脑机接口 / BCI

Improving Generalization of Drowsiness State Classification by Domain-Specific Normalization

Dong-Young Kim, Dong-Kyun Han, Seo-Hyeon Park, Geun-Deok Jang, Seong-Whan Lee

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

Comments Submitted to 2024 12th IEEE International Winter Conference on Brain-Computer Interface

Efficient EEG Seizure Detection Using INT8 Quantization, Channel Pruning, and Spiking Neural Networks

使用 INT8 量化、通道剪枝和脉冲神经网络进行高效脑电癫痫检测

Kartikey Ahlawat

机构 * Leiden Institute of Advanced Computer Science（莱顿先进计算机科学研究所） ； Leiden University（莱顿大学） 纠错

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

AI总结 研究针对可穿戴和植入设备检测癫痫的难题，以一维卷积神经网络为基线，采用参数转移、通道剪枝、INT8 量化三种策略，实现减少模型大小、降低能耗、加快速度，为癫痫检测提供互补效率方向。

Designing Pre-training Datasets from Unlabeled Data for EEG Classification with Transformers

从未标记数据设计预训练数据集用于带有变换器的EEG分类

Tim Bary, Benoit Macq

机构 * Université catholique de Louvain（鲁汶大学） ； ICTEAM ； ELEN 纠错

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

AI总结 本文提出从未标记EEG数据生成多个标记数据集，用于预训练变换器模型，提升EEG分类性能，实验显示预训练模型在训练速度和准确率上均有显著提升。

Comments 6 pages, 4 figures, 5 tables, 22nd IEEE Mediterranean Electrotechnical Conference (MELECON 2024)

Journal ref 2024 IEEE 22nd Mediterranean Electrotechnical Conference (MELECON) (pp. 25-30)

Sleep EEG Signal Criticality as a Non-Invasive Predictor of Cognitive Decline in Dementia

睡眠脑电信号临界性作为痴呆认知衰退的非侵入性预测指标

Stanisław Narębski, Tomasz Komendziński, Tomasz M. Rutkowski

机构 * Institute of Cybernetics and Human Informatics, Polish Academy of Sciences（波兰科学院信息学与人类科学研究所） 纠错

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

AI总结 研究通过多重分形去趋势波动分析量化睡眠脑电信号临界性，发现认知健康者更接近最优临界状态，痴呆组DFA指数向1.0偏移，表明睡眠中无标度神经动力学重组先于临床症状，可作为早期筛查工具。

Comments 4 pages, 2 figures, accepted for publication in the Proc. 48th Annu. Int. Conf. IEEE EMBS (EMBC 2026), Toronto, Canada, July 20-24, 2026

Journal ref 48th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). Toronto, Canada: IEEE Press; 2026. p. 5607-10

Majorization-Minimization Networks for Inverse Problems: An Application to EEG Imaging

用于反问题的Majorization-Minimization网络：在脑电图成像中的应用

Le Minh Triet Tran, Sarah Reynaud, Ronan Fablet, Adrien Merlini, François Rousseau, Mai Quyen Pham

机构 * IMT Atlantique（IMT阿登蒂克） ； LaTIM U1101 INSERM ； Lab-STICC UMR CNRS 6285 纠错

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

AI总结 提出一种基于双层优化的学习型Majorization-Minimization框架，通过参数化曲率主导量并施加MM条件约束，在保持收敛保证的同时提升反问题求解的精度与稳定性，并在脑电图源成像中验证了其优于深度展开和元学习方法。

FEMBA on the Edge: Physiologically-Aware Pre-Training, Quantization, and Deployment of a Bidirectional Mamba EEG Foundation Model on an Ultra-low Power Microcontroller

FEMBA在边缘：一种生理感知的预训练、量化和在超低功耗微控制器上部署双向Mamba EEG基础模型

Anna Tegon, Nicholas Lehmann, Yawei Li, Andrea Cossettini, Luca Benini, Thorir Mar Ingolfsson

机构 * Integrated Systems Laboratory, ETH Zürich（苏黎世联邦理工学院集成系统实验室） ； DEI, University of Bologna（博洛尼亚大学电气、电子与信息工程系） 纠错

