脑机接口 / BCI

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。

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。

SleepExplain: Explainable Non-Rapid Eye Movement and Rapid Eye Movement Sleep Stage Classification from EEG Signal

SleepExplain: 基于EEG信号的可解释非快速眼动和快速眼动睡眠阶段分类

Rafsan Jany, Md. Hamjajul Ashmafee, Iqram Hussain, Md Azam Hossain

机构 * Islamic University of Technology（伊斯兰科技大学） ； Seoul National University（首尔国立大学） 纠错

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

AI总结 提出SleepExplain模型，使用集成学习（随机森林、XGBoost、梯度提升）对NREM和REM睡眠阶段进行分类，准确率达94.30%，并利用SHAP提供可解释性。

Comments 6 pages, 7 figures, 2022 25th International Conference on Computer and Information Technology (ICCIT)

Journal ref 2022 25th International Conference on Computer and Information Technology (ICCIT), pp. 248-253, 2022

ZIPBrain: Can EEG Foundation Models Be Faster, Locally Deployable, but Accurate?

ZIPBrain：脑电基础模型能否更快、可本地部署且仍保持准确？

Lingwei Li, Yirong Kan, Peng Chen, Xu Cao, Zheng Chen, Yasuhiko Nakashima

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 本研究提出即插即用模块ZIPBrain，利用EEG低SNR特性减少token数量，使EEG基础模型推理速度提升32.7%（最高41.8%）且平均准确率提升1.3%-10.5%，可本地部署。

Comments 7 pages(14 pages including appendix), 5 figures

Does EEG Foundation Models Transfer to Speech? A Benchmark on Overt and Imagined Speech Decoding

脑电基础模型能否迁移至语音？显性与想象语音解码的基准测试

Owais Mujtaba Khanday, Mohamed Baha Ben Ticha, Sanae Belfrouh, Marc Ouellet, Jose A. Gonzalez-Lopez

机构 * University of Granada, Spain（格拉纳达大学） ； Research Centre for Information and Communication Technologies (CITIC-UGR), Spain（信息与通信技术研究中心） ； University of Chouaib Doukkali, Morocco（舒艾卜·杜卡利大学） ； Brain, Mind, and Behavior Research Center (CIMCYC), University of Granada, Spain（大脑、心智与行为研究中心） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；BCI(abstract,abstract_cn)；motor imagery(abstract)

AI总结 本文开展首个脑电基础模型语音解码基准测试，对比LaBraM等模型与EEGNet等基线，发现通用脑电预训练未在语音任务上展现一致优势，为语音专用基础模型研究提供依据。

Comments 6 pages, 1 figure, 3 tables, submitted to IberSPEECH 2026

MSBraM: A Multi-scale Self-supervised Brain Foundation Model for Hierarchical EEG Dynamics Learning

MSBraM：用于分层脑电动力学学习的多尺度自监督脑基础模型

Tao Zhou, Jing Han, Lingyu Shu, Zixing Zhang

机构 * Hunan University（湖南大学） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 针对现有方法难捕捉EEG信号多尺度时间结构的问题，提出MSBraM模型。该模型采用两阶段预训练框架，经多尺度神经分词器和课程多尺度掩码策略学习分层EEG表征。实验显示其在多个下游任务中性能优越，证明显式建模多尺度时间动态对EEG基础模型的重要性。

Multimodal Pretraining for Generalizable EEG Representation Learning

用于可泛化脑电信号表征学习的多模态预训练

Targol Bakhtiarvand, Jugal Kalita, Adham Atyabi

机构 * University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 研究针对癫痫EEG模型应用局限问题，开发多模态EEG基础模型，结合多种编码器，通过创新预训练技术创建癫痫相关表征。在多个数据集和评估设置下实验，该模型实现强大癫痫检测与适应新场景能力，支持可解释癫痫定位，性能达当前最优。

Dual-Stream EEG Decoding for 3D Visual Perception

用于3D视觉感知的双流脑电解码

Ninon Lizé Masclef, Taisija Demcenko, Antonella Catanzaro, Nataliya Kosmyna

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)

AI总结 提出一种模仿生物视觉腹侧和背侧通路的双流脑电解码模型，通过圆形回归预测角度和EEG条件多视图扩散实现3D重建，揭示了时间动态的通道参与模式。

Comments 17 pages, 4 figures. Accepted at the Symmetry and Geometry in Neural Representations Workshop (NeurReps), NeurIPS 2025. To appear in Proceedings of Machine Learning Research (PMLR)

Evaluating Closed-Loop EEG Feedback for Simulated Prosthetic Vision in Immersive VR: A Sham-Controlled Feasibility Study

评估沉浸式虚拟现实中模拟假体视觉的闭环脑电图反馈：一项假对照可行性研究

Ruyi Cao, Lily M. Turkstra, Adyah Rastogi, Michael Beyeler

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

AI总结 研究在沉浸式VR中评估模拟假体视觉的闭环EEG反馈的可行性，开发EEG引导神经自适应训练平台，22名参与者参与假对照物体定位任务，结果显示EEG相关反馈未产生可靠组级益处，确定了相关方法和设计的局限性。

Physiological Prior-Driven Label Enhancement for Cross-Subject EEG Emotion Recognition

用于跨主体脑电情感识别的生理先验驱动标签增强

Hongyu Zhu, Lin Chen, Yuming Fu, Mounim A. El-Yacoubi, Mingsheng Shang

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

AI总结 针对跨主体脑电情感识别中标签噪声问题，提出PhyDA框架，通过生理噪声量化器和数据自适应标签细化器，统一神经生理先验与数据驱动的标签细化，实验证明该方法显著优于基线，具有可解释性和鲁棒性。

Comments Submitted; 11 pages

When VR Meets BCI: (Un)Observable Brainwave-aware Privacy Reconstruction in the Metaverse via Unrestricted Inbuilt Motion Sensors

当VR遇上BCI：通过无限制内置运动传感器在元宇宙中实现（不可）观察的脑电波感知隐私重建

Tao Ni, Zehua Sun, Qingchuan Zhao, Wei-Bin Lee, Cong Wang

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

AI总结 利用VR头显内置运动传感器捕捉瞳孔反应引起的细微振动，重建脑电信号，首次在元宇宙中揭示不可观察的隐私泄露，实现52.0%-67.2%的感知图像识别准确率。

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。

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

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

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

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。