脑机接口 / BCI

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

GraM-Diff: A Unified Graph-Mamba Diffusion Framework for EEG-Based Alzheimer's Disease Data Generation and Diagnosis

GraM-Diff：用于基于脑电图的阿尔茨海默病数据生成与诊断的统一图-状态空间扩散框架

M. Tanveer, Ayush Singh Rana, Sanskriti Jain, Arnav Kumar, Aryaman Tiwari, A. Rahaman, A. Quadir, M. Sajid

机构 * Indian Institute of Technology Indore（印度理工学院印多尔分校） 纠错

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

AI总结 本研究提出GraM-Diff框架，通过结合图卷积网络与双向Mamba状态空间块生成脑电图数据，用于阿尔茨海默病诊断，在四个基准测试中提升了分类性能与鲁棒性。

Journal ref MICCAI 2026 EMERGE

Behavioral Latency as Weak Event-Time Supervision for EEG Reaction-Time Decoding

行为延迟作为脑电反应时解码的弱事件时间监督

Anuar Aimoldin, Ayana Mussabayeva, Yedige Mussabayev, Xue Liu, Kun Zhang

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

AI总结 该研究将试次级脑电反应时解码重新表述为事件时间后验建模，在5个随机种子下证实其相比标量回归等方法提升了预测性能，且具有可解释性。

Comments 33 pages, including appendices; 7 figures and 12 tables. Accepted for publication in Neural Computation

Beyond Reconstruction: What EEG-to-Video Decoding Actually Recovers

超越重建：脑电信号到视频解码究竟能恢复什么

Prajwal Singh, Anupam Sharma, Pankaj Pandey, Krishna Miyapuram, Shanmuganathan Raman

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

AI总结 本研究提出EEGVid框架用于脑电到动态视频的解码，发现脑电含视觉与情绪结构，当前重建仅反映粗粒度刺激级信息，三元组学习可优化脑电特征，生成器会主动利用脑电作为内容信号。

One Model for All: Universal Pre-training for EEG based Emotion Recognition across Heterogeneous Datasets and Paradigms

统一模型适用于所有：面向异构数据集与范式的脑电情感识别通用预训练

Xiang Li, You Li, Yazhou Zhang

机构 * Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center inJinan), Qilu University of Technology (Shandong Academy of Sciences), Jinan, China and Shandong Provincial Key Laboratory of Computing Power Internet and Service Computing, Shandong Fundamental Research Center for Computer Science, Jinan, China（教育部计算功率网络与信息安全重点实验室，山东计算机科学中心（济南国家超算中心），青岛科技大学（山东省科学院），济南，中国和山东省计算功率互联网与服务计算省级重点实验室，山东省计算机科学基础研究中心，济南，中国） ； College of Intelligence and Computing, Tianjin University（天津大学智能与计算学院） 纠错

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

AI总结 该研究针对脑电情感识别的数据集异质性问题，提出含UCS、ART与GAT的通用预训练框架，在多个数据集的被试内基准及跨数据集迁移任务上取得SOTA性能。

Comments We discovered substantive errors in the experimental methodology and reported results. These issues affect the validity of the current version, so we withdraw the article and plan to submit a corrected replacement

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

机构 * Southern University of Science and Technology（南方科技大学） ； Capital Medical University（首都医科大学） 纠错

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。

See the Emotion: A Facial Emoji Proxy Modeling for EEG Emotion Recognition

看见情感：用于脑电图情感识别的面部表情符号代理建模

Jingjing Hu, Guo Dan, Haofan Cheng, Ying Zeng, Zhan Si, Jinxing Zhou, Meng Wang

机构 * Hefei University of Technology（合肥工业大学） ； PLA Information Engineering University（中国人民解放军信息工程大学） ； University of Science and Technology of China（中国科学技术大学） ； MBZUAI 纠错

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

AI总结 研究将脑电图可解释性重构为跨模态生成任务，提出面部表情符号代理建模框架，把高维脑电图信号转化为面部表情符号，在相关基准测试中取得先进准确率，能生成忠实面部动画展现大脑情感演变。

Comments Accepted by ICML 2026

A Granularity-Aware EEG Feature Framework for Psychopathology Dimension Prediction

一种用于精神病理学维度预测的粒度感知脑电图特征框架

Haofan Cheng, Jingjing Hu, Jingrong Pei, Shuaiqi Fu, Meilun Shen, Shuai Fang, Meng Wang, Dan Guo, Jie Zhang

机构 * School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院） ； Preventive Medicine Institute & Medical Innovation Center, The Fourth Military Medical University（第四军医大学预防医学研究所&医学创新中心） ； Key Laboratory of Knowledge Engineering with Big Data (Ministry of Education of China), Hefei University of Technology（合肥工业大学大数据知识工程教育部重点实验室） 纠错

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

AI总结 开发粒度感知脑电图特征管道，将多尺度描述符组织到不同层级，用健康脑网络队列评估对四种精神病理学维度的预测，树模型等有改进，多尺度特征含相关信号，粒度感知选择或为有用策略。

Prior-Guided Frequency-Calibrated Virtual EEG Channel Inference from Four Frontal Electrodes for Wearable EEG Augmentation

