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。