脑机接口 / BCI

A Landau-Ginzburg Phenomenology of Sleep-Stage Transitions

睡眠阶段转变的朗道-金兹堡现象学

Alexander Poltorak

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

AI总结 本研究构建朗道-金兹堡现象学模型解释睡眠阶段转变的特性，通过EEG/PSG数据验证其一致性，为睡眠阶段转变的机制研究提供可测试的理论框架。

Comments 23 pages, 5 figures, 7 tables. Theoretical and computational framework; no new empirical data

B[FM]$^2$: Brain Foundation Model via Flow Matching with SplitUNet

B[FM]$^2$: 基于流匹配与SplitUNet的脑基础模型

Jaedong Hwang, Kathleen Zhang, Wei Dai, Konstantinos Kontras, Maarten Vanmarcke, Maarten De Vos, Ila Fiete, Paul Pu Liang

机构 * Massachusetts Institute of Technology（麻省理工学院） ； KU Leuven（鲁汶大学） 纠错

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

AI总结 提出B[FM]$^2$，通过连续时间流匹配直接在原始EEG信号上预训练，避免离散化带来的时间动态损失，并设计SplitUNet网络处理时间-电极不对称性，在9个下游任务中7个达到最优，预训练数据量减少约30倍。

Shared control schematic for brain controlled vehicle based on fuzzy logic

基于模糊逻辑的脑控车辆共享控制方案

Na Dong, Wen-qi Zhang, Zhong-ke Gao

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

AI总结 本文提出基于模糊逻辑的脑控车辆共享控制方案，通过设计辅助控制器实现自动控制与脑控制的协同，提升系统控制性能。

Efficient Coherence Inference Using the Demodulated Band Transform and a Generalized Linear Model

利用解调带变换和广义线性模型实现高效的相干推断

Md Rakibul Mowla, Sukhbinder Kumar, Ariane E. Rhone, Brian J. Dlouhy, Christopher K. Kovach

专题命中 EEG解码 ：EEG(summary_cn,abstract)；neural signal(abstract)；分类 eess.SP

AI总结 本文提出基于广义线性模型的相干推断方法，通过复值时频系数提升计算效率，相比传统替代方法在灵敏度和稳定性上表现更优，适用于大规模EEG/iEEG数据集分析。

Comments 6 pages, 6 figures

Journal ref Journal of Neuroscience Methods 433 (2026): 110791

Early Preconfiguration Failure: A Novel Predictor of the Repetitive Subconcussion

早期预配置失败：重复性亚 concussion 的新型预测指标

Jiajia Li, Zhenzhen Yu, Zhenghao Fu, Guozheng Xu, Jian Song

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

AI总结 研究通过EEG和视觉注意任务分析，发现早期皮层动态特征可有效区分健康人、重复性亚 concussion 患者和脑创伤患者，揭示毫秒级皮层动态对亚 concussion 诊断的重要性。

Comments 25 pages, 8 figures

Robust Evaluation of Neural Encoding Models via ground-truth approximation

通过地面真实近似方法对神经编码模型进行稳健评估

Giovanni M. Di Liberto

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

AI总结 本文提出了一种基于地面真实近似的评估框架，通过皮质相关分析和受试者平均对MEEG信号与预测进行对齐，提高了对刺激相关神经活动的敏感性，从而在合成EEG数据和真实MEEG数据集上显著提升了编码模型的评估效果。

Inter-subject Contrastive Learning for Subject Adaptive EEG-based Visual Recognition

Pilhyeon Lee, Sunhee Hwang, Jewook Lee, Minjung Shin, Seogkyu Jeon, Hyeran Byun

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

Comments Accepted by the 10th IEEE International Winter Conference on Brain-Computer Interface (BCI 2022). Code is available at https://github.com/DeepBCI/Deep-BCI

Reconsidering Spatial Priors In EEG Source Estimation: Does White Matter Contribute to EEG Rhythms?