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

AI总结 本文提出FEMBA，通过生理感知预训练、量化和部署，实现基于Mamba的EEG基础模型在超低功耗微控制器上的高效应用，提升长期神经监测性能。

Comments 10 pages, 9 tables, 1 figure

Uncovering Patterns of Brain Activity from EEG Data Consistently Associated with Cybersickness Using Neural Network Interpretability Maps

从EEG数据中揭示与晕动症一致的脑活动模式

Jacqueline Yau, Katherine J. Mimnaugh, Evan G. Center, Timo Ojala, Steven M. LaValle, Wenzhen Yuan, Nancy Amato, Minje Kim, Kara D. Federmeier

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

AI总结 本文通过神经网络可解释性地图，研究EEG数据中与晕动症相关的脑活动模式，提出适应性训练框架以提高小样本和不平衡数据下的分类性能。

TRI-DEP: A Trimodal Comparative Study for Depression Detection Using Speech, Text, and EEG

TRI-DEP：一种利用语音、文本和EEG进行抑郁症检测的三模态比较研究

Annisaa Fitri Nurfidausi, Eleonora Mancini, Paolo Torroni

机构 * DISI, University of Bologna, Italy（博洛尼亚大学DISI学院，意大利） 纠错

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

AI总结 本文通过系统比较语音、文本和EEG的三模态方法，验证了多模态检测的有效性，发现预训练嵌入优于手工特征，三模态模型达到最优性能。

A Novel TSK Fuzzy System Incorporating Multi-view Collaborative Transfer Learning for Personalized Epileptic EEG Detection

一种融合多视图协同迁移学习的新型TSK模糊系统用于个性化癫痫EEG检测

Andong Li, Zhaohong Deng, Qiongdan Lou

机构 * School of Artificial Intelligence and Computer Science, Jiangnan University and Engineering Research Center of Intelligent Technology for Healthcare, Ministry of Education（江南大学人工智能与计算机科学学院，智能医疗技术工程研究中心，教育部） ； School of Computer and Information Engineering, Institute for Artificial Intelligence, Shanghai Polytechnic University（上海理工大学计算机与信息工程学院，人工智能研究院） ； School of Internet of Things Engineering, Wuxi University（无锡大学物联网工程学院） 纠错

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

AI总结 本文提出一种融合多视图协同迁移学习的TSK模糊系统，用于解决个性化癫痫EEG检测中的特征提取、数据不足和分布不一致问题，通过多视图学习和迁移学习提升检测性能。

Comments Publication in Neurocomputing

EEG-SeeGraph: Interpreting functional connectivity disruptions in dementias via sparse-explanatory dynamic EEG-graph learning

EEG-SeeGraph: 通过稀疏解释性动态EEG图学习解读痴呆症的功能连接紊乱

Fengcheng Wu, Zhenxi Song, Guoyang Xu, Kaisong Hu, Zirui Wang, Yi Guo, Zhiguo Zhang

机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Institute of Neurological Diseases, Shenzhen Bay Laboratory, Shenzhen, China（深圳湾实验室神经疾病研究院） 纠错

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

AI总结 本文提出EEG-SeeGraph，通过稀疏解释性动态EEG图学习方法，解析痴呆症中功能连接紊乱，具备噪声鲁棒性和可解释性。

From Epilepsy Seizures Classification to Detection: A Deep Learning-based Approach for Raw EEG Signals

从癫痫发作分类到检测：基于深度学习的原始EEG信号处理方法

Davy Darankoum, Manon Villalba, Clelia Allioux, Baptiste Caraballo, Carine Dumont, Eloise Gronlier, Corinne Roucard, Yann Roche, Chloe Habermacher, Sergei Grudinin, Julien Volle

机构 * SynapCell SAS ； Univ. Grenoble Alpes, CNRS, Grenoble INP, LJK（格陵兰大学阿尔卑斯分校、国家科学研究中心、格陵兰理工学院、LJK） 纠错

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

AI总结 本文提出基于深度学习的原始EEG信号处理方法，用于癫痫发作检测与分类，通过预处理、后处理及严格评估流程提升检测准确性，并在跨物种验证中表现优异。

Comments 25 pages, 3 tables, 5 figures

Channel Selected Stratified Nested Cross Validation for Clinically Relevant EEG Based Parkinsons Disease Detection

