脑机接口 / BCI

Novel Virtual Moving Sound-based Spatial Auditory Brain-Computer Interface Paradigm

Yohann Lelievre, Tomasz M. Rutkowski

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

Comments 4 pages (in conference proceedings original version); 6 figures, accepted at 6th International IEEE EMBS Conference on Neural Engineering, November 6-8, 2013, Sheraton San Diego Hotel & Marina, San Diego, CA; paper ID 465; to be available at IEEE Xplore; IEEE Copyright 2013

Journal ref Neural Engineering (NER), 2013 6th International IEEE/EMBS Conference on. IEEE Engineering in Medicine and Biology Society; 2013. p. 9-12

Auditory Brain-Computer Interface Paradigm with Head Related Impulse Response-based Spatial Cues

Chisaki Nakaizumi, Koichi Mori, Toshie Matsui, Shoji Makino, Tomasz M. Rutkowski

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

Comments The final publication is available at IEEE Xplore http://ieeexplore.ieee.org and the copyright of the final version has been transferred to IEEE (c)2013

Journal ref Proceedings of the 9th International Conference on Signal Image Technology and Internet Based Systems. Kyoto, Japan: IEEE Computer Society; 2013. p. 806-811

Haptic BCI Paradigm based on Somatosensory Evoked Potential

Tomasz M. Rutkowski, Hiromu Mori, Yoshihiro Matsumoto, Zhenyu Cai, Moonjeong Chang, Nozomu Nishikawa, Shoji Makino, Koichi Mori

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

Comments 2 pages, 1 figure

Psychophysical Responses Comparison in Spatial Visual, Audiovisual, and Auditory BCI-Spelling Paradigms

Moonjeong Chang, Nozomu Nishikawa, Zhenyu Cai, Shoji Makino, Tomasz M. Rutkowski

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

Comments The 6th International Conference on Soft Computing and Intelligent Systems and The 13th International Symposium on Advanced Intelligent Systems, 2012

Auditory Steady-State Response Stimuli based BCI Application - The Optimization of the Stimuli Types and Lengths

Yoshihiro Matsumoto, Nozomu Nishikawa, Takeshi Yamada, Shoji Makino, Tomasz M. Rutkowski

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

Comments APSIPA ASC 2012

Prototype-Guided Non-Exemplar Continual Learning for Cross-subject EEG Decoding

基于原型的非示例持续学习用于跨受体EEG解码

Dan Li, Hye-Bin Shin, Yeon-Woo Choi

机构 * Dept. of Artificial Intelligence Korea University Seoul, Republic of Korea（人工智能系 韩国大学首尔共和国） ； Cognitive Engineering Korea University Seoul, Republic of Korea（认知工程 韩国大学首尔共和国） 纠错

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

AI总结 ProNECL通过原型引导的非示例持续学习方法，在不访问历史EEG样本的情况下实现跨个体EEG解码的高效知识保留与适应性平衡。

Comments 4 pages, 2 figures, 14th IEEE International Winter Conference on Brain-Computer Interface Conference 2026

Deep Learning Classification of EEG Responses to Multi-Dimensional Transcranial Electrical Stimulation

基于多维经颅电刺激的深度学习EEG分类

Alexis Pomares Pastor, Ines Ribeiro Violante, Gregory Scott

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

AI总结 本研究利用深度学习对EEG信号进行分类，通过多维经颅电刺激评估意识状态，实现了92%的分类准确率，超越人类水平。

Comments For open-sourced datasets and source code, see: https://github.com/alexispomares/DL-EEG-TES

EEG-Reptile: An Automatized Reptile-Based Meta-Learning Library for BCIs

Daniil A. Berdyshev, Artem M. Grachev, Sergei L. Shishkin, Bogdan L. Kozyrskiy

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

Comments For proposed python library, see EEG-Reptile GitHub: https://github.com/gasiki/EEG-Reptile Changes: minor edits in introduction and references

Understanding data analysis aspects of TMS-EEG in clinical study: a mini review and a case study with open dataset

