脑机接口 / BCI

Personalized Spiking Neural Networks with Ferroelectric Synapses for EEG Signal Processing

具有铁电突触的个性化脉冲神经网络用于EEG信号处理

Nikhil Garg, Anxiong Song, Niklas Plessnig, Nathan Savoia, Laura Bégon-Lours

机构 * Integrated Systems Laboratory, Department of Information Technology and Electrical Engineering, ETH Zürich（集成系统实验室，信息科技与电气工程系，苏黎世联邦理工学院） 纠错

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

AI总结 本文提出利用铁电突触实现个性化EEG信号处理，通过设备感知训练和权重迁移策略，在资源受限平台实现高效自适应SNN解码。

EEG-to-fMRI synthesis of task-evoked and spontaneous brain activity: addressing issues of statistical significance and generalizability

从EEG到fMRI的合成：解决统计显著性和泛化性问题

Neil Mehta, Ines Goncalves, Alberto Montagna, Mathis Fleury, Gustavo Caetano, Ines Esteves, Athanasios Vourvopoulos, Pulkit Grover, Patricia Figueiredo

机构 * Institute for Systems and Robotics – Lisboa and Department of Bioengineering, Instituto Superior Técnico, Universidade de Lisboa, Portugal（里斯本系统与机器人研究所及生物工程系，里斯本技术学院，里斯本大学，葡萄牙） ； Electrical and Computer Engineering Department, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；分类 q-bio.NC、cs.LG

AI总结 本文探讨了EEG到fMRI合成中统计显著性和泛化性问题，通过训练分布式滞后线性模型，展示了EEG在预测任务诱发和自发脑活动中的有效性，但发现训练数据不同会话时预测能力下降。

Cross-Modal Computational Model of Brain-Heart Interactions via HRV and EEG Feature

通过HRV和EEG特征实现脑心交互的跨模态计算模型

Malavika Pradeep, Akshay Sasi, Nusaibah Farrukh, Rahul Venugopal, Elizabeth Sherly

机构 * Digital University Kerala（德里大学凯拉尔） ； Centre for Consciousness Studies, NIMHANS（意识研究学院，NIMHANS） 纠错

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

AI总结 本研究通过ECG和EEG特征构建跨模态模型，探索ECG信号作为认知负荷替代指标的可能性，并利用合成数据提升模型鲁棒性。

Comments 6 pages, 2 figures, Code available at: https://github.com/Malavika-pradeep/Computational-model-for-Brain-heart-Interaction-Analysis. Presented at AIHC (not published)

Gamma2Patterns: Deep Cognitive Attention Region Identification and Gamma-Alpha Pattern Analysis

Gamma2Patterns: 深度认知注意力区域识别与伽马-阿尔法模式分析

Sobhana Jahan, Saydul Akbar Murad, Nick Rahimi, Noorbakhsh Amiri Golilarz

机构 * 1Department of Computer Science, The University of Alabama, Tuscaloosa, AL, USA ； 2School of Computing Sciences \& Computer Engineering, University of Southern Mississippi, Hattiesburg, MS, USA Email 纠错

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

AI总结 Gamma2Patterns通过多模式分析揭示深度注意力的神经区域和振荡特征，为人工智能系统中的注意力机制提供神经生理学基础。

Contextual Discrepancy-Aware Contrastive Learning for Robust Medical Time Series Diagnosis in Small-Sample Scenarios

基于上下文差异的对比学习：用于小样本场景下稳健的医学时间序列诊断

Kaito Tanaka, Aya Nakayama, Masato Ito, Yuji Nishimura, Keisuke Matsuda

机构 * SANNO University（SANNO大学） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 CoDAC通过上下文差异估计器和动态多视图对比框架，提升小样本场景下医学时间序列诊断的准确性和泛化能力。

Explainability of Complex AI Models with Correlation Impact Ratio

复杂AI模型的可解释性与相关性影响比

Poushali Sengupta, Rabindra Khadka, Sabita Maharjan, Frank Eliassen, Yan Zhang, Shashi Raj Pandey, Pedro G. Lind, Anis Yazidi

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 ExCIR是一种基于相关性影响比的可解释性度量方法，通过轻量级单次通过公式捕捉相关特征依赖性，实现高效且稳定的特征解释，适用于多输出和类条件场景。

A Synoptic Review of High-Frequency Oscillations as a Biomarker in Neurodegenerative Disease

对高频率振荡作为神经退行性疾病生物标记物的综述

Samin Yaser, Mahad Ali, Yang Jiang, Phuc Nguyen, Jing Xiang, Laura J. Brattain

专题命中 EEG解码 ：EEG(abstract)；分类 eess.SP

AI总结 本文综述了HFOs在神经退行性疾病中的应用，分析了公开数据集并揭示了方法学异质性，为HFOs作为生物标记物的研究提供了指导。