基于临床相关EEG的帕金森病检测通道选择分层嵌套交叉验证

Nicholas R. Rasmussen, Rodrigue Rizk, Longwei Wang, Arun Singh, KC Santosh

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

AI总结 本文提出一种分层嵌套交叉验证框架，通过患者层面分层、多层窗口化和内循环通道选择，解决EEG数据中的偏差和信息泄露问题，实现80.6%的准确率，为临床应用提供可靠基础。

Comments Submitted to IEEE Conference -> Accepted 1/23/26

A Systematic Evaluation of Self-Supervised Learning for Label-Efficient Sleep Staging with Wearable EEG

可穿戴EEG设备在标签高效睡眠分期中的自监督学习系统评估

Emilio Estevan, María Sierra-Torralba, Eduardo López-Larraz, Luis Montesano

机构 * Bitbrain ； DIIS - I3A, Universidad de Zaragoza（DIIS - I3A，阿拉瓦大学） 纠错

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

AI总结 本文首次系统评估了使用可穿戴EEG进行睡眠分期的自监督学习方法，证明其在减少标注依赖的同时能提升分类性能，达到临床级准确率。

Comments 15 pages, 4 figures

NeuroSleep: Neuromorphic Event-Driven Single-Channel EEG Sleep Staging for Edge-Efficient Sensing

NeuroSleep：神经形态事件驱动单通道EEG睡眠分期用于边缘高效传感

Boyu Li, Xingchun Zhu, Yonghui Wu

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

AI总结 NeuroSleep通过神经形态事件驱动技术实现单通道EEG睡眠分期，显著降低计算负载并提升能耗效率。

Comments 14 pages, 5 figures, under review at Physiological Measurement

ZUNA: Flexible EEG Superresolution with Position-Aware Diffusion Autoencoders

ZUNA：基于位置感知扩散自编码器的灵活EEG超分辨率

Christopher Warner, Jonas Mago, JR Huml, Mohamed Osman, Beren Millidge

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

AI总结 ZUNA是一种基于位置感知扩散自编码器的EEG超分辨率方法，通过灵活的架构和训练策略实现对任意电极配置的高效处理和泛化性能。

Comments initial upload 09/02/2026

BrainRVQ: A High-Fidelity EEG Foundation Model via Dual-Domain Residual Quantization and Hierarchical Autoregression

BrainRVQ: 一种通过双域残差量化和分层自回归的高保真EEG基础模型

Mingzhe Cui, Tao Chen, Yang Jiao, Yiqin Wang, Lei Xie, Yi Pan, Luca Mainardi

机构 * State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou, China（浙江大学工业控制技术状态重点实验室） ； Department of Electronics, Information and Bioengineering, Politecnico di Milano, Milan, Italy（米兰理工学院电子、信息与生物工程系） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China（中国科学院深圳先进技术研究所） 纠错

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

AI总结 BrainRVQ通过双域残差量化和分层自回归方法，实现了对EEG信号的高保真基础模型，有效提升了细粒度神经表示的学习能力。

EEG-MACS: Manifold Attention and Confidence Stratification for EEG-based Cross-Center Brain Disease Diagnosis under Unreliable Annotations

EEG-MACS: 用于基于EEG的跨中心脑部疾病诊断的流形注意力与置信度分层

Zhenxi Song, Ruihan Qin, Huixia Ren, Zhen Liang, Yi Guo, Min Zhang, Zhiguo Zhang

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shenzhen People's Hospital（深圳人民医院） ； Shenzhen University（深圳大学） ； Shenzhen Bay Laboratory（深圳湾实验室） 纠错

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

AI总结 EEG-MACS通过流形注意力与置信度分层技术，提升跨中心脑部疾病诊断的准确性与鲁棒性。

Comments 15 pages, 9 figures. Oral presentation at ACM MM 2024

Journal ref In Proceedings of the 32nd ACM International Conference on Multimedia (ACM MM '24), pp. 340-349, 2024

Combining Residual U-Net and Data Augmentation for Dense Temporal Segmentation of Spike Wave Discharges in Single-Channel EEG

