脑机接口 / BCI

Operation of a Brain-Computer Interface Walking Simulator by Users with Spinal Cord Injury

Christine E. King, Po T. Wang, Luis A. Chui, An H. Do, Zoran Nenadic

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

Comments 17 pages, 7 figures, 5 tables, supplementary video link (http://www.youtube.com/watch?v=K4Frq9pwAz8)

Decoding Continual Muscle Movements Related to Complex Hand Grasping from EEG Signals

Jeong-Hyun Cho, Byoung-Hee Kwon, Byeong-Hoo Lee, Seong-Whan Lee

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

Comments Submitted to 2022 10th IEEE International Winter Conference on Brain-Computer Interface

A generic framework for adaptive EEG-based BCI training and operation

Jelena Mladenović, Jérémie Mattout, Fabien Lotte

专题命中 EEG解码 ：BCI(title,abstract)；EEG(title,journal_ref)；分类 cs.HC；brain-computer interface(journal_ref)

Journal ref Chapter 33: ''A generic framework for adaptive EEG-based BCI training and operation'' , 1, CRC Press: Taylor \& Francis Group, 2017, Brain-Computer Interfaces Handbook: Technological and Theoretical Advances

Universal BCI Personalization: One API for Frozen EEG Trunks and Foundation Models

通用脑机接口个性化：用于冻结脑电图主干和基础模型的单一应用程序编程接口

Sergey Musienko

机构 * NimbusBCI 纠错

专题命中 EEG解码 ：EEG(title,abstract)；BCI(title)；分类 q-bio.NC、cs.LG、cs.HC

AI总结 研究针对冻结脑电图编码器微调难的问题，提出Nimbus Personalizer，通过与主干无关的API，可在异构冻结主干上运行，在多数据集和基础编码器上验证，相比传统方法成本低且能恢复精度增益，结果具探索性。

Comments 20 pages, 12 figures. Companion paper on the control layer forthcoming

Decoding the Multimodal Mind: Generalizable Brain-to-Text Translation via Multimodal Alignment and Adaptive Routing

解码多模态思维：通过多模态对齐和自适应路由实现可泛化的脑到文本翻译

Chunyu Ye, Yunhao Zhang, Jingyuan Sun, Chong Li, Yang Zhao, Shaonan Wang

机构 * State Key Laboratory of Multimodal Artificial Intelligence System, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系） ； Department of Language Science and Technology, Hong Kong Polytechnic University（香港理工大学语言科学与技术系） 纠错

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

AI总结 该研究针对脑机接口从人脑解码语言的挑战，提出利用多模态大语言模型和路由模块的统一框架，通过多模态对齐和自适应路由将脑信号与多模态语义空间对齐，在fMRI等数据集实验中性能领先，还扩展到EEG和MEG数据，为现实应用提供灵活方案。

Comments Accepted to ACL 2026 Findings

Tracking EEG Thalamic and Cortical Focal Brain Activity using Standardized Kalman Filtering with Kinematics Modeling

Veikka Piispa, Dilshanie Prasikala, Joonas Lahtinen, Alexandra Koulouri, Sampsa Pursiainen

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

Early Detection of Cognitive Impairment in Elderly using a Passive FPVS-EEG BCI and Machine Learning -- Extended Version

Tomasz M. Rutkowski, Stanisław Narębski, Mihoko Otake-Matsuura, Tomasz Komendziński

专题命中 EEG解码 ：EEG(title,abstract)；BCI(title)；分类 q-bio.NC、cs.LG、cs.HC

Comments 4 pages, 4 figures, exteded version of an abstract accepted for a poster presentation at the 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC2025), Copenhagen, Denmark, July 14-17, 2025

Neural decoding from stereotactic EEG: accounting for electrode variability across subjects

Georgios Mentzelopoulos, Evangelos Chatzipantazis, Ashwin G. Ramayya, Michelle J. Hedlund, Vivek P. Buch, Kostas Daniilidis, Konrad P. Kording, Flavia Vitale

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

Comments Accepted for publication at the 38th Conference on Neural Information Processing Systems (NeurIPS 2024)

Towards Unified Neural Decoding of Perceived, Spoken and Imagined Speech from EEG Signals

Jung-Sun Lee, Ha-Na Jo, Seo-Hyun Lee

专题命中 EEG解码 ：EEG(title)；neural decoding(title)；brain-computer interface(abstract)；neural signal(abstract)

Optimized EEG based mood detection with signal processing and deep neural networks for brain-computer interface