PK Douglas, DB Douglas

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

Journal ref 2019 IEEE 7th International Winter Conference on Brain-Computer Interface (BCI), 2019, pp. 1-12,

Leveraging a Foundation Model for the EEG-Based Diagnosis of Alzheimer's Disease

利用基础模型实现基于脑电图的阿尔茨海默病诊断

Maggie Lin, Chung-Lin Hou, Tzyy-Ping Jung

机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） ； HippoScreen Neurotech Corp.（HippoScreen神经科技公司） ； Swartz Center for Computational Neuroscience（Swartz计算神经科学中心） 纠错

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

AI总结 本研究针对阿尔茨海默病诊断挑战，采用预训练于2500小时脑电图的大型脑模型LaBraM，结合随机森林分类器，仅用8秒脑电片段即达89.36%的ROC-AUC，优于传统方法，可提取临床相关生物标志物。

Comments 7 pages, 9 figures, 1 table. Accepted and presented at the 48th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2026)

Cross-Cohort Spectral-Temporal Dissociation in Frozen EEG Foundation-Model Representations

脑电图基础模型对长程时间相关性视而不见：其跨群体脆弱性背后的频谱-时间解离

Marzieh Zare

机构 * Université Laval（拉瓦尔大学） ； NeuroGenis Inc.（NeuroGenis公司） 纠错

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

AI总结 研究探讨脑电图基础模型对长程时间相关性的表征及跨群体转移情况。通过探测五种模型，发现它们均未按时间顺序表示LRTC，频谱输入模型能恢复1/f但非DFA，跨群体转移方面各模型表现不一，揭示了模型在这方面的局限性。

Comments I found a computational error in one of the tables that needs to be fixed; and it may take 2-3 weeks

EEG Emotion Recognition From AI-Generated Biodigital Architecture Images

基于人工智能生成的生物数字建筑图像的脑电图情感识别

Hongye Yang, Eva Guttmann-Flury

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

AI总结 该研究利用脑电图数据，通过对人工智能生成的生物数字建筑图像引发的情感反应进行研究，基于现有数据集分析进行相关操作，得出伽马和德尔塔波段准确率高，还明确关键因素与情绪的关联，为建筑设计提供了有价值的见解。

Comments 12 pages, 3 figures; published in the proceedings of SIGraDi 2024

Journal ref Proceedings of the 28th International Conference of the Iberoamerican Society of Digital Graphics (SIGraDi 2024): Biodigital Intelligent Systems, 2024, pp. 2443-2454

PaperNet: Efficient Temporal Convolutions and Channel Residual Attention for EEG Epilepsy Detection

PaperNet: 高效时间卷积与通道残差注意机制用于癫痫检测

Md Shahriar Sajid, Abhijit Kumar Ghosh, Fariha Nusrat

机构 * Rajshahi University of Engineering \& Technology, Kazla, Rajshahi-6204, Bangladesh BRAC University, Kha 224 Pragati Sarani, Merul Badda, Dhaka 1212, Bangladesh University of Asia Pacific, 74/A, Green Road, Dhaka-1205, Bangladesh 纠错

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

AI总结 PaperNet通过结合时间卷积、通道残差注意和轻量级循环模块，实现高效脑电图癫痫检测，达到0.96宏F1值。

Comments 15 pages, 4 figures, International Conference on Intelligent Data Analysis and Applications (IDAA 2025)

Interpretable EEG biomarkers with bag-of-waves: Spatial and temporal waveform dictionaries for low-data regimes

基于波形包的可解释脑电生物标志物：低数据量情况下的时空波形字典

Athanasios Papastathopoulos-Katsaros, Steven T. Lee, Lin Yao, Ajay Thomas, Junseok Park, Matthew J. McGinley, Zhandong Liu

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

AI总结 研究针对脑电分析难题，提出波形包框架，通过学习波形模板字典及扩展表示，在三个数据集上测试，能在低数据量下以少参数实现与先进模型竞争的性能，且具有完全可解释性。

Comments In Review

Is EEG-to-Text Feasible in Real-World Scenarios? An In-Depth Analysis Using a Neuropsychology-Inspired Benchmark

