脑机接口 / BCI

Local-Global Feature Fusion for Subject-Independent EEG Emotion Recognition

局部-全局特征融合用于受试者无关的EEG情绪识别

Zheng Zhou, Isabella McEvoy, Camilo E. Valderrama

机构 * Computer Science and Technology（计算机科学与技术） ； Beijing Jiaotong University（北京交通大学） ； Applied Computer Science（应用计算机科学） ； The University of Winnipeg（温尼伯大学） 纠错

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

AI总结 本文提出局部-全局特征融合框架，通过双分支Transformer提升EEG情绪识别的跨受试者泛化能力，实现7类情绪识别约40%的准确率。

Comments 7 pages, 5 figures, EMBC 2026

Affect and Effect: Limitations of regularisation-based continual learning in EEG-based emotion classification

情感与影响：基于EEG情感分类的正则化连续学习的局限性

Nina Peire, Yupei Li, Björn Schuller

机构 * Imperial College London（帝国理工学院伦敦分校） 纠错

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

AI总结 本研究发现基于正则化的连续学习方法在EEG情感分类中存在局限性，主要由于稳定性与可塑性之间的权衡问题。

Comments 20 pages, 16 figures, not including Appendix. Code can be found at: https://github.com/glam-imperial/AffectEffect

WaveNet's Precision in EEG Classification

WaveNet在EEG分类中的精度

Casper van Laar, Khubaib Ahmed

机构 * University of Wolverhampton（沃林厄姆大学） 纠错

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

AI总结 WaveNet模型在EEG信号分类中表现出高精度，有效区分噪声和伪影，同时在生理与病理性信号分类中实现较高F1分数，但需进一步验证其泛化能力。

Comments 6 pages, 5 figures and 3 tables. Includes main text and bibliography

EEG Brain mapping based on the Duffing oscillator

基于杜芬振子的EEG脑图谱

Mahmut Akilli, Nazmi Yilmaz

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本研究提出基于杜芬振子的EEG脑图谱方法，通过检测弱信号频率分布构建脑活动拓扑图，相较于传统方法更精确地反映脑激活状态。

Bi-cephalic self-attended model to classify Parkinson's disease patients with freezing of gait

双头自注意力模型用于分类帕金森病患者冻结步态

Shomoita Jahid Mitin, Rodrigue Rizk, Maximilian Scherer, Thomas Koeglsperger, Daniel Lench, KC Santosh, Arun Singh

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 本研究提出双头自注意力模型，通过结合EEG信号与描述性特征，实现对帕金森病患者冻结步态的高效分类。

Comments 39 pages, 9254 words, 4 figures, 4 tables, European Journal of Neuroscience: Special edition FOG

E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis

E²-LLM：连接神经信号与可解释的情感分析

Fei Ma, Han Lin, Yifan Xie, Hongwei Ren, Xiaoyu Shen, Wenbo Ding, Qi Tian

机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Eastern Institute of Technology（东方技术研究所） ； Huawei（华为） 纠错

专题命中 神经信号处理 ：neural signal(title,abstract)；EEG(abstract)；分类 cs.LG

AI总结 E²-LLM通过整合预训练EEG编码器与Qwen-based LLM，实现了可解释的情绪分析，展示了模型扩展在情感识别和可解释性上的优势。

Comments 11 pages

An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease

可解释的生成多模态神经影像-基因组框架用于解码阿尔茨海默病

Giorgio Dolci, Federica Cruciani, Md Abdur Rahaman, Anees Abrol, Jiayu Chen, Zening Fu, Ilaria Boscolo Galazzo, Gloria Menegaz, Vince D. Calhoun

机构 * Department of Computer Science, University of Verona（威尼斯大学计算机科学系） ； Department of Engineering for Innovation Medicine, University of Verona（威尼斯大学创新医学工程系） ； Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS), Georgia State University, Georgia Institute of Technology, Emory University（神经影像与数据科学转化研究三机构中心（TReNDS），佐治亚州立大学，佐治亚理工学院，埃默里大学） 纠错

专题命中 神经信号处理 ：cortical(abstract)

AI总结 本文提出了一种可解释的生成多模态神经影像-基因组框架，用于解码阿尔茨海默病，通过多模态数据和单核苷酸多态性实现AD检测和MCI预测，并揭示了与疾病相关的生物学机制。

Comments 33 pages, 8 figures (main text + supplementary materials), submitted to a journal

Journal ref J. Neural Eng. 22 056021 (2025)