脑机接口 / BCI

EEG-D3: A Solution to the Hidden Overfitting Problem of Deep Learning Models

EEG-D3: 解决深度学习模型中隐藏过拟合问题的解决方案

Siegfried Ludwig, Stylianos Bakas, Konstantinos Barmpas, Georgios Zoumpourlis, Dimitrios A. Adamos, Nikolaos Laskaris, Yannis Panagakis, Stefanos Zafeiriou

机构 * Department of Computing, Imperial College London（帝国理工学院伦敦分校计算机系） ； School of Informatics, Aristotle University of Thessaloniki（阿尔发大学索拉布斯分校信息学院） ； Department of Informatics and Telecommunications, National and Kapodistrian University of Athens（雅典国家与卡波迪斯蒂亚大学信息与电信系） ； Cogitat Ltd.（Cogitat有限公司） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；BCI(abstract)；motor imagery(abstract)；分类 cs.LG、cs.HC

AI总结 EEG-D3通过解耦解码分解方法，有效分离大脑活动的潜在成分，避免隐藏过拟合问题，提升实际应用中的泛化能力。

CrossPT-EEG: A Benchmark for Cross-Participant and Cross-Time Generalization of EEG-based Visual Decoding

CrossPT-EEG: 一个用于EEG视觉解码跨受试者和跨时间泛化的基准

Shuqi Zhu, Ziyi Ye, Qingyao Ai, Yiqun Liu

机构 * Department of Computer Science and Technology（计算机科学与技术系） 纠错

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

AI总结 CrossPT-EEG通过跨受试者和跨时间泛化的EEG视觉解码基准，提升脑机接口和视觉感知研究

Towards Automated EEG-Based Epilepsy Detection Using Deep Convolutional Autoencoders

基于深度卷积自编码器的自动脑电图癫痫检测方法

Annika Stiehl, Nicolas Weeger, Christian Uhl, Dominic Bechtold, Nicole Ille, Stefan Geißelsöder

专题命中 EEG解码 ：EEG(title,abstract)；分类 eess.SP

AI总结 本文提出基于深度卷积自编码器的自动脑电图癫痫检测方法，通过结合时间和频率损失提升EEG信号重建性能，验证了深度学习在处理EEG数据时对频域信息的捕捉能力。

Comments \c{opyright} 2025 IEEE in 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) 2025

Weighted Group Lasso for a static EEG problem

加权群Lasso用于静态EEG问题

Ole Løseth Elvetun, Bjørn Fredrik Nielsen, Niranjana Sudheer

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文提出加权群Lasso方法用于静态EEG问题，通过有效缓解深度和方向偏差，提升神经活动重建的精度和生理合理性。

TF-MCL: Time-frequency Fusion and Multi-domain Cross-Loss for Self-supervised Depression Detection

TF-MCL：时间频率融合与多领域交叉损失用于自监督抑郁症检测

Li-Xuan Zhao, Chen-Yang Xu, Wen-Qiang Li, Bo Wang, Rong-Xing Wei, Qing-Hao Menga

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 TF-MCL通过时间频率融合和多领域交叉损失提升自监督抑郁症检测的准确性

Federated Few-Shot Learning for Epileptic Seizure Detection Under Privacy Constraints

在隐私约束下用于癫痫发作检测的联邦少样本学习

Ekaterina Sysoykova, Bernhard Anzengruber-Tanase, Michael Haslgrubler, Philipp Seidl, Alois Ferscha

机构 * Pro2Future GmbH（Pro2Future公司） ； Institute for Machine Learning（机器学习研究所） ； Johannes Kepler University（约瑟夫·约瑟夫·凯普勒大学） ； Institute of Pervasive Computing（普及计算研究所） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 本文提出了一种联邦少样本学习框架，用于在隐私约束下实现个性化EEG癫痫发作检测，通过两阶段方法提升模型性能。

Comments 12 pages