脑电到文本在现实场景中可行吗？使用受神经心理学启发的基准进行深入分析

Zihan Zhang, Yu Bao, Xiao Ding, Tianyi Jiang, Kai Xiong

机构 * Research Center for Social Computing and Interactive Robotics, Harbin Institute of Technology（哈尔滨工业大学社会计算与交互机器人研究中心） ； Shanghai Innovation Institute（上海创新院） ； State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； Zhongguancun Laboratory（中关村实验室） 纠错

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

AI总结 探讨脑电到文本在现实场景的可行性，利用受神经心理学启发的范式，发现现有基准忽略脑电不稳定性问题。通过实验为无教师强制的EEG2Text解码提供证据，构建COFETT基准，可区分模型性能，实现稳健评估，推动EEG2Text实际应用。

Comments 17 pages, 8 figures. Published in Proceedings of ACL 2026 Main Conference

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, Volume 1: Long Papers (2026), 1378-1393

The RG-Flow Transformer: Encoding Scale-Free Dynamics in Scarce EEG

用于稀缺神经数据的尺度感知注意力：基于睡眠脑电信号的RG流变压器

Dibakar Sigdel

机构 * Mindverse Computing LLC（Mindverse计算有限责任公司） 纠错

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

AI总结 研究在稀缺脑电数据上比较具有RG归纳偏差的RG流变压器和普通变压器，通过睡眠脑电语料库实验发现二者在睡眠分期准确率上无显著差异，但RG流变压器具有可解释性，能在样本外恢复连续谱指数。

DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG Generic Representations

DiffEEG：用于学习脑电通用表示的自监督去噪扩散模型

Abdulkader Helwan, Lina Abou-Abbas, Hussein El Amouri, Belkacem Chikhaoui, Khadidja Henni

机构 * Lebanese American University（黎巴嫩美国大学） ； Institute of Applied Artificial Intelligence, TÉLUQ University（应用人工智能研究所，泰鲁克大学） 纠错

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

AI总结 研究针对基于脑电的癫痫检测面临的注释稀缺和类别不平衡问题，提出DiffEEG自监督基础模型，通过去噪扩散预训练和强化学习微调学习通用神经表示，在癫痫检测中取得较好效果，证明该方法能以最少标记数据实现临床可部署监测。

Comments 19 pages, 6 figures

STST-JEPA: Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture For EEG Self-Supervised Learning

STST-JEPA：用于脑电图自监督学习的浅目标时空联合嵌入预测架构

Roy Segal, Yoni Svechinsky, Tomer Fekete

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

AI总结 研究针对脑电图脑年龄模型面临的问题，引入STST-JEPA自监督变压器，结合潜在预测目标与辅助信号重建项，经预训练和微调后在多任务中表现出色，且年龄预测残差与认知效率负相关。

Wavelet Scattering Transform for Interpretable Schizophrenia Biomarker Discovery and Classification from Resting-State EEG

基于小波散射变换的可解释精神分裂症生物标志物发现及静息态脑电图分类

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

机构 * Department of EECE, Military Institute of Science and Technology (MIST)（电子工程与计算机科学系，军事科学与技术学院（MIST）） 纠错

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

AI总结 针对现有精神分裂症EEG分类方法存在特征缺陷、数据泄露的问题，本研究结合小波散射变换、留一受试者交叉验证与SHAP可解释性方法，实现高精度分类并识别出关键生物标志物。

Comments 15 pages, 11 figures

EEG Interpretation Across Chant Listening: A Single-Subject Pilot Investigation Using Spectral and Functional Connectivity Analysis

聆听吟唱时的脑电图解读：基于频谱和功能连接分析的单被试初步研究

Prerna Singh, Aishwarya Ghosh, Neelam Sinha, Deepti Navaratna

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

AI总结 本研究通过频谱和功能连接分析，比较了五种听觉条件下5岁儿童的大脑活动，发现不同吟唱条件（如Shiv Tandav Stotra）能调节神经振荡并形成不同的功能网络连接模式。

