脑机接口 / BCI

Uncertainty-Aware Cross-Modal Knowledge Distillation with Prototype Learning for Multimodal Brain-Computer Interfaces

具有原型学习的不确定性感知跨模态知识蒸馏用于多模态脑机接口

Hyo-Jeong Jang, Hye-Bin Shin, Seong-Whan Lee

机构 * Department of Brain and Cognitive Engineering, Korea University（脑科学与认知工程系，韩国大学） ； Department of Artificial Intelligence, Korea University（人工智能系，韩国大学） 纠错

专题命中 EEG解码 ：brain-computer interface(title,abstract)；BCI(abstract)；EEG(abstract)；分类 cs.LG、cs.HC

AI总结 本文提出一种具有原型学习的跨模态知识蒸馏框架，通过缓解模态和标签不一致问题，提升多模态脑机接口中EEG的分类和回归性能。

Comments Accepted to SMC 2025

Toward Robust EEG-based Intention Decoding during Misarticulated Speech in Dysarthria

向在口吃性语言障碍中实现鲁棒的EEG基意图解码

Ha-Na Jo, Jung-Sun Lee, Eunyeong Ko

机构 * Dept. of Artificial Intelligence（人工智能系） ； Korea University（韩国大学） 纠错

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

AI总结 本文提出了一种基于EEG的软多任务学习框架，用于在口吃性语言障碍中实现更稳定的意图解码，通过抑制非特定频谱响应和增强类别区分，提高了正确和口吃试验的F1分数。

Quantifying the Dynamics of Consciousness using Hierarchical Integration, Organised Complexity and Metastability

利用分层整合、有序复杂性和 metastability 量化意识的动力学

Hassan Ugail, Newton Howard

专题命中 EEG解码 ：EEG(abstract,comments)；分类 q-bio.NC

AI总结 本文提出一种理论中立的框架，通过分层整合、有序复杂性和 metastability 量化意识相关的神经动态，验证了其在不同脑状态下的有效性。

Comments This paper presents a computational neuroscience framework for quantifying neural integrative dynamics using a composite index. We validate the method on synthetic data and Sleep-EDF EEG across Wake, N2, and REM, using DFA, LZC, PAC, MI, and synchrony measures. Intended for q-bio.NC

Aligning Humans and Robots via Reinforcement Learning from Implicit Human Feedback

通过隐式人类反馈进行人与机器人对齐的强化学习

Suzie Kim, Hye-Bin Shin, Seong-Whan Lee

机构 * Department of Artificial Intelligence, Korea University（人工智能系，韩国大学） ； Department of Brain and Cognitive Engineering, Korea University（脑科学与认知工程系，韩国大学） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.RO

AI总结 通过隐式人类反馈的强化学习方法，利用脑电图信号提升机器人与人类的对齐能力。

Comments Accepted to IEEE Int. Conf. Syst., Man, Cybern. (SMC) 2025