMind: A Unified Multitask Network for Zero-Shot M/EEG Visual Decoding
本文提出统一多任务网络UMind，通过多模态对齐与双重条件扩散模型实现零样本M/EEG视觉检索、分类和重建，验证了语义信息对视觉解码的协同增强作用。
2025-11-11 cs.HC
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
Transformer-based EEG Decoding: A Survey
School of Software, Northwestern Polytechnical University（软件学院，西北工业大学）
本文系统综述了Transformer在脑电解码中的应用，按架构演变梳理其直接应用、混合架构与结构改进，并展望挑战与前景。
2025-07-03 cs.HC cs.LG
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
DS-MTNet:Structured Multi-Task EEG Decoding for Human-Machine Collaboration
School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院）；School of Urban Transport and Logistics, Shenzhen Technology University（深圳职业技术大学城市交通与物流学院）
研究针对人机协作中操作员内部过程未充分融入机器感知的问题，提出DS-MTNet框架，集成多流并采用双门控机制，在驾驶EEG数据集测试中性能最佳，能统一组织相关脑电证据，为纳入神经证据到机器感知迈进了一步。
2026-07-08 cs.HC
The role of robot design in decoding error-related information from EEG signals of a human observer
为了在日常生活中利用机器人辅助设备，用于检测和处理错误的机器人动作的手段是协作系统开发中的一个重点方面，特别是当通过大脑信号控制时。然而，各种可能的场景和所使用的机器人系统的多样性对从大脑信号记录（例如通过EEG）进行错误解码提出了挑战。例如，目前还不清楚机器人助手的人形外观是否会影响性能。在本文中，我们设计了一项研究，其中两个不同的机器人执行相同的任务，在错误和正确的方式。我们发现错误相关的EEG信号的人类观察者表示的错误解码的性能是独立的机器人设计。然而，我们可以证明，通过EEG信号可以识别哪个机器人执行了指示的任务。在这种情况下，深度卷积神经网络（深度ConvNets）可以达到比正则化线性判别分析（rLDA）和与rLDA相结合的滤波器组公共空间模式（FB-CSP）显著更高的准确度。我们的研究结果表明，从EEG解码有关机器人动作成功的信息，特别是在使用深度神经网络时，可能是一种适用于广泛机器人设计的方法。
2018-07-18 cs.HC q-bio.NC
EEG Decoding Using CNN and LSTM Network
School of Science（理学院）
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。
2026-08-14 cs.HC cs.LG
ViEEG: Hierarchical Visual Neural Representation for EEG Brain Decoding
针对现有EEG视觉解码方法存在的分层神经编码缺失问题，提出受视觉皮层分层结构启发的ViEEG框架，通过分层特征建模与对比学习实现高性能脑解码，并验证了跨模态泛化能力。
2025-09-02 cs.AI cs.CV cs.HC
Decoding 3D Representation of Visual Imagery EEG using Attention-based Dual-Stream Convolutional Neural Network
深度神经网络已成功应用于基于脑电图（EEG）的脑机接口。然而，在大多数研究中，脑电通道之间的相关性和区域间的关系没有得到很好的利用，导致次优化的空间特征提取。在这项研究中，我们提出了一个基于注意力的双流3D-卷积神经网络，可以通过强调通道与基于点积的通道注意力和3D卷积之间的关系来增强空间特征提取。所提出的方法表现出优越的性能比比较模型达到0.58的准确度为4类视觉图像（VI）EEG分类。通过统计学和神经生理学分析，视觉运动图像显示出较高的α功率谱密度（PSD）在视觉皮层比静态VI。此外，群集分散的VI比群集聚集的VI在前额叶皮层上显示出更高的β-PSD。
2021-12-14 cs.HC
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
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
Boosted Convolutional Neural Networks for Motor Imagery EEG Decoding with Multiwavelet-based Time-Frequency Conditional Granger Causality Analysis
Beihang University（北京航空航天大学）；The University of Sheffield（谢菲尔德大学）
由于感知决策过程的非平稳性，对不同心理状态的脑电信号进行解码是脑机接口的一项挑战性任务。提出了一种基于多小波时频因果分析的运动想象脑电信号增强型卷积神经网络（ConvNets）解码方法。首先将多小波基函数与Geweke谱测度相结合，得到高分辨率的TF-条件Granger因果关系（CGC）表示，并采用正则化正交前向回归（ROFR）算法检测具有良好泛化性能的简约模型.基于α波段多通道脑电信号的TF-CGC分布，设计了保留时间、频率和连通性位置信息的网络输入因果图。通过使用时空卷积以及深度学习的进步，包括裁剪和提升方法，进一步构建了提升的ConvNets，以提取判别因果关系特征并对MI任务进行分类。我们提出的方法优于竞争优胜者算法的平均准确性增加了12.15%，相关的受试者间标准差减少了74.02%，对于BCI竞争-IV测试-IIa的相同的二进制分类。实验结果表明，基于因果关系图像的增强型ConvNets能够很好地解码MI-EEG信号，为开发MI-BCI系统提供了一个很有前途的框架。
2018-10-22 cs.CV cs.HC
