脑机接口 / BCI

NeuroShield: A Device-Agnostic Foundation Model for EEG Authentication

NeuroShield: 一种设备无关的EEG认证基础模型

Matin Fallahi, Patricia Arias-Cabarcos, Thorsten Strufe

机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Joint Research Centre, European Commission（欧盟委员会联合研究中心） 纠错

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

AI总结 针对EEG认证中模型因采集设备差异而难以复用的问题，提出NeuroShield基础模型，采用双阶段Transformer架构从变通道、变长度EEG中学习身份判别嵌入，在三个公开数据集预训练后，微调后等错误率降低0.44-8.06个百分点，并泛化至未见过的通道布局和更长信号段。

EEG Benchmarking Needs a Task Specification Layer: NeuroDoc for Rulebook-Guided, Executable Benchmark Construction

EEG基准测试需要一个任务规范层：NeuroDoc用于基于规则手册的可执行基准构建

Chengxuan Qin, Zhige Chen, Shu Peng, Rui Yang, Jiping Cui, Yikai Dong, Jun Li, Liu Peng, Zhida Shang, Mingze Tang, Kay Chen Tan, Jibin Wu

机构 * School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院） ； School of Electrical Engineering, Electronics and Computer Science, University of Liverpool（利物浦大学电气工程、电子与计算机科学学院） ； School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学学院） ； Department of Data Science and Artificial Intelligence, Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系） 纠错

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

AI总结 提出NeuroDoc框架，通过结构化任务规范语言和共享规则手册，将异构EEG数据集标准化为可重用基准单元，并发布包含53个条目、245个任务定义的社区审查基准语料库。

EEG-EditBench: Probing Visual Information in EEG-Image Retrieval Models with Controlled Image Edits

EEG-EditBench：通过可控图像编辑探测EEG-图像检索模型中的视觉信息

Kaifan Zhang, Lihuo He, Yuqi Ji, Junjie Ke, Lukun Wu, Tianhao You, Xinbo Gao

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 该研究针对EEG-图像检索模型无法揭示支撑匹配的视觉信息这一问题，构建EEG-EditBench诊断基准，评估8个代表性模型，发现细粒度属性变化是最大挑战，为相关研究提供可控基础。

Comments Main paper with supplementary material. Code: https://github.com/XiaoZhangYES/EEG-EditBench. Dataset: https://huggingface.co/datasets/xiaozgg/EEG-EditBench

What the LLM Should Not Say: Boundary-Aware Context Grounding for A Seven-Channel EEG Agent

面向低通道EEG智能体的边界感知上下文接地

Zhiyuan Xu, Yueqing Dai, Junling Li, Junwen Luo

机构 * Shanghai Pulse Element Intelligent Technology Co., Ltd. (NeuraDock)（上海脉冲元素智能科技有限公司（NeuraDock）） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 提出NeuraDock Agent架构，通过分离确定性本地EEG引擎与硬件感知语言层，实现LLM对低通道EEG数据的边界感知接地，经288次测试验证了系统在数值重复性、故障恢复和边界感知方面的有效性。

Comments 25 pages, 6 figures

NeuraDock Visual Cognitive Load Agent Tutorial: A Quality-Gated Open-Source EEG Workflow for Alpha Dynamics and Real-Time Applications

NeuraDock 视觉认知负荷代理教程：面向 Alpha 动态与实时应用的质量门控开源 EEG 工作流

Zhiyuan Xu, Yueqing Dai, Junling Li, Junwen Luo

机构 * Shanghai Pulse Element Intelligent Technology Co., Ltd. (NeuraDock)（上海脉元智能科技有限公司（NeuraDock）） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 提出 NeuraDock Agent 开源 EEG 代理，通过质量门控工作流实现 Alpha 动态分析和视觉认知负荷实时应用，弥合离线与在线分析差距。

Comments 22 pages, 10 figures

Breaking Shortcut Learning for Cross-Trial EEG-Guided Target Speech Extraction via Two-Stage Training

通过两阶段训练打破跨试验EEG引导目标语音提取中的捷径学习

Wonchul Shin, Inyong Choi, Kyogu Lee

机构 * Department of Intelligence and Information（智能信息系） ； Seoul National University（首尔国立大学） ； Department of Communication Sciences and Disorders（沟通科学与障碍系） ； University of Iowa（爱荷华大学） ； Interdisciplinary Program in Artificial Intelligence（人工智能交叉学科项目） ； Artificial Intelligence Institute（人工智能研究所） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)

AI总结 针对EEG引导目标语音提取中模型依赖试验特定结构导致泛化差的问题，提出两阶段框架TRUST-TSE，通过对比预训练和置信加权提取目标抑制捷径学习，在跨试验协议下优于端到端基线。

Comments Accepted by Interspeech 2026

Not All EEG Moments Are Equal: Position-Adaptive Time Scheduling for EEG Generation

并非所有脑电（EEG）时刻都平等：面向脑电生成的位置自适应时间调度

Boheng Liu, Ziyu Li, Chenghua Duan, Qing Li, Xia Wu

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

AI总结 针对现有脑电生成方法忽略脑电时刻异质性的问题，提出基于条件流匹配的自适应框架，引入位置自适应时间调度等模块，在三类脑电数据集上优于基线，提升生成质量与下游任务性能。

