脑机接口 / BCI

NeuroPhysNet: A FitzHugh-Nagumo-Based Physics-Informed Neural Network Framework for Electroencephalograph (EEG) Analysis and Motor Imagery Classification

NeuroPhysNet：一种基于 FitzHugh-Nagumo 模型的物理信息神经网络框架，用于脑电图（EEG）分析和运动想象分类

Zhenyu Xia, Xinlei Huang, Yuantong Gu, Suvash C. Saha

机构 * University of Technology Sydney（新南威尔士大学悉尼分校） ； Queensland University of Technology（昆士兰理工大学） 纠错

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

AI总结 NeuroPhysNet通过整合FitzHugh-Nagumo模型，提升EEG分析和运动想象分类的准确性与鲁棒性，适用于医疗场景中的脑机接口应用和临床诊断。

Comments Here is a revised version of the manuscript, incorporating Prof. Yuantong Gu's contributions to restructuring and revising the manuscript

Mind-to-Face: Neural-Driven Photorealistic Avatar Synthesis via EEG Decoding

Mind-to-Face: 通过解码EEG信号实现神经驱动的逼真虚拟形象合成

Haolin Xiong, Tianwen Fu, Pratusha Bhuvana Prasad, Yunxuan Cai, Haiwei Chen, Wenbin Teng, Hanyuan Xiao, Yajie Zhao

机构 * Institute for Creative Technologies（创意技术研究所） ； University of Southern California（南加州大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；neural signal(abstract)

AI总结 Mind-to-Face通过EEG解码实现神经驱动的逼真虚拟形象合成，能够精准捕捉情绪动态并生成高质量的面部表情。

Comments 16 pages, 11 figures

Convolutional Monge Mapping between EEG Datasets to Support Independent Component Labeling

卷积蒙日映射在EEG数据集之间进行转换以支持独立成分标注

Austin Meek, Carlos H. Mendoza-Cardenas, Austin J. Brockmeier

机构 * Department of Computer and Information Sciences University of Delaware（计算机与信息科学系德克萨斯大学） ； Twitch Interactive Inc.（Twitch互动公司） ； Department of Electrical and Computer Engineering Department of Computer and Information Sciences University of Delaware（电气与计算机工程系计算机与信息科学系德克萨斯大学） 纠错

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

AI总结 本文提出了一种改进的卷积蒙日映射方法，通过两种新方法实现EEG数据集之间的映射，以提高独立成分分类的准确性。

Comments Code available at: https://github.com/cniel-ud/ICWaves; Accepted to NeurIPS 2025 Workshop on Learning from Time Series for Health

Influence of Object Affordance on Action Language Understanding: Evidence from Dynamic Causal Modeling Analysis

对象可操作性对动作语言理解的影响：来自动态因果建模分析的证据

Supriya Bordoloi, Cota Navin Gupta, Shyamanta M. Hazarika

专题命中 EEG解码 ：EEG(abstract)；分类 q-bio.NC

AI总结 本研究通过动态因果建模分析，揭示了运动皮层的可操作性处理如何驱动动作语言理解，通过激活顶叶和颞叶区域。

Comments This work has been submitted to the IEEE Transactions for possible publication

A High-Order Discretization Scheme for Surface Integral Equations for Analyzing the Electroencephalography Forward Problem

一种用于分析脑电图前向问题的高阶表面积分方程离散化方案

Rui Chen, Viviana Giunzioni, Adrien Merlini, Francesco P. Andriulli

专题命中 EEG解码 ：EEG(abstract)

AI总结 本文提出了一种基于Nystrom的高阶离散化方案，用于提高脑电图前向问题的分析精度，通过灵活调整基函数阶数和优化奇异处理技术，提升计算效率和准确性。

Comments 9 pages, 7 figures

Weighted total variation regularization for inverse problems with significant null spaces

加权总变分正则化用于具有显著空空间的反问题

Martin Burger, Ole Løseth Elvetun, Bjørn Fredrik Nielsen

专题命中 EEG解码 ：EEG(abstract)

AI总结 本文提出加权总变分正则化方法，用于解决具有显著空空间的反问题，有效恢复远离边界的源位置和大小。

Limit cycles for speech

语音的极限环

Adamantios I. Gafos, Stephan R. Kuberski

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

AI总结 本研究通过非直观的离散动作表示揭示语音运动中普遍存在的极限环组织，揭示了语音运动底层节奏结构，解决了语音中节奏性和离散性的矛盾。

Memory in neural activity: long-range order without criticality

神经活动中的记忆：无临界点的长程秩序

Jay Sun, Chesson Sipling, Yuan-Hang Zhang, Massimiliano Di Ventra

专题命中 神经信号处理 ：cortical(abstract)

AI总结 该研究通过皮层动力学模型发现，神经活动中的长程秩序可通过记忆作用诱导，无需临界点，且具有鲁棒性。

Comments Main Text: 8 pages, 4 figures; Supplemental Material: 10 pages, 9 figures