Subhrangshu Adhikary, Kushal Jain, Biswajit Saha, Deepraj Chowdhury

专题命中 EEG解码 ：EEG(title,abstract)；brain-computer interface(title)；分类 q-bio.NC、eess.SP、cs.HC

Journal ref Biomedical Physics & Engineering Express, Year 2023, Volume 9, Number 3

Deep Transfer Learning for EEG-based Brain Computer Interface

Chuanqi Tan, Fuchun Sun, Wenchang Zhang

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

Comments In Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2018, 15-20 April 2018, Alberta, Canada

Delta2Gamma: Band-Wise Adaptive Contrastive Learning of EEG for Alzheimer's Disease Detection

Delta2Gamma：面向阿尔茨海默病检测的脑电信号频带自适应对比学习

Chanwoo Park, Chanwoo Kim

机构 * Korea University（高丽大学） 纠错

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

AI总结 Delta2Gamma是一种自监督EEG表征学习框架，通过分解EEG为5个神经节律并自适应平衡各频带，在ADFTD队列上以92.4%的准确率实现阿尔茨海默病检测，性能优于相关方法。

Comments Accepted to 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS)

SW-ProxyCE: Zero-Query Adversarial Transfer from Public EEG Encoders to Private Downstream Models

SW-ProxyCE：从公开EEG编码器到私有下游模型的零查询对抗迁移

Linhua Cong, Dingkun Liu, Dongrui Wu

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

AI总结 本文针对公开编码器与私有下游模型场景，提出无查询的任务感知攻击框架SW-ProxyCE，实验表明其生成的对抗样本可有效迁移至下游模型，且性能优于任务无关攻击。

Contrastive Learning with Variational Regularization for Multi-Session EEG-to-Speech Decoding

结合变分正则化的对比学习用于多会话脑电信号到语音的解码

Tomoaki Mizuno, Toru Nakashika

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

AI总结 该研究针对脑电到语音解码的低信噪比与会话变异性问题，采用多会话同一刺激的EEG响应作为对比学习正样本，结合变分正则化，在日语EEG数据集上降低了字符错误率并保持重构保真度。

Comments Accepted to APSIPA ASC 2026

EEG-Based Characterization of Samatha and Vipassana Meditation States

基于脑电图的奢摩他与内观禅修状态的表征

M. A. B. C. A. Bandaranayake, K. P. U. Chandrathilake, J. L. S. Jayasekara, S. T. Piyasena, A. T. L. K. Samrasinghe, Wageesha N. Manamperi

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

AI总结 本研究探究能否用EEG信号区分奢摩他与内观禅修状态，提取相关特征分析后发现δ频带存在显著状态差异，证实EEG指标可用于禅修的客观表征。

Comments Accepted for APSIPA ASC 2026

Design and Validation of a Portable EEG-tES Platform Supporting High-Rate EEG Recording and Temporal Interference Stimulation

支持高速脑电图记录和时间干扰刺激的便携式脑电图-经颅电刺激平台的设计与验证

Le Xing, Maoxing Liang, Disi A, Yifei Jia, Gaoxiang Xie, Linfeng Xu, Xiang'ao Chen, Jiebin Shi, Gang Pan, Bicheng Han

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

AI总结 本研究设计并验证了一款以MCU为核心的便携式EEG-tES平台，集成8通道EEG采集与2通道tES功能，具备高信号保真度与低刺激误差，为便携式闭环神经调控系统提供了实用基础。

Toward Annotation-Efficient Continuous Emotion Arousal Quantification via Group-Level EEG Dynamic Neural Synchrony

面向标注高效的连续情绪唤醒度量化：基于组水平脑电动态神经同步性

Guandong Pan, Yaqian Yang, Shi Chen, Yi Zheng, Yi Zhen, Hongwei Zheng, Shaoting Tang

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

AI总结 该研究针对连续情绪唤醒度量化的手动标注瓶颈，提出用组水平EEG动态神经同步性（DNS）作为替代标记，经多数据集验证其有效性，为标注高效的连续情绪唤醒度量化提供了新途径。

Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data

用于临床脑电数据隐私保护联邦学习的安全聚合

Pouya Rajabi, Mohsen Toorani

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

AI总结 该研究针对临床EEG数据联邦学习的隐私泄露问题，提出以掩码安全聚合为核心的隐私保护框架，经模拟医疗场景验证，半诚实变体开销低，恶意变体安全性强但开销更高。