Deep Learning CNN and Recurrence Analysis for Alpha Gamma EEG Biomarkers in Fragile X Syndrome

用于脆性X综合征α和γ脑电学生物标志物的深度学习CNN与递归分析

Zag ElSayed, Payton Siekierski, Jack Yanchen Liu, Ernest Pedapati

机构 * School of Information Technology (SoIT), University of Cincinnati（辛辛那提大学信息技术学院） ； Division of Child and Adolescent Psychiatry Cincinnati Children’s Hospital Medical Center（辛辛那提儿童医院医学中心儿童与青少年精神病学科） 纠错

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

AI总结 本研究提出整合CNN、LSTM与RP分析的多表征深度学习框架，通过分析FXS患者α、γ频段EEG信号，实现优于单模态基线的自动表型表征，为FXS生物标志物开发提供了可扩展方法。

Comments 14 pages, 4 figures, conference

Journal ref Springer ISBCom 2026

A spectral audit framework reveals task-dependent aperiodic reliance across EEG and ECG deep learning

频谱审计框架揭示EEG和ECG深度学习中任务依赖的非周期性依赖

Jasmeet Singh Bindra, Siddharth Panwar

机构 * Indian Knowledge Systems and Mental Health Applications (IKSMHA) Center, Indian Institute of Technology Mandi（印度理工学院曼迪分校印度知识体系与心理健康应用中心） ； School of Computing and Electrical Engineering, Indian Institute of Technology Mandi（印度理工学院曼迪分校计算与电气工程学院） 纠错

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

AI总结 提出频谱审计框架，结合非周期/周期分解、相位保持傅里叶干预等，发现深度学习模型对非周期成分的依赖是任务依赖且架构通用的，在睡眠-觉醒分类中影响显著，临床异常检测中中等，运动想象中最小，并扩展到ECG。

Comments 25 pages, being prepared for submission to peer-reviewed journal

SCORE: Subject Coordinate Recovery for Label-Free Cross-Subject EEG-to-Image Retrieval

SCORE：用于无标签跨主体脑电图到图像检索的主体坐标恢复

Zhenyao Cui, Siyuan Kan, Siyang Li, Ziwei Wang, Dongrui Wu

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

AI总结 本研究针对无标签跨主体EEG到图像检索性能差的问题，提出SCORE框架，通过源训练与部署时坐标对齐，在两个基准上显著提升检索准确率，推动脑视觉解码的实际应用。

Comments 9 pages, 6 figures

MindAU: EEG-Conditioned Facial Action Unit Editing via Dual-Stream Manifold Alignment

MindAU: 基于双流流形对齐的脑电条件面部动作单元编辑

Zhenhang Li, Xin Zhou, Hao Deng, Lijun Yin

机构 * Binghamton University（宾汉姆顿大学） ； Massachusetts General Hospital（马萨诸塞综合医院） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 提出MindAU框架，通过双流流形对齐将EEG特征与AU文本语义和视觉位移对齐，实现高保真身份保持的面部动作单元编辑。

Towards Robust EEG Decoding Based on Riemannian Self-Attention

基于黎曼自注意力的鲁棒脑电解码方法

Shaocheng Jin, Tao Zhou, Rui Wang, Ziheng Chen, Xiaoqing Luo, Xiaojun Wu, Josef Kittler

机构 * School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Jiangnan University（江南大学） ； Department of Information Engineering and Computer Science（信息工程与计算机科学系） ； University of Trento（特伦托大学） ； Centre for Vision, Speech and Signal Processing (CVSSP)（视觉、语音与信号处理中心） ； University of Surrey（萨里大学） 纠错

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

AI总结 针对脑电解码中信号低信噪比和现有黎曼方法依赖特定度量的局限，提出基于Bures-Wasserstein度量的黎曼自注意力网络及其可推广版本GBWAtt，在三个数据集上验证了鲁棒性和有效性。

Comments Accepted by KDD 2026

NeuroSonic: Conditional Flow Matching for EEG-to-Speech Reconstruction

NeuroSonic: 用于脑电图到语音重建的条件流匹配

Wenhao Gao, Yifan Wang, Yijia Ma, Carl Yang, Wen Li, Chenyu You

机构 * Stony Brook University（石溪大学） ； University of Texas Health Center at Houston（德克萨斯大学休斯顿健康科学中心） ； Emory University（埃默里大学） 纠错

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

AI总结 提出NeuroSonic条件流匹配框架，通过学习确定性概率流速度场将噪声声学状态传输到干净语音，解决EEG信号弱、空间弥散与语音强谐波结构之间的不匹配问题，在CineBrain和EAV基准上提升感知质量达26.3%。

Comments Accepted by MICCAI 2026

Decoding silent reading from non-invasive EEG

从无创脑电图解码默读内容

Ingo Marquardt, Anthilia Alchanat, Priyanka Jain

机构 * nubrain 纠错

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

AI总结 本研究以默读为替代任务，用CLIP式对比训练的卷积EEG编码器结合因果Transformer，从EEG中成功解码开放词汇单词级信息，发现解码受数据限制而非饱和。