I see artifacts: ICA-based EEG artifact removal does not improve deep network decoding across three BCI tasks
Technical University Wien（维也纳工业大学）；Korea University（高丽大学）
本文研究了基于独立成分（IC）的噪声去除方法在不同任务数据集中的神经网络分类器解码效果，发现IC基噪声去除对解码性能提升有限，尤其在计算资源消耗方面显著。
2026-05-07 cs.HC
Decoding Continual Muscle Movements Related to Complex Hand Grasping from EEG Signals
脑机接口（Brain-computer interface，BCI）是一种从脑电信号中解码运动执行（motor execution，ME）或运动想象（motor imagination，MI）来解释用户意图的实用途径。然而，开发由ME或MI驱动的BCI系统是具有挑战性的，特别是在包含连续和复合肌肉运动的情况下。本研究分析了ME和MI范式下的三种抓握动作。我们还研究了离线和伪在线实验中的分类性能。我们提出了一种新的方法，使用肌肉活动模式（MAP）图像的卷积神经网络（CNN），以提高分类精度。我们同时记录EEG和肌电图（EMG）信号，并通过解码这两个信号来创建MAP图像，以估计特定的手抓握。结果，我们获得了ME的平均分类准确率为63.6（$\pm$ 6.7）%，MI的平均分类准确率为45.8（$\pm$ 4.4）%。此外，我们进行了伪在线实验，并获得了60.5（$\pm$ 8.4）%，在ME和42.7（$\pm$ 6.8）%，在MI的分类准确率。所提出的方法MAP-CNN即使在伪在线实验中也表现出稳定的分类性能。我们希望MAP-CNN在未来可以用于各种BCI应用。
2021-12-15 cs.HC
State-Flow Coordinated Representation for MI-EEG 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）
本文提出StaFlowNet，通过分离和协调状态与流信息提升运动想象-EEG解码性能，实验表明其在三个公开数据集上均优于现有方法。
2026-04-09 cs.HC
AFPM: Alignment-based Frame Patch Modeling for Cross-Dataset EEG Decoding
Key Laboratory of the Ministry of Education for Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（教育部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）；Zhongguancun Academy（中关村学院）
提出即插即用的免校准跨数据集EEG解码框架AFPM，通过空间对齐与帧块编码解决通道不一致等问题，在运动想象和事件相关电位任务上性能优于17种SOTA方法，显著提升BCI实用性。
2025-07-16 cs.HC cs.IR cs.LG
Fast SSVEP Detection Using a Calibration-Free EEG Decoding Framework
提出一种免校准的EEG信号解码框架用于快速SSVEP检测，结合数据增强、紧凑全连接架构与自适应频域去噪模块，在三个公开数据集上以更少参数和推理时间实现显著更高的分类准确率。
2025-06-02 cs.HC
Improving Continuous Grasp Force Decoding from EEG with Time-Frequency Regressors and Premotor-Parietal Network Integration
提出EEGForceMap方法，通过分离前运动-顶叶区域EEG信号并构建时频特征集，结合多种回归器在WAY-EEG-GAL数据集上实现连续抓握力解码，性能显著提升。
2025-08-11 cs.HC
The signature of robot action success in EEG signals of a human observer: Decoding and visualization using deep convolutional neural networks
Albert-Ludwigs-University Freiburg（弗莱堡阿尔伯特-路德维希大学）；University Medical Center Freiburg（弗莱堡大学医学中心）
机器人辅助设备在我们的工作和日常生活中的重要性越来越大。涉及机器人和人类的合作场景需要安全的人机交互。这里的一个重要方面是机器人错误的管理，包括快速准确的在线机器人错误检测和纠正。分析来自与机器人交互的人类的大脑信号可能有助于识别机器人错误，但这种分析的准确性仍有很大的改进空间。在本文中，我们评估是否一种新的框架的基础上，深度卷积神经网络（深度ConvNets）可以提高解码机器人错误的准确性从EEG的人类观察者，无论是在一个对象的抓取和倾倒任务。我们发现，深度ConvNets达到了比正则化线性判别分析（rLDA）和滤波器组共同空间模式（FB-CSP）与rLDA相结合的更高的准确率，这两种方法都被广泛使用。深度ConvNets在错误与正确试验的解码中达到了75% +/-9%，rLDA 65% +/- 10%和FB-CSP + rLDA 63% +/- 6%的平均准确率。通过ConvNets学习的时域EEG特征的可视化来解码错误，揭示了反映两种实验范式之间差异的时空模式。在所有受试者中，ConvNet解码准确度与rLDA获得的准确度显著相关，但与CSP无关，这表明在目前的情况下，ConvNet表现得更像“rLDA”（但始终更好），而在之前的解码研究中，另一项任务但相同的ConvNet架构，它被发现表现得更像“CSP”。因此，我们的研究结果为以下假设提供了进一步的支持：深度ConvNet…
2017-11-16 cs.HC cs.LG cs.RO
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
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
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
EEGForceFusion: Joint Tokenised-Continuous Representation Learning for Subject-Independent Grasp Force Decoding