Hua Cheng

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

Comments 39 pages,36 fighures,TMS-EEG data analysis

Decoding 3D Representation of Visual Imagery EEG using Attention-based Dual-Stream Convolutional Neural Network

Hyung-Ju Ahn, Dae-Hyeok Lee

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

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

Decoding Event-related Potential from Ear-EEG Signals based on Ensemble Convolutional Neural Networks in Ambulatory Environment

Young-Eun Lee, Seong-Whan Lee

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

Comments Submitted IEEE the 9th International Winter Conference on Brain-Computer Interface. arXiv admin note: text overlap with arXiv:2002.01085

An Ensemble Learning Based Classification of Individual Finger Movement from EEG

Sutanu Bera, Rinku Roy, Debdeep Sikdar, Manjunatha Mahadevappa

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

Comments Brain Computer Interfacing, EEG, Finger movement analysis

Beyond Local Power: Functional Connectivity Analysis for Subject-Independent Learning Style Recognition

超越局部能力：用于被试独立学习风格识别的功能连接分析

Wiga Maulana Baihaqi, Indriana Hidayah, Sri Kusrohmaniah, Noor Akhmad Setiawan

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

AI总结 该研究提出基于EEG和PLV连接性的方法，识别被试独立学习风格，在VV维度获70.00%准确率，AR维度仅55.56%，指出需自适应特征变换缩小跨被试泛化差距。

Comments 7 pages, 5 figures. Accepted for publication at 4th IEEE International Conference on Artificial Intelligence and Mechatronics Systems 2026

A Quantum Reservoir for Neurodynamical Forecasting

用于神经动力学预测的量子储备池

Annemarie Wolff, Kathleen Hamilton, Kahn Rhrissorrakrai, Laxmi Parida, Filippo Utro, Guillaume Dumas

专题命中 EEG解码 ：EEG(summary_cn,abstract)；neural signal(abstract)

AI总结 该研究探究量子储备池计算（QRC）在神经动力学预测中的表现，构建基于横场伊辛模型的量子储备池，在基准任务与模拟EEG数据上验证其可行性，为量子系统用于临床时间序列预测建立了实用基线。

Comments 7 pages (including references), 2 figures, Accepted at IEEE Quantum Week (QCE 2026) short technical paper, Applications category

Journal ref Proc. IEEE Int. Conf. Quantum Comput. Eng. (QCE), 2026

MultiDiffNet: A Multi-Objective Diffusion Framework for Generalizable Brain Decoding

MultiDiffNet: 一种面向通用脑解码的多目标扩散框架

Mengchun Zhang, Kateryna Shapovalenko, Yucheng Shao, Eddie Guo, Parusha Pradhan

机构 * University of Pittsburgh（匹兹堡大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 EEG解码 ：BCI(abstract)；EEG(abstract)；neural decoding(abstract)；motor imagery(abstract)

AI总结 MultiDiffNet通过多目标扩散框架实现通用脑电解码，提供统一基准测试和统计报告框架，提升跨受试者泛化能力。

Fiduciary AI for the Future of Brain-Technology Interactions

Abhishek Bhattacharjee, Jack Pilkington, Nita Farahany

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

Comments 32 pages

Information Theoretic Feature Transformation Learning for Brain Interfaces

Ozan Ozdenizci, Deniz Erdogmus

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

Comments Accepted for publication by IEEE Transactions on Biomedical Engineering

Journal ref IEEE Transactions on Biomedical Engineering, 2019

BrainBench: Benchmarking Large Language Models for Comprehensive EEG Understanding

BrainBench：面向全面脑电理解的大语言模型基准测试

Yangxuan Zhou, Yuning Chen, Chen Wu, Jiquan Wang, Shijian Li, Gang Pan, Sha Zhao

机构 * Zhejiang University（浙江大学） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

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

AI总结 该研究推出BrainBench基准测试，涵盖4个子集共17个数据集等，评估大语言模型在两种范式下的脑电理解能力，为相关研究提供可复现测试平台。

Comments 51 pages,28 figures

A Multi-Scale Temporal Framework with Dynamic Fusion for EEG-Based Emotion Recognition