结合残差U-Net与数据增强实现单通道EEG中尖峰波放电的密集时间分割

Saurav Sengupta, Scott Kilianski, Suchetha Sharma, Sakina Lashkeri, Ashley McHugh, Mark Beenhakker, Donald E. Brown

机构 * University of Virginia（弗吉尼亚大学） ； School of Data Science（数据科学学院） ； School of Medicine（医学院） 纠错

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

AI总结 本研究提出AugUNet1D方法，通过残差连接和数据增强技术提升单通道EEG中尖峰波放电检测的跨受试者泛化能力。

Three-Way Emotion Classification of EEG-based Signals using Machine Learning

基于EEG信号的三元情绪分类使用机器学习

Ashna Purwar, Gaurav Simkar, Madhumita, Sachin Kadam

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

AI总结 本文提出使用随机森林模型对EEG信号进行三元情绪分类，实验表明其在准确率和F1分数上表现最佳。

Comments 6 pages, 8 figures, and 3 tables. Submitted to a conference, under review

LEAD: An EEG Foundation Model for Alzheimer's Disease Detection

LEAD：一种用于阿尔茨海默病检测的EEG基础模型

Yihe Wang, Nan Huang, Nadia Mammone, Marco Cecchi, Xiang Zhang

机构 * Department of Computer Science, University of North Carolina at Charlotte, United States（北卡罗来纳州立大学计算机科学系） ； DICEAM Department, University Mediterranea of Reggio Calabria, Italy（雷焦卡拉布里亚地中海大学DICEAM系） 纠错

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

AI总结 LEAD是一种基于EEG的阿尔茨海默病检测基础模型，通过门控时间-空间Transformer和受试者正则化策略，实现大规模数据集上的高效检测与泛化。

Auditory Attention Decoding without Spatial Information: A Diotic EEG Study

无空间信息的听觉注意力解码：一项双耳EEG研究

Masahiro Yoshino, Haruki Yokota, Junya Hara, Yuichi Tanaka, Hiroshi Higashi

机构 * Department of Electronic and Information Engineering, School of Engineering, The University of Osaka, Suita, Japan（大阪大学工学部电子信息工学科） ； Graduate School of Engineering, The University of Osaka, Suita, Japan（大阪大学工学研究院） 纠错

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

AI总结 本文提出了一种无需空间信息的听觉注意力解码框架，通过双耳EEG和语音信号共享潜在空间，实现72.70%的高准确率，优于现有方向基方法。

EEG-Titans: Long-Horizon Seizure Forecasting via Dual-Branch Attention and Neural Memory

EEG-Titans：通过双分支注意力和神经记忆进行长 horizon 癫痫发作预测

Tien-Dat Pham, Xuan-The Tran

机构 * HAI-Smartlink Research Lab, Anchi STE Company（HAI-Smartlink研究实验室，Anchi STE公司） ； School of Mechanical Engineering, Vietnam Maritime University（机械工程学院，越南海事大学） 纠错

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

AI总结 EEG-Titans通过双分支注意力和神经记忆机制，实现了高灵敏度的长时段癫痫发作预测，有效减少误报并提升临床实用性。

Resting-State EEG Network Profiles Associated with Creative Engagement and Creative Self-Efficacy

静息态EEG网络特征与创造性参与及创造性自我效能的关系

Samir Damji, Simrut Kurry, Shazia'Ayn Babul, Joydeep Bhattacharya, Naznin Virji-Babul

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

AI总结 研究通过静息态EEG分析揭示了创造力自我效能与参与度的神经网络特征，发现不同群体在alpha波段连接模式上存在显著差异。

Comments 37 pages, 6 figures, 2 tables; expanded methods + results, refined interpretation, added references

EEG-to-fMRI synthesis of task-evoked and spontaneous brain activity: addressing issues of statistical significance and generalizability

从EEG到fMRI的合成：解决统计显著性和泛化性问题

Neil Mehta, Ines Goncalves, Alberto Montagna, Mathis Fleury, Gustavo Caetano, Ines Esteves, Athanasios Vourvopoulos, Pulkit Grover, Patricia Figueiredo

