脑机接口 / BCI

Rectifying Geometric Misalignment: Online Source-Free Adaptation for Class-Imbalanced EEG

校正几何错位：针对类别不平衡脑电图的无在线源适配

Shiwen Chu, Shanglin Li, Motoaki Kawanabe, Reinmar Kobler

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

AI总结 针对类别不平衡脑电图的在线源适配问题，提出OSPDIM框架，通过流形约束偏置参数的实时优化校正几何错位，在运动想象数据集上显著优于标准黎曼基线。

Comments Accepted at EUSIPCO 2026

Complexity and Stability of Neural Activity Across Aging and Neurodegenerative Disease

衰老与神经退行性疾病中神经活动的复杂性与稳定性

Junjie Yu, Jianyu Zhang, Zian Pei, Xue Shi, Yumei Liu, Xin Jiang, Quanying Liu, Yi Guo

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

AI总结 该研究以EEG为对象，用Wasserstein距离和内在维度分别量化神经活动的稳定性与复杂性，发现健康衰老、轻度认知障碍及阿尔茨海默病的神经表征稳定性与复杂性存在特征性变化，为相关研究提供了新框架。

A Modular Workflow for Multimodal Reading Experiments

多模态阅读实验的模块化工作流程

Thomas Krämer, Thomas Kosch, Dagmar Kern, Daniel Hienert

专题命中 EEG解码 ：EEG(summary_cn,abstract)；分类 cs.HC

AI总结 该研究提出一种基于网络的模块化工作流程，整合眼动、EEG等多模态数据，可适配不同实验设置，用于在线阅读的多模态研究，支持生态情境下的实证验证。

Comments In Proceedings of the 30th International Conference on Knowledge-Based and Intelligent Information & Engineering Systems

From Local Learning to Global Prediction Through Layered Surprise Cascades

通过分层惊喜级联从局部学习到全局预测

Andrew L. Smith, Linxing Preston Jiang, Jason K. Eshraghian, Matthew S. Bull, Stefano Recanatesi

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 该研究提出前向-前向算法的循环变体，从局部学习规则产生预测编码关键原则，为神经科学与机器学习搭建新桥梁。

Toward a Dynamical Taxonomy of Insomnia: A Multiaxial Framework for Sleep-State Transitions and Architectural Failure

迈向失眠的动态分类学：睡眠状态转换与结构异常的多轴框架

Alexander Poltorak

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 本研究提出多轴动态框架，以失效的动态运作等为候选特征，用于失眠的分类，其可改善交流、分层与预测，框架为现象学组织模型而非新诊断系统。

Comments 28 pages, 3 figures

Explanations of Large Language Models Explain Language Representations in the Brain

大语言模型的解释可解释大脑中的语言表征

Maryam Rahimi, Mohammad Reza Daliri, Yadollah Yaghoobzadeh

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 该研究探究LLM与脑语言表征对齐的驱动因素，利用XAI的归因方法结合fMRI数据，发现梯度归因可稳健对齐脑活动，且不同层归因的特性与脑区域对齐模式存在差异。

MoDAl: Self-Supervised Neural Modality Discovery via Decorrelation for Speech Neuroprosthesis

MoDAl: 基于去相关的自监督神经模态发现用于语音神经假体

Yuanhao Chen, Peter Chin

机构 * Dartmouth College（达特茅斯学院） 纠错

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

AI总结 提出MoDAl框架，通过对比学习和对齐损失与去相关损失之间的协同作用，从多脑区发现互补神经模态，在Brain-to-Text Benchmark '24上将词错误率从26.3%降至21.6%。

Comments Accepted at ICMI 2026