用于脑电信号情绪识别的多尺度时间动态融合框架

Stefanos Gkikas, Yang Guo, Guangliang Li, Raul Fernandez Rojas, Giorgos Giannakakis, Randy Gomez

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

AI总结 本研究针对脑电情绪识别提出多尺度时间动态融合框架，在含混合情感类别的三分类任务中获45.43%准确率，优于基线及拼接方法，性能显著提升但计算量更大。

Comments The paper has been accepted at: IEEE | 2026 9th International Conference on Pattern Recognition and Artificial Intelligence (PRAI 2026)

MGMCL: Multi-Granularity Manifold Contrastive Learning With Neural ODEs for Cross-Subject EEG Emotion Recognition

MGMCL：结合神经常微分方程的多粒度流形对比学习用于跨主体脑电情感识别

Xiang Xie

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

AI总结 本文提出结合神经常微分方程的多粒度流形对比学习模型MGMCL，在三个公开脑电情感数据集上实现跨主体情感识别的最优性能，较现有方法有显著提升。

SomnoNet: A Lightweight and Interpretable Framework for Sleep Staging Using Single-Channel EEG

SomnoNet：一种用于单通道脑电图睡眠分期的轻量级可解释框架

Shengwei Guo, Guobing Sun

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

AI总结 研究旨在实现单通道脑电图自动睡眠分期，提出SomnoNet框架，先提取多尺度局部节律表示，再整合相关信息。在两个基准上有良好表现，还开发了紧凑变体SomnoNet-Nano，且能可视化决策证据，平衡了预测性能、紧凑性和决策支持。

Comments 12 pages, 10 figures

SAGE: Switch-Aware EEG-Guided Soft Gating for Target Speaker Extraction with In-Trial Switching

SAGE：面向试次内切换的脑电引导软门控目标说话人提取方法

Xuefei Wang, Ximin Chen, Yuting Ding, Chunlin Li, Fei Chen

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

AI总结 该研究针对试次内听觉注意切换下的脑电引导目标说话人提取难题，提出SAGE框架，通过软门控等技术提升性能，在多项指标上优于基线，实现了动态场景下的稳健目标提取。

Transition-Related Potentials as Markers of Narrative Comprehension in Continuous EEG

作为连续脑电图中叙事理解标记的转换相关电位

Bálint Csanády, Péter Vedres, Kristóf Zsolt Makó, Orsolya Papp-Zipernovszky, Márta Volosin, Dávid Apagyi, András Lukács, András Bálint Kovács, Zoltan Nadasdy

机构 * ELTE Eötvös Loránd University（埃尔特大学） ； Budapest University of Technology（布达佩斯技术大学） ； HUN-REN Wigner Research Centre for Physics（HUN-REN威金物理研究所） ； Semmelweis University（塞梅尔维斯大学） ； University of Miskolc（米什科尔茨大学） ； University of Szeged（塞格德大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 研究利用连续脑电图探索叙事理解，提取与电影转换对齐的电位，发现转换相关电位受叙事背景影响，可用深度神经网络从连续记录中恢复，为分析观众理解电影叙事提供半自动框架，还可用于其他连续刺激。

Comments 40 pages, 14 figures

How Far Can Wearable-Compatible Signals Go? A Controlled Decomposition of Non-EEG Sleep Staging

可穿戴兼容信号能走多远？非脑电图睡眠分期的受控分解

Yi Wang

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

AI总结 研究消费级可穿戴设备通过多种信号推断睡眠阶段的性能，引入四层受控分解框架评估，对比不同信号源的效果，发现非脑电图睡眠分期较粗略，基于置信度弃权可校准操作模式，量化了可穿戴信号与现实传感约束的惩罚。

Comments 9 pages, 5 figures, 6 tables

Differentiable Logic Gate Networks for Low-Latency EEG Classification on Edge Devices

用于边缘设备低延迟脑电图分类的可微逻辑门网络

Shyamal Y. Dharia, Stephen D. Smith, Camilo E. Valderrama

机构 * The University of Winnipeg（温尼伯大学） ； University of Manitoba（曼尼托巴大学） ； University of Calgary（卡尔加里大学） 纠错