Comments 27 pages, 6 figures, 7 tables. A version of this manuscript has been accepted for presentation at the International Workshop on Hot Topics at the Intersection of Distributed Machine Learning and Security (HotDiSec 2026), co-located with ESORICS 2026

S-CEReBrO: Breaking the Memory Barrier in Continuous EEG Monitoring

S-CEReBrO：突破连续脑电图监测中的内存瓶颈

Glenn Anta Bucagu, Thorir Mar Ingolfsson, Yawei Li, Luca Benini

机构 * ETH Zurich（苏黎世联邦理工学院） ； Nanyang Technological University（南洋理工大学） ； University of Bologna（博洛尼亚大学） 纠错

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

AI总结 该研究针对连续EEG监测中Transformer架构的内存瓶颈，提出S-CEReBrO架构，通过窗口交替注意力实现内存恒定，在EEG下游任务中性能领先且效率提升。

Comments This is the pre-rebuttal version of a paper accepted at MICCAI 2026. The camera-ready version will be posted following the embargo

Adaptive Multi-Expert Graph Transformer for Interpretable EEG-Based Diagnostics

用于基于脑电图的可解释诊断的自适应多专家图变换器

Maryam Rahimimovassagh, Md Elias Hossain, Ivan Garibay, Niloofar Yousefi

机构 * University of Central Florida（中佛罗里达大学） 纠错

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

AI总结 研究基于EEG的诊断问题，提出空间多专家图变换器，将EEG记录建模为动态功能连接图序列，用wPLI估计连接性，经层次图编码和多专家架构实现亚型感知推理，实验证明该方法在异常检测上性能良好且具可解释性。

A portable solution for simultaneous human movement and mobile EEG acquisition: readiness potential for basketball free-throw shooting

一种用于同时采集人体运动和移动脑电图的便携式解决方案：篮球罚球投篮的准备电位

Miguel Contreras-Altamirano, Melanie Klapprott, Nadine Jacobsen, Paul Maanen, Julius Welzel, Stefan Debener

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

AI总结 研究利用两部智能手机和头戴式无线EEG放大器组成的便携装置，让篮球运动员罚球，探究能否捕捉准备电位及成功与失败罚球的电位差异，结果表明该装置可监测运动模式和脑动力学，且电位幅度与投篮成功无关。

Comments 18 pages, 6 figures. Peer-reviewed version published in Experimental Brain Research. Version of record: https://doi.org/10.1007/s00221-026-07342-6

Journal ref Experimental Brain Research 244, 153 (2026)

Deep Learning Approaches for Sleep Apnea Classification from Polysomnographic EEG Signals

基于多导睡眠图脑电图信号的睡眠呼吸暂停分类的深度学习方法

Shashank Manjunath, Mukesh Cheemakurthi, Aarti Sathyanarayana

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

AI总结 研究基于儿科受试者单数据集多通道EEG，比较深度学习架构和特征表示自动检测睡眠呼吸暂停，评估视觉Transformer和图注意力网络在不同信号表示上的性能，通过年龄和性别匹配训练与测试，基于TDA特征的视觉Transformer模型取得最佳AUC，揭示性能差异及临床挑战。

Comments IEEE EMBC 2026

NeuroCommitSSM: Decision-Centric Shared Autonomy for Safe Assistive Manipulation via EEG-EMG-ET Commit Readiness

NeuroCommitSSM：通过脑电图-肌电图-眼动追踪提交准备实现安全辅助操作的以决策为中心的共享自主性

Tipu Sultan, Param Sangani, Kody Cool, Pascal Sikorski, Guangping Liu, Hadi Akbarpour, Madi Babaiasl

机构 * Saint Louis University（圣路易斯大学） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)；分类 cs.RO

AI总结 NeuroCommitSSM是用于辅助机器人操作安全控制的以决策为中心框架，依EEG、EMG和ET预测提交分数转化为离散事件，经三状态监督器控制执行。实验表明其在多场景下准确率高、错误提交低，硬件验证减少错误启动和决策不稳定。

Comments Accepted at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026). 8 pages, 3 figures, and 8 tables

DS-MTNet:Structured Multi-Task EEG Decoding for Human-Machine Collaboration

DS-MTNet：用于人机协作的结构化多任务脑电解码

Xinjia Yu, Yang Zhou, Jing Yang, Tielin Shi, Tao Cheng

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

AI总结 研究针对人机协作中操作员内部过程未充分融入机器感知的问题，提出DS-MTNet框架，集成多流并采用双门控机制，在驾驶EEG数据集测试中性能最佳，能统一组织相关脑电证据，为纳入神经证据到机器感知迈进了一步。