Comments 45 pages (including 12 pages of Supplementary Material), 11 figures (including 2 in Supplementary Material)

CogEEGAgent: Toward Autonomous Cognitive EEG Analysis with Grounded Execution and Selection-Aware Verification

CogEEGAgent：通过基于执行和选择感知验证实现自主认知脑电图分析

Dengzhe Hou, Lingyu Jiang, Fangzhou Lin, Kazunori D Yamada

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

AI总结 研究针对认知EEG分析需专业知识及选择多的问题，提出基于MNE-Python的CogEEGAgent代理，LLM解释意图，确定性组件验证控制，在基准测试等中表现良好，建立了有限自主性和可审计自动化框架。

Comments 16 pages, 5 figures, and 16 tables. The supplementary material is included in the same PDF

Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder

基于基于Conformer的掩码自动编码器从脑电图和心率变异性信号中进行新生儿缺氧缺血性脑病分类

Shuwen Yu, William P Marnane, Geraldine B. Boylan, Gordon Lightbody

机构 * University College Cork（科克大学学院） ； INFANT Research Centre（婴儿研究中心） ； Pediatrics and Child Health（儿科与儿童健康） 纠错

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

AI总结 研究提出MAEConformer自监督学习框架，结合Conformer与MAE从EEG和HRV信号学习。通过卷积与自注意力捕获模式与依赖，引入MR-STFT损失。模型预训练后用于下游任务，在EEG和HRV的HIE分类中表现出色，证明其学习鲁棒可转移表示的有效性。

Comments Paper submits to IEEE Transactions on Neural Networks and Learning Systems

Spatial Neighboring Scattering Transform: A Cross-Channel Amplitude Coupling Measure for EEG Connectivity

空间相邻散射变换：一种用于脑电连接性的跨通道幅度耦合测量方法

Md. Taksimul Ahsan Tawhid, Nasif Ahmed Rafe, Alif Tahmid Priyom, K. M. Mustafizur Rahman

专题命中 EEG解码 ：EEG(title,abstract)；BCI(abstract,abstract_cn)；motor imagery(abstract)；分类 q-bio.NC、eess.SP

AI总结 研究针对脑电连接性分析中现有方法的不足，引入空间相邻散射变换，通过扩展小波散射变换到多通道设置，获取幅度包络耦合及跨频率调制信息，经实验验证其能系统恢复相关耦合结构，为脑电分析提供新方法。

Comments 12 pages, 7 Figures

Which Metric Reflects the Spelling Rate Accuracy in Event-Related Potential-Based Brain-Computer Interfaces?

哪种指标能反映基于事件相关电位的脑机接口中的拼写速率准确性？

Okba Bekhelifi, Naoual El Djouher Mebtouche

机构 * Intelligent Systems Research Laboratory (LARESI)（智能系统研究实验室 (LARESI)） ； USTOMB（奥兰科技大学） 纠错

专题命中 EEG解码 ：BCI(summary_cn,abstract)；brain-computer interface(title)；分类 eess.SP、cs.LG

AI总结 研究通过分析13种指标与拼写速率的相关性，发现Brier分数、MCC、ROC AUC、PR AUC、AP和pAUC最能反映ERP-BCI中的拼写性能。

Comments paper is accepted for presentation at the 2026 IEEE International Conference on Metrology for eXtended Reality, Artificial Intelligence and Neural Engineering - IEEE MetroXRAINE 2026, Chemnitz, Germany

Coordinate-Queryable Neural Field Reconstruction for EEG Spatial Super-Resolution with Unseen-Electrode Generation

基于坐标可查询神经场重建的脑电图空间超分辨率与未见电极生成

Hongjun Liu, Leyu Zhou, Zijianghao Yang, Chao Yao

机构 * School of Intelligence Science and Technology, University of Science and Technology Beijing（信息科学与技术学院，北京科技大学） ； School of Computer and Communication Engineering, University of Science and Technology Beijing（计算机与通信工程学院，北京科技大学） 纠错

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

AI总结 针对实际部署中电极缺失和布局变化问题，提出将EEG空间超分辨率重构为从部分观测通道学习共享条件头皮场，通过位置引导编码器和条件隐式神经表示解码器实现未见电极信号生成，并引入保真通道损坏训练策略，在多个数据集上显著优于基线。

The Identity Trap in EEG Foundation Models: A Diagnostic Audit

脑电图基础模型中的身份陷阱：一项诊断性审计

Jun-You Lin, Ying Choon Wu, Tzyy-Ping Jung

机构 * National Yang Ming Chiao Tung University ； University of California, San Diego 纠错

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

AI总结 提出FMScope协议，通过方差分解、主题轴擦除等五种诊断方法，揭示EEG基础模型在受试者分离交叉验证中可能依赖受试者身份特征而非临床生物标志物，并验证了该陷阱的普遍性及可移除性。

Comments 28 pages, 6 figures, 8 tables. Code available at https://github.com/Jimmy110101013/fmscope

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

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。