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

AI总结 研究边缘设备上低延迟脑电图分类问题，提出可微逻辑门网络Diff-Logic，通过实验将其与MLP、BNN比较，结果表明Diff-Logic在痴呆筛查中表现优，推理时间稳定，确立其为资源受限脑机接口实用范式。

Comments Published in the Proceedings of the 39th Canadian Conference on Artificial Intelligence, PMLR 318, pages 377-391, 2026. Conference version: https://proceedings.mlr.press/v318/dharia26a.html

Journal ref Proceedings of the 39th Canadian Conference on Artificial Intelligence, PMLR 318:377-391, 2026

Comparison of Dimension Reduction Methods for EEG Seizure Detection Using Autonomous AI-Driven Optimization

使用自主人工智能驱动优化的脑电图癫痫检测降维方法比较

Annika Stiehl, Vishal Kagade, Nicolas Weeger, Nicole Ille, Stefan Geißelsöder, Christian Uhl

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

AI总结 研究比较PCA、DyCA、DMD、AVD四种降维方法用于脑电图癫痫检测，通过自主人工智能驱动框架优化架构和超参数，结果显示基于方差的方法性能更优，最佳分类器架构因表示而异，突出输入表示重要性及自主实验的可行性。

Comments Accepted to BMT 2026

SpindleFlexNet: Flexible sleep spindles detection for EEG signals based on an adaptive one-dimensional RetinaNet-based framework

SpindleFlexNet：基于自适应一维视网膜网络框架的脑电信号灵活睡眠纺锤波检测

Shao-Jun Xia, Jing Bao, Anlan Sun, Xiaoyang Chen, Hongjia Liu, Xiao-Ting Li, Ying-Shi Sun

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

AI总结 研究针对睡眠纺锤波在脑电信号中占比小、检测难问题，提出SpindleFlexNet框架，基于自适应一维视网膜网络架构，经两个数据集训练和验证，该框架检测性能稳定、泛化性好，为睡眠研究提供实用工具。

Comments 12 pages, under submission

Graph-Regularized Deep Learning for EEG-Based Emotion Recognition with Psychologically-Grounded Label Structure

基于心理基础标签结构的图正则化深度学习用于基于脑电图的情绪识别

Dongyang Kuang, Zizheng Ma, Yushan Zhang, Xiaocong Zeng

机构 * School of Mathematics (Zhuhai), Sun Yat-sen University（中山大学数学学院（珠海）） 纠错

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

AI总结 研究基于脑电图的情绪识别，提出图正则化学习框架，将情绪视为图中节点，采用三种正则化策略，在三种骨干架构上评估，在SEED-IV和SEED-V数据集上有改进，提升了标准方法的性能上限。

A Sliced-Wasserstein Framework on Correlation Matrices for EEG Decoding

用于脑电图解码的相关矩阵切片Wasserstein框架

Chen Hu, Rui Wang, Jiale Zhou, Jingjun Yi, Shaocheng Jin, Yidong Song, Yefeng Zheng

机构 * Westlake University（西湖大学） ； 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） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 提出基于拉回欧几里得度量的切片Wasserstein框架，实例化两种相关矩阵切片Wasserstein差异，并构建脑电图解码的域泛化方法，在三个数据集上验证了分布偏移下的泛化能力提升。

Comments Accepted by KDD 2026

Lightweight ML-Based Automatic Sleep Staging Framework with Constrained CNN and Mamba for Small-Sample EEG Datasets

基于轻量级机器学习的自动睡眠分期框架：用于小样本脑电数据集的约束卷积神经网络和曼巴算法

Zihao Wei, Yulin Gong, Yudan Lv

机构 * School of Electronic Information Engineering, Changchun University of Science and Technology（长春理工大学电子信息工程学院） ； Jilin University（吉林大学） 纠错

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

AI总结 针对小样本脑电数据自动睡眠分期面临的挑战，提出GamSleepNet框架，结合改进Gabor核与可学习滤波器提取特征，用曼巴架构构建网络，引入新损失和训练策略，验证了最佳数据集大小，提升了挑战性睡眠阶段识别准确率。