Comments 11 pages, 4 figures

EEG-SpikeAgent: Agentic Closed-Loop Program Synthesis for Automated EEG Spike Detection

EEG-SpikeAgent：用于自动脑电图尖峰检测的智能闭环程序合成

Sonali Santhosh, Kelly Shuhong Yu, Eugene Chang, Jonathan Kim, Kie Shidara, Danilo Bernardo

机构 * Dept. of Brain and Cognitive Sciences, Massachusetts Institute of Technology（脑科学与认知科学系，麻省理工学院） ； Dept. of Neuroscience, University of California, Berkeley（神经科学系，加州大学伯克利分校） ； Dept. of Neurology and Neurologic Sciences, Stanford University（神经病学与神经科学系，斯坦福大学） ； Weill Institute of Neurology and Neurosciences, University of California, San Francisco（Weill神经医学研究所，加州大学旧金山分校） ； University of California, San Francisco（加州大学旧金山分校） 纠错

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

AI总结 研究利用大语言模型智能系统，为头皮脑电图尖峰检测生成信号处理特征。核心方法是迭代提出特征模块并执行代码生成表格特征，评估性能后反馈优化。贡献是实现可审核的脑电图特征工程自动化。

Comments 7 pages, 5 figures

SA-HGNN: Sample-Adaptive Hyperbolic Graph Neural Network for EEG-Based Depression Recognition

SA-HGNN: 基于样本自适应双曲图神经网络的脑电图抑郁症识别

Yang Li, Pan Hu, Yan Zhang, Wenfan Yang, Tao Wu, Lianbo Guo

机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） 纠错

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

AI总结 提出SA-HGNN模型，通过样本自适应图构建、双曲图卷积和注意力池化模块，准确提取抑郁症脑网络的层次结构，在EEG数据集上优于现有方法。

Single-Channel EEG-Based Cognitive Load Assessment in Online Learning: A Hybrid Deep Learning Approach

基于单通道脑电图的在线学习认知负荷评估：一种混合深度学习方法

Rowan Hussein, Mohamed Ouf

机构 * University of Ottawa（渥太华大学） ； Queen’s University（女王大学） 纠错

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

AI总结 本研究使用单通道消费级EEG设备，通过混合CNN+LSTM+Attention模型区分在线教育视频内容的难易程度，在受试者内设置下达到78.5%准确率，并强调受试者独立评估应成为标准。

TinyCNNDeep: Lightweight Attention-Based CNN for EEG Classification of Eye States and Sleep Deprivation

TinyCNNDeep: 基于轻量级注意力CNN的脑电图眼状态与睡眠剥夺分类

Thien Nhan Vo, Yen Nhi Tran Thi, Ngan Nguyen Xuan Phuong, Xuan-The Tran

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

AI总结 针对睡眠剥夺与眼状态联合分类问题，提出轻量级CNN模型TinyCNNDeep，结合残差学习和SE注意力模块，将多通道EEG转换为图像，在35名受试者数据上达到83.69%准确率，远超基线方法。

A Deep Generative Model for Resting-State EEG Synthesis and Transferable Representation Learning

一种用于静息态脑电合成与可迁移表示学习的深度生成模型

Yeganeh Farahzadi, Morteza Ansarinia, Zoltan Kekecs

机构 * Institute of Psychology, Eötvös Loránd University（埃斯特哈兹·洛朗大学心理学研究所） ； Doctoral School of Psychology, Eötvös Loránd University（埃斯特哈兹·洛朗大学心理学博士学院） ； Department of Behavioural and Cognitive Sciences, University of Luxembourg（卢森堡大学行为与认知科学系） 纠错

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

AI总结 提出REST-GAN框架，结合对抗训练与自监督重构，从原始时域信号合成静息态EEG并学习可迁移表示，在频谱、连接性及分类任务中表现优异。

Transformer Based Model for Spatiotemporal Feature Learning in EEG Emotion Recognition

基于Transformer的脑电情绪识别时空特征学习模型

Xinglong Cui, Dian Gu

机构 * Beijing Neurodeep Technology Co., Ltd（北京纽罗德普科技有限公司） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 提出EEG-TransNet架构，通过局部自注意力块和模糊注意力同步Transformer捕捉脑电信号的时空特征，在三个数据集上优于现有方法。