脑机接口 / BCI

BrainRVQ: A High-Fidelity EEG Foundation Model via Dual-Domain Residual Quantization and Hierarchical Autoregression

BrainRVQ: 一种通过双域残差量化和分层自回归的高保真EEG基础模型

Mingzhe Cui, Tao Chen, Yang Jiao, Yiqin Wang, Lei Xie, Yi Pan, Luca Mainardi

机构 * State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou, China（浙江大学工业控制技术状态重点实验室） ； Department of Electronics, Information and Bioengineering, Politecnico di Milano, Milan, Italy（米兰理工学院电子、信息与生物工程系） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China（中国科学院深圳先进技术研究所） 纠错

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

AI总结 BrainRVQ通过双域残差量化和分层自回归方法，实现了对EEG信号的高保真基础模型，有效提升了细粒度神经表示的学习能力。

Learning under noisy supervision is governed by a feedback-truth gap

在噪声监督下学习由反馈-真相差距所支配

Elan Schonfeld, Elias Wisnia

机构 * Columbia University（哥伦比亚大学） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 研究揭示在噪声监督下学习受反馈-真相差距约束，不同系统通过不同机制调节该差距，影响学习效果。

Comments 33 pages, 5 figures, 10 extended data figures, 4 extended data tables; 10-page supplementary information

Omni-iEEG: A Large-Scale, Comprehensive iEEG Dataset and Benchmark for Epilepsy Research

Omni-iEEG：一个大规模、全面的iEEG数据集和癫痫研究基准

Chenda Duan, Yipeng Zhang, Sotaro Kanai, Yuanyi Ding, Atsuro Daida, Pengyue Yu, Tiancheng Zheng, Naoto Kuroda, Shaun A. Hussain, Eishi Asano, Hiroki Nariai, Vwani Roychowdhury

机构 * UCLA Samueli School of Engineering（UCLA 工程学院） ； UCLA Mattel Children’s Hospital, David Geffen School of Medicine（UCLA 马特尔儿童医院，大卫·格芬医学院） ； Children’s Hospital of Michigan, Wayne State University School of Medicine（密歇根儿童医院，韦恩州立大学医学院） 纠错

专题命中 BCI数据与评测 ：EEG(abstract)；分类 q-bio.NC、cs.LG

AI总结 Omni-iEEG提供了一个大规模的iEEG数据集和基准，用于癫痫研究，包含302名患者178小时的高分辨率记录及36000个专家验证的病理事件注释，旨在提升癫痫研究的可重复性和临床相关性。

Comments Published as a conference paper at ICLR 2026

CAFE: Channel-Autoregressive Factorized Encoding for Robust Biosignal Spatial Super-Resolution

CAFE: 通道自回归因子化编码用于鲁棒生物信号空间超分辨率

Hongjun Liu, Leyu Zhou, Zijianghao Yang, Rujun Han, Shitong Duan, Kuanjian Tang, Chao Yao

专题命中 其他BCI ：neural decoding(abstract)

AI总结 CAFE通过自回归因子化编码实现生物信号空间超分辨率，利用几何对齐阶段逐步重建布线，提升低密度观测下的鲁棒性与重建性能。