Decoding Semantic Categories from Picture-Naming EEG

从图片命名脑电中解码语义类别

Wei Hu, Binbin Xu

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

AI总结 本研究利用预训练单通道脑电编码器和多语言文本嵌入模型，从图片命名任务的高密度脑电中解码语义类别，结合早期和命名相关时间窗口，九类分类平衡准确率达0.781。

Comments 6 pages, 5 figures

Assessing Region-Level EEG Contributions to Cognitive Workload Prediction

评估区域级脑电图对认知负荷预测的贡献

Jacob Wong, Sohan Singh, Prannaya Gupta, Jin Xing Ang, Kritika Johari, U-Xuan Tan

机构 * School of InfoComm Technology, Ngee Ann Polytechnic（信息与通信技术学院，南洋理工学院新加坡分校） ； Engineering Product Development Pillar, Singapore University of Technology and Design（工程产品开发支柱，新加坡科技设计大学） ； NUS High School of Math and Science（国立大学科学高中） 纠错

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

AI总结 提出区域级评估框架，通过跨四个公开数据集的大规模分析，发现额叶电极组在混合被试和独立被试评估中均优于全头皮基线，额中央区域预测稳定性最高，支持设计高效通用的脑电图负荷监测系统。

Comments Accepted to EMBC 2026

Escaping the BLEU Trap: A Signal-Grounded Framework with Decoupled Semantic Guidance for EEG-to-Text Decoding

逃离BLEU陷阱：一种基于信号锚定与解耦语义引导的脑电解码文本框架

Yuchen Wang, Haonan Wang, Yu Guo, Honglong Yang, Xiaomeng Li

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

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

AI总结 针对脑电解码文本中语义偏差、信号忽略和BLEU陷阱问题，提出SemKey多阶段框架，通过解耦语义目标（情感、主题、长度、意外性）和主动检索解码机制，强制生成基于信号而非语言先验，并采用检索和分布度量（如Fréchet距离）建立评估协议，有效缓解幻觉并达到最优性能。

SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding

SpecMoE：用于跨物种EEG解码的频谱混合专家基础模型

Davy Darankoum, Chloé Habermacher, Julien Volle, Sergei Grudinin

机构 * Univ. Grenoble Alpes, CNRS, Grenoble INP, LJK（格勒诺布尔-阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔国立理工学院、让·库尔曼实验室） ； SynapCell SAS（SynapCell公司） 纠错

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

AI总结 本文提出SpecMoE模型，通过改进的频谱掩码策略和混合专家框架，提升EEG信号解码性能，实现跨物种和跨受试者的高准确率。

Comments 34 pages (12 pages in the main text and 22 pages in Supplementary Information)

Boundary-aware Prototype-driven Adversarial Alignment for Cross-Corpus EEG Emotion Recognition

面向边界的原型驱动对抗对齐用于跨语料EEG情绪识别

Guangli Li, Canbiao Wu, Na Tian, Li Zhang, Zhen Liang

机构 * School of Biological Science and Medical Engineering, Hunan University of Technology（湖南工业大学生物科学与医学工程学院） ； School of Biomedical Engineering, Health Science Center, Shenzhen University（深圳大学医学部生物医学工程学院） ； Guangdong Provincial Key Laboratory of Biomedical Measurements and Ultrasound Imaging（广东省生物医学测量与超声成像重点实验室） ； Shenzhen Pengrui Brain Science Technology（深圳鹏瑞脑科学技术有限公司） 纠错

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

AI总结 本文提出原型驱动对抗对齐框架，通过局部类条件对齐、对比语义正则化和边界感知聚合提升EEG情绪识别的跨语料泛化能力，实验显示在多个数据集上取得显著提升。

SPDIM: Source-Free Unsupervised Conditional and Label Shift Adaptation in EEG

SPDIM：无源无监督条件和标签偏移适应在EEG中

Shanglin Li, Motoaki Kawanabe, Reinmar J. Kobler

机构 * Nara Institute of Science and Technology (NAIST)（奈良科学技术大学） ； Department of Dynamic Brain Imaging, ATR（动态脑成像部门，ATR） ； Center for Advanced Intelligence Project, RIKEN（先进智能项目中心，RIKEN） 纠错

