脑机接口 / BCI

xEEGNet: Towards Explainable AI in EEG Dementia Classification

xEEGNet：迈向EEG痴呆分类中的可解释人工智能

Andrea Zanola, Louis Fabrice Tshimanga, Federico Del Pup, Marco Baiesi, Manfredo Atzori

机构 * Department of Neuroscience, University of Padua（帕多瓦大学神经科学系） ； Padua Neuroscience Center（帕多瓦神经科学中心） ； Department of Information Engineering, University of Padua（帕多瓦大学信息工程系） ； Department of Physics and Astronomy, University of Padua（帕多瓦大学物理与天文学系） ； Information Systems Institute, University of Applied Sciences Western Switzerland (HES-SO Valais)（瑞士西部应用科学大学信息系统研究所） 纠错

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

AI总结 xEEGNet通过减少参数和提升可解释性，在EEG痴呆分类中实现了高性能和低过拟合，展示了小型架构的有效性。

Journal ref J. Neural Eng. 22, 046042 (2025)

MapperEEG: A Topological Approach to Brain State Clustering in EEG Recordings

MapperEEG: 一种基于拓扑学的脑状态聚类方法用于EEG记录

Brittany Story, Zhibin Zhou, Ramesh Srinivasan, Scott Kerick, David Boothe, Piotr J. Franaszczuk

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 MapperEEG结合经典EEG分析与拓扑学方法，有效实现脑状态聚类，优于多种现有算法。

A Convolutional Framework for Mapping Imagined Auditory MEG into Listened Brain Responses

基于卷积的将想象的听觉MEG映射到听觉脑响应的框架

Maryam Maghsoudi, Mohsen Rezaeizadeh, Shihab Shamma

机构 * Electrical and Computer Engineering Department, University of Maryland, College Park, MD（大学电气与计算机工程系，马里兰州大学，College Park） 纠错

专题命中 神经信号处理 ：brain-computer interface(abstract)；分类 eess.SP、cs.LG

AI总结 本文提出了一种基于卷积的框架，将想象的听觉MEG信号映射到听觉脑响应，通过群体层面的编码器-解码器网络实现了稳定的泛化性能。

Covariance Scattering Transforms

协方差散射变换

Andrea Cavallo, Ayushman Raghuvanshi, Sundeep Prabhakar Chepuri, Elvin Isufi

专题命中 神经信号处理 ：cortical(abstract)；分类 cs.LG

AI总结 协方差散射变换通过在协方差谱中局部化的滤波器生成稳定的层次表示，无需训练即可在低样本情况下实现高效的预测性能。

Response function as a quantitative measure of consciousness in brain dynamics

响应函数作为大脑动力学中意识的定量度量

Wenkang Du, Haiping Huang

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 本研究通过分析大脑动力学，发现神经响应函数的幅度可作为意识状态的定量指标，揭示临界性在维持灵活脑活动中的作用。

Comments 21 pages, 9 figures, revised manuscript to PRR

Journal ref Phys. Rev. Research 7, 043249 (2025)