脑机接口 / BCI

Volume-Surface-Wire Integral Equations for EEG Source Imaging

用于EEG源成像的体积-表面-导线积分方程

Paolo Ricci, Maxime Monin, Alessandro Mascherin, Adrien Merlini, Francesco P. Andriulli

专题命中 EEG解码 ：EEG(title,title_cn)；cortical(abstract)

AI总结 该研究提出基于混合体积-表面-导线积分公式的EEG源成像框架，可实现白质各向异性贡献的神经束感知建模，与FEM参考解吻合度高，兼具鲁棒定位性能与交互式可视化能力。

Comments 15 pages, 7 figures

ViTexSZ: Heterogeneous Vision-Text Knowledge Distillation for EEG Seizure Detection

ViTexSZ：用于脑电图癫痫发作检测的异构视觉-文本知识蒸馏框架

Chenxi Liu, Mingzhao Li, Yicong Liu, Hao Miao, Hongyuan Zhang, Ziyi Chen, Gaofeng Meng

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 ViTexSZ是用于EEG癫痫发作检测的异构视觉-文本知识蒸馏框架，通过多模态大语言模型对齐异构EEG与临床语义，在四个数据集上实现最高准确率，相对第二优基线提升达12.9%。

ReMAP: Self-supervised learning to unveil brain representations and vulnerability

ReMAP：用于揭示大脑表征与脆弱性的自监督学习

Jade Perdereau, Virginie Loison, Kanssa El Ayeb, Louis Gervais, Melvin Berto Strouc, Fabrice Vallée, Thomas Moreau, Jérôme Cartailler

机构 * AP-HP（巴黎公立医院集团） ； Inserm（法国国家健康与医学研究院） ； Université Paris Cité（巴黎城市大学） ； Université Paris-Saclay（巴黎-萨克雷大学） ； Inria（法国国家信息与自动化研究所） ； CEA（法国原子能和替代能源委员会） ； Sorbonne Université（索邦大学） 纠错

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

AI总结 本研究提出ReMAP自监督学习方法，基于EEG揭示大脑表征与脆弱性，可准确预测麻醉深度，其紧凑模型性能可媲美大规模EEG基础模型，还能关联临床结局与神经生理学特征。

Multisensor Measurement of Train Driver Mental Fatigue: From Simulation to Reality

列车驾驶员精神疲劳的多传感器测量：从模拟到现实

Esther Bosch, Rebecca Kruschka, David Schackmann, Stephanie Hoyer, Wolfgang Kilian, Stefan Schwanitz, Anneke Hamann

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

AI总结 本研究在模拟器与真实铁路环境中，首次部署完整多传感器组测量列车驾驶员精神疲劳，发现HRV和呼吸频率是可靠的运营疲劳监测指标，神经生理指标需进一步验证。

Quantum-Inspired Hybrid Neural Networks for Neural Decoding: A Controlled Ablation Study of Learnable Quantum Sidecar Integration

用于神经解码的量子启发混合神经网络：可学习量子边载集成的受控消融研究

Diana Legziel Levy, Menachem Finkelstein, Peter Chin, Eilon Vaadia, Sarel Cohen

机构 * Reichman University（赖赫曼大学） ； Dartmouth College（达特茅斯学院） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） 纠错

专题命中 神经信号处理 ：neural decoding(title)；分类 cs.LG

AI总结 本研究通过受控消融实验，探究将PQCs作为残差边载模块集成到ResNet-50中用于神经解码的效果，发现骨干梯度训练投影的量子边载模型可提升准确率，测量引导训练能改善表征几何，且未实现量子计算优势。

Comments Accepted at the 5th International Workshop on Human Brain and Artificial Intelligence (HBAI 2026), IJCAI-ECAI 2026

An offline approach to fNIRS-guided reinforcement learning for robot behavior

一种用于机器人行为的基于fNIRS引导的强化学习的离线方法

Julia Santaniello, Madelaine Brower, Benson Jiang, Donatello Sassaroli, Chenyuan Zhang, Robert Jacob, Jivko Sinapov

专题命中 神经信号处理 ：BCI(abstract)；neural signal(abstract)；分类 cs.RO

AI总结 研究利用fNIRS脑信号调节机器人模拟学习的可行性，比较不同交互任务训练的智能体，测试多种增强强化学习算法的方法，发现该框架能有效利用神经信号增强学习，还可离线学习，为特定场景提供替代方案。

Comments Preliminary results

Dendritic structure enables powerful plasticity

树突结构可实现强大的可塑性

Ben von Hünerbein, Federico Benitez, Kevin Max, Julian Göltz, Paul Haider, Simon Brandt, Arno Granier, Timo Gierlich, Jakob Jordan, Katharina A. Wilmes, Jean-Pascal Pfister, Walter Senn, Mihai A. Petrovici

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

AI总结 该研究聚焦树突结构对突触可塑性的影响，提出神经元区室化可让突触计算误差信号，通过梯度下降实现局部深度学习，能学习比全局赫布可塑性更复杂的任务。

Comments 30 pages, 4 figures, 3 boxes

Divisive Normalization Shapes Low-Rank Slow Manifolds for Continuous Working Memory

归一化分裂塑造连续工作记忆的低秩慢流形

Zhaotian Gu, Jie Su, Weiwei Wang, Chang Liu, Tianyi Qian, Dahui Wang

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

AI总结 本文提出循环归一化分裂网络（RDNN），通过动力学分析和BPTT梯度分析，证明归一化分裂可使网络形成稳健低秩慢流形，防止时变输入下的流形破碎，是学习高保真连续表示的关键机制。

Comments Published in Transactions on Machine Learning Research (08/2026)

Cross-Subject Generalization in Decoding Perceived Speech from Non-Invasive Brain Recordings

从非侵入式脑记录中解码感知语音的跨被试泛化

Aoke Zhang, Bo Wang, Xihong Wu, Heping Cheng, Jing Chen

机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； Academy for Advanced Interdisciplinary Studies, Peking University（北京大学前沿交叉学科研究院） ； National Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） 纠错

专题命中 BCI数据与评测 ：EEG(abstract,abstract_cn)

AI总结 该研究提出CPSD框架，结合对比学习、PESA模块等，在三类感知语音数据集上跨被试解码性能优于基线，提升了Top-10准确率。

Comments Submitted to IEEE Transactions on Audio, Speech, and Language Processing (TASLP)

QuantFormer: Learning to Quantize for Neural Activity Forecasting in Mouse Visual Cortex

QuantFormer：用于小鼠视觉皮层神经活动预测的量化学习模型

Salvatore Calcagno, Isaak Kavasidis, Simone Palazzo, Marco Brondi, Luca Sità, Giacomo Turri, Daniela Giordano, Vladimir R. Kostic, Tommaso Fellin, Massimiliano Pontil, Concetto Spampinato

专题命中 BCI数据与评测 ：neural signal(abstract)；分类 q-bio.NC、eess.SP

AI总结 QuantFormer是一款基于Transformer的模型，通过动态信号量化将神经活动预测转为分类任务，结合神经元特定令牌，在Allen数据集上实现小鼠视觉皮层活动预测的新基准，泛化性能优异。