IIT Gandhinagar（印度理工学院甘地纳格尔分校）
研究针对连续抓握力解码难题，提出混合EEG解码框架，联合建模连续和令牌化表示，集成多种技术于统一架构，实验表明该方法在WAY-EEG-GAL数据集上跨主体泛化能力强，适用于实时力解码。
2026-07-28 cs.AI cs.ET cs.HC
Hierarchic-EEG2Text: Assessing EEG-To-Text Decoding across Hierarchical Abstraction Levels
IIT Gandhinagar（印度冈德辛加尔理工学院）；NIMH, NIH（国家卫生研究院神经精神疾病研究所）
本研究提出分层EEG2Text方法，通过多级抽象层级评估EEG到文本解码，揭示抽象深度对分类性能的影响。
2026-02-24 cs.HC cs.LG eess.SP
Decoding Natural Images from EEG for Object Recognition
Tsinghua University（清华大学）；Institute of Semiconductors, CAS（中国科学院半导体研究所）
提出自监督EEG-图像对比学习框架，从脑电响应学习图像表征，在200类零样本目标识别中取得显著高于随机水平的结果，并验证其神经生物学合理性。
2024-04-04 cs.AI cs.HC eess.SP
EEGSN: Towards Efficient Low-latency Decoding of EEG with Graph Spiking Neural Networks
本文提出图脉冲神经网络EEGSN，通过学习多通道EEG传感器间的动态关系，在保持运动执行分类准确率的同时，将推理计算复杂度较现有SNN降低20倍，适用于低延迟低功耗实时应用。
2023-04-18 cs.AI cs.HC cs.LG
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
Visual Neural Decoding via Improved Visual-EEG Semantic Consistency
School of Computer Science and Technique, Tongji University（同济大学计算机科学与技术学院）；Shanghai Eye Disease Prevention and Treatment Center（上海市眼病防治中心）；Helen and John C. Hartmann Department of Electrical and Computer Engineering, New Jersey Institute of Technology（新泽西理工学院Helen and John C. Hartmann电气与计算机工程系）
本文提出视觉-脑电联合语义空间及两种新方法，提升跨模态表示的一致性，验证了在大规模视觉-脑电数据集上的有效性，提升了解码性能。
2026-04-01 cs.CV cs.HC
Decoding Event-related Potential from Ear-EEG Signals based on Ensemble Convolutional Neural Networks in Ambulatory Environment
Korea University（高丽大学）
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，当用户运动时，脑电信号会受到运动伪影和肌电信号的影响而发生畸变，这给用户的意图识别带来了困难。此外，由于硬件问题也是一个挑战，耳-脑电已被开发为实用的脑机接口，并已被广泛使用。本文提出了基于集成的卷积神经网络，并从统计分析和脑机接口性能两个方面分析了动态环境下头皮和耳脑电的视觉事件相关电位反应。当以1.6 m/s的速度快速行走时，脑机接口性能下降3-14%。所提出的方法显示，在0.728的平均曲线下面积。该方法对动态环境和不平衡数据具有很好的鲁棒性。
2021-03-03 cs.AI cs.HC
Decoding Workload and Agreement From EEG During Spoken Dialogue With Conversational AI
Chair of Neuroadaptive Human--Computer Interaction（神经适应性人机交互教授席位）；Brandenburg Technical University Cottbus--Senftenberg（勃兰登堡技术大学库滕堡-森芬根堡分校）；Auryal GmbH（Auryal公司）；Cottbus, Germany（库滕堡，德国）
本文提出通过EEG解码语音对话中的工作负荷与共识，验证了现有分类器在对话场景中的迁移能力，并探讨了其应用限制。
2026-02-02 cs.AI cs.HC
Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model
Korea University（高丽大学）
针对EEG数据集中存在噪声数据影响模型泛化能力的问题，提出一种基于数据影响评估指标的数据集精炼算法，通过移除噪声数据有效提升了深度学习模型在EEG领域的泛化性能。
2024-10-31 cs.AI cs.HC cs.LG
EEG-Fusion: Failure-Informed Source-Free Expert Routing for Robust Motor Imagery EEG Decoding
New York University (NYU)（纽约大学）
EEG-Fusion提出无标签可靠性估计的决策级融合框架，通过可靠性门控路由专家，在无源运动想象脑电解码中显著提升宏F1并降低崩溃风险。
2026-09-29 cs.AI cs.HC cs.LG
CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Sun Yat-sen University（中山大学）；The Chinese University of Hong Kong（香港中文大学）；Karlsruher Institut fur Technologie（卡尔斯鲁厄理工学院）
提出跨尺度时空脑基础模型CSBrain，通过CST和SSA交替堆叠整合多尺度时空依赖，在16个数据集的11项EEG任务上显著优于基线，确立了跨尺度建模的关键作用。
2025-06-29 cs.HC cs.LG eess.SP