用于可穿戴脑电图增强的鲁棒频率校准虚拟脑电通道生成：来自四个额叶电极

Minghao Xiao

机构 * School of Biomedical Science and Engineering, South China University of Technology（生物医学工程学院，华南理工大学） ； School of Automation Science and Engineering, South China University of Technology（自动化科学与工程学院，华南理工大学） 纠错

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

AI总结 提出FAVC-Net网络，通过频率校准从四个额叶电极生成13个未测量通道，联合优化波形保真度、频谱分配和鲁棒性，在PRED+CT数据集上实现最佳波形-频谱性能。

Comments 19 pages, 4 figures

Neural Signatures of Programming Expertise: Classifying Programmer Skill Levels Using EEG Data

编程专长的神经特征：使用脑电图数据对程序员技能水平进行分类

Maurice Rekrut, Mahima Mahabaleshwar Acharya, Taisiia Ulianova, Norman Peitek, Annabelle Bergum, Mariya Toneva, Sven Apel, Antonio Krüger

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

AI总结 利用脑电图和机器学习分析编程经验与神经活动的关系，通过随机森林分类器实现高精度技能水平分类，揭示了熵值和额叶激活模式等关键神经特征。

DAH-Net: A Dual-Attention Hybrid Network for Interpretable and Robust EEG-Based Emotion Recognition

DAH-Net: 用于可解释且鲁棒的基于脑电情绪识别的双注意力混合网络

S M Rakib UI Karim, Diponkor Bala, Wenyi Lu, Rownak Ara Rasul, Sean Goggins

机构 * Department of Electrical \& Computer Engineering University of Missouri Columbia, Missouri, USA ； Department of Computer Science ； Engineering City University Savar, Dhaka-1340, Bangladesh ； Department of Computer Science University of Missouri Columbia, Missouri, USA 纠错

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

AI总结 提出DAH-Net双注意力混合网络，集成1D-CNN、BiLSTM和双多头注意力，在2479样本988特征上达到99.19%测试准确率，优于传统模型，并通过特征分析揭示协方差特征贡献最大。

Dive into Waves: Morlet Spectral Transformer for Cross-Subject Emotion Decoding from EEG

深入波动：用于跨被试脑电情绪解码的Morlet谱变换器

Jiaxin Qing, Lexin Li

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 针对脑电情绪识别中跨被试变异性问题，提出基于Morlet小波标记化、长上下文基线去除和频带特定空间投影的Morlet谱变换器（MST），无需预训练即可在SEED系列数据集上超越大型预训练模型和频域方法。

Beyond Augmentation: Score-Guided Pathological Prior for EEG-based Depression Detection

超越增强：基于评分引导的病理先验用于脑电图抑郁症检测

Xiaojing Chen, Jingqi Cheng, Xu Zhao, Wan Jiang, Jingjing Wu

机构 * School of Internet, Anhui University（安徽大学互联网学院） ； School of Computer Science and Technology, Hefei University of Technology（合肥工业大学计算机科学与技术学院） ； School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院） 纠错

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

AI总结 针对脑电图抑郁症检测中的小样本困境，提出无数据增强的评分引导分类框架，利用生成网络建模病理先验并融合深度特征，同时设计跨通道空间适应模块解决多中心数据集硬件异构问题。

State-Flow Coordinated Representation for MI-EEG Decoding

状态-流协调表示用于运动想象-EEG解码

Guoqing Cai, Shoulin Huang, Ting Ma

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

AI总结 本文提出StaFlowNet，通过分离和协调状态与流信息提升运动想象-EEG解码性能，实验表明其在三个公开数据集上均优于现有方法。

From Video to EEG: Adapting Joint Embedding Predictive Architecture to Uncover Saptiotemporal Dynamics in Brain Signal Analysis

从视频到EEG：适应联合嵌入预测架构以揭示脑信号分析中的空间时间动态

Amirabbas Hojjati, Lu Li, Ibrahim Hameed, Anis Yazidi, Pedro G. Lind, Rabindra Khadka

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

AI总结 本文提出EEG-VJEPA，通过将EEG视为视频序列，利用联合嵌入和自适应掩码学习空间时间表示，提升分类准确率并提供可解释的嵌入，适用于实际临床场景。

Do Models See in Line with Human Vision? Probing the Correspondence Between LVLM Representations and EEG Signals

模型的视觉感知是否与人类视觉一致？探测LVLM表示与EEG信号之间的对应关系

Xin Xiao, Yang Lei, Haoyang Zeng, Xiao Sun, Xinyi Jiang, Yu Tian, Hao Wu, Kaiwen Wei, Jiang Zhong

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

AI总结 本文通过EEG信号分析，揭示了LVLM的视觉表示与人类大脑的对应关系，发现中间层与EEG活动对齐，多模态架构提升大脑对齐性，且视觉表现强的模型EEG相似性更高。

Stringology-Based Motif Discovery from EEG Signals: an ADHD Case Study

基于字符串学的EEG信号中的动机发现：一项ADHD案例研究

Anat Dahan, Samah Ghazawi

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

AI总结 本文提出基于字符串学的EEG信号模式发现方法，用于分析ADHD患者的神经活动特征，揭示其在结构、稳定性和层次组织上的系统性差异。