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

AI总结 SPDIM通过信息最大化原理，针对EEG中的标签偏移问题，提出了一种参数高效的流形优化方法，提升了无监督域适应的性能。

Comments Published at ICLR 2025

Uni-NTFM: A Unified Foundation Model for EEG Signal Representation Learning

Uni-NTFM：一种用于EEG信号表示学习的统一基础模型

Zhisheng Chen, Yingwei Zhang, Qizhen Lan, Tianyu Liu, Huacan Wang, Yi Ding, Ziyu Jia, Ronghao Chen, Kun Wang, Xinliang Zhou

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

AI总结 Uni-NTFM通过融合神经科学原理，提出了一种统一的基础模型，用于EEG信号表示学习，实现了高容量和高效的功能模块化，优于现有模型。

Comments Published as a conference paper at ICLR 2026

Graph Neural Networks in EEG-based Emotion Recognition: A Survey

基于EEG的情感识别中的图神经网络：综述

Chenyu Liu, Yuqiu Deng, Yihao Wu, Ruizhi Yang, Zhongruo Wang, Liangwei Zhang, Siyun Chen, Tianyi Zhang, Yang Liu, Yi Ding, Liming Zhai, Ziyu Jia, Xinliang Zhou

机构 * Nanyang Technological University, Singapore（南洋理工大学） ； Xi’an Jiaotong University, Xi’an, China（西安交通大学） ； Imperial College London, London, UK（伦敦帝国理工学院） ； Amazon, Seattle, WA, USA（亚马逊） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学） ； Uber Technologies, Inc., USA（Uber Technologies, Inc.） ； School of Computer Science, Central China Normal University, Wuhan, China（中央财经大学计算机学院） ； Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） 纠错

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

AI总结 本文综述了基于EEG的情感识别中图神经网络的应用，分析了现有方法的共性与差异，并探讨了未来研究方向。

Comments The 30th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD 2026)

ChatBCI: A P300 Speller BCI Leveraging Large Language Models for Improved Sentence Composition in Realistic Scenarios

ChatBCI: 一种利用大语言模型改进真实场景中句子组成的P300拼写BCI

Jiazhen Hong, Weinan Wang, Laleh Najafizadeh

机构 * Integrated Systems and NeuroImaging Laboratory（集成系统与神经成像实验室） ； Department of Electrical and Computer Engineering, Rutgers University（电气与计算机工程系，罗格斯大学） 纠错

专题命中 EEG解码 ：BCI(title,abstract)；EEG(abstract)；分类 eess.SP、cs.HC

AI总结 ChatBCI利用大语言模型提升真实场景中句子组成的效率和效果。

Journal ref Scientific Reports, 2026

EEG2GAIT: A Hierarchical Graph Convolutional Network for EEG-based Gait Decoding

EEG2GAIT：一种用于基于EEG的步态解码的分层图卷积网络

Xi Fu, Rui Liu, Aung Aung Phyo Wai, Hannah Pulferer, Neethu Robinson, Gernot R Müller-Putz, Cuntai Guan

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Institute of Neural Engineering, Graz University of Technology（技术大学神经工程研究所） ； Center for Al in Medicine (C-AlM)（医学人工智能中心） 纠错

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

AI总结 EEG2GAIT通过分层图卷积网络和混合时间-频域奖励损失函数，实现了基于EEG的步态解码，提升了解码性能和准确性。

ENIGMA: EEG-to-Image in 15 Minutes Using Less Than 1% of the Parameters

ENIGMA：在15分钟内使用少于1%的参数实现EEG到图像的转换

Reese Kneeland, Wangshu Jiang, Ugo Bruzadin Nunes, Paul Steven Scotti, Arnaud Delorme, Jonathan Xu

机构 * University of Waterloo（滑铁卢大学） ； Princeton Neuroscience Institute（普林斯顿神经科学研究所） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 ENIGMA通过简单高效架构，在15分钟内实现EEG到图像的高精度解码，显著提升性能和微调效率。