脑机接口 / BCI

Graph-Guided Structured Recovery of Modulo EEG Signals

图引导的模脑电图信号结构化恢复

Soujanya Hazra, Sanjay Ghosh

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

AI总结 针对模EEG信号恢复的不适定逆问题，提出结合相位感知特征、图-时间建模与结构化折叠状态解码的框架，通过边界引导门控技术提升折叠事件附近的推理性能，在多数据集多阈值下验证了恢复效果。

Comments Under review

Beyond Flickering: Introducing Code-Modulated Motion Visual Evoked Potentials for Brain-Computer Interfacing

超越闪烁：引入代码调制运动视觉诱发电位用于脑机接口

Hanneke Scheppink, Rainer Herpers, Jordy Thielen, Ivan Volosyak

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

AI总结 本文提出了一种基于运动刺激的代码调制运动视觉诱发电位(c-MVEP)用于脑机接口，通过对比不同刺激方式的性能，展示了其在信号质量和应用潜力上的优势。

Comments Author Accepted Manuscript. Published in Frontiers in Neuroergonomics

Deep Models, Shallow Alignment: Uncovering the Granularity Mismatch in Neural Decoding

深度模型，浅层对齐：揭示神经解码中的粒度不匹配

Yang Du, Siyuan Dai, Yonghao Song, Paul M. Thompson, Haoteng Tang, Liang Zhan

机构 * Dept. of Electrical & Computer Engineering, University of Pittsburgh, USA（宾夕法尼亚大学电气与计算机工程系） ； Dept. of Biomedical Engineering, Tsinghua University, China（清华大学生物医学工程系） ； Dept. of Neurology, University of Southern California, USA（美国南加州大学神经病学系） ； Dept. of Computer Science, University of Texas Rio Grande Valley, USA（德克萨斯理工大学里奥格兰德谷分校计算机科学系） 纠错

专题命中 神经信号处理 ：neural decoding(title,abstract)；brain-computer interface(abstract)；EEG(abstract)；neural signal(abstract)

AI总结 本文提出浅层对齐方法，通过对比学习策略解决神经解码中的粒度不匹配问题，显著提升解码性能。

Comments 33 pages, 16 figures

CORTET: Robust generation of simulation-ready tetrahedral meshes of the fetal cerebral cortex

CORTET：稳健生成可用于模拟的皮质网格

Davood Shahsavari, Irina Grigorescu, Katherine R. Long, Jiaxin Xiao, Kaili Liang, Nashira Baena, Aakash Saboo, Saga N.B. Masui, Yourong Guo, Vanessa Kyriakopoulou, Alena Uus, Martin J. Bishop, Emma C. Robinson

专题命中 神经信号处理 ：cortical(abstract)

AI总结 研究针对人类大脑褶皱差异影响神经发育障碍成像生物标志物寻找的问题，提出CORTET全自动管道，将皮质表面转换为高质量四面体网格，经与通用网格划分器对比及多胎儿受试者验证，实现数值稳定的胎儿大脑形态弹性折叠模拟。

SPD Matrix Learning for Neuroimaging Analysis: Perspectives, Methods, and Challenges

神经影像分析中的SPD矩阵学习：视角、方法与挑战

Ce Ju, Reinmar Kobler, Antoine Collas, Motoaki Kawanabe, Cuntai Guan, Bertrand Thirion

机构 * Inria（法国国家信息与自动化研究所） ； CEA（法国国家原子能与替代能源委员会） ； Université Paris-Saclay（巴黎萨克雷大学） ； Advanced Telecommunications Research Institute International (ATR)（国际先进电信研究机构） ； RIKEN Artificial Intelligence Project（理化学研究所人工智能项目） ； College of Computing and Data Science (CCDS) and Centre of AI in Medicine (C-AIM)（计算与数据科学学院和医学人工智能中心） 纠错

专题命中 其他BCI ：brain-computer interface(abstract)；分类 q-bio.NC、cs.LG

AI总结 本文提出SPD矩阵学习作为神经影像分析的新方法，通过统一视角整合多种模态数据，结合几何统计与AI技术，解决传统分析与新兴AI范式之间的桥梁问题。

Comments 18 pages, 2 figures, 2 tables; This work was accepted for publication in IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) in 2026. Copyright may be transferred without notice, after which this version may no longer be accessible