机构 * Institute for Systems and Robotics – Lisboa and Department of Bioengineering, Instituto Superior Técnico, Universidade de Lisboa, Portugal（里斯本系统与机器人研究所及生物工程系，里斯本技术学院，里斯本大学，葡萄牙） ； Electrical and Computer Engineering Department, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学） 纠错

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

AI总结 本文探讨了EEG到fMRI合成中统计显著性和泛化性问题，通过训练分布式滞后线性模型，展示了EEG在预测任务诱发和自发脑活动中的有效性，但发现训练数据不同会话时预测能力下降。

Neural Brain Fields: A NeRF-Inspired Approach for Generating Nonexistent EEG Electrodes

神经脑场：一种受NeRF启发的方法用于生成不存在的EEG电极

Shahar Ain Kedem, Itamar Zimerman, Eliya Nachmani

机构 * School of Electrical and Computer Engineering, Ben Gurion University of the Negev（本·古里安大学内盖夫分校电子与计算机工程学院） ； School of Computer Science, Tel Aviv University（特拉维夫大学计算机科学学院） 纠错

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

AI总结 本文提出了一种受NeRF启发的方法，通过生成不存在的EEG电极数据，实现对脑活动的高分辨率可视化和EEG信号的重建。

Clinically Calibrated Machine Learning Benchmarks for Large-Scale Multi-Disorder EEG Classification

临床校准的机器学习基准用于大规模多障碍EEG分类

Argha Kamal Samanta, Deepak Mewada, Monalisa Sarma, Debasis Samanta

机构 * Department of Electronics ； Electrical Communication Engineering Indian Institute of Technology, Kharagpur West Bengal, India ； Department of Computer Science ； Engineering Indian Institute of Technology, Kharagpur West Bengal, India ； Subir Chowdhury School of Quality ； Reliability Indian Institute of Technology, Kharagpur West Bengal, India 纠错

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

AI总结 本研究通过临床校准的机器学习方法，实现了大规模多障碍EEG分类，提升了诊断灵敏度和实际应用价值。

Graph Attention Networks for Detecting Epilepsy from EEG Signals Using Accessible Hardware in Low-Resource Settings

基于图注意力网络的癫痫检测方法：利用低成本硬件在资源匮乏地区检测癫痫

Szymon Mazurek, Stephen Moore, Alessandro Crimi

机构 * AGH University of Krakow（克拉科夫AGH大学） ； University of Cape Coast（科克海岸大学） 纠错

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

AI总结 本文提出了一种基于图注意力网络的低成本癫痫检测方法，利用EEG信号在资源匮乏地区实现高效且可解释的诊断支持。

BIONIX: A Wireless, Low-Cost Prosthetic Arm with Dual-Signal EEG and EMG Control

BIONIX：一种无线、低成本的假肢手臂，采用双信号EEG和EMG控制

Pranesh Sathish Kumar

机构 * Alliance Academy for Innovation（创新联盟学院） ； Cumming, GA（佐治亚州库姆инг） 纠错

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

AI总结 BIONIX项目提出了一种低成本假肢手臂，结合EEG和EMG双信号控制，实现多自由度实时控制，适用于低资源环境中的截肢者。

Comments 12 pages, 8 figures

Brain-MGF: Multimodal Graph Fusion Network for EEG-fMRI Brain Connectivity Analysis Under Psilocybin

Brain-MGF：多模态图融合网络用于psilocybin下EEG-fMRI脑连接分析

Sin-Yee Yap, Fuad Noman, Junn Yong Loo, Devon Stoliker, Moein Khajehnejad, Raphaël C. -W. Phan, David L. Dowe, Adeel Razi, Chee-Ming Ting

机构 * School of Information Technology, Monash University Malaysia（信息技术学院，墨尔本大学马来西亚分校） ； Department of Data Science and AI, Faculty of Information Technology, Monash University（数据科学与人工智能系，信息科技学院，墨尔本大学） ； Turner Institute for Brain and Mental Health, School of Psychological Sciences, Monash University（脑与心理健康研究所，心理学科学学院，墨尔本大学） 纠错

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

AI总结 Brain-MGF通过多模态图融合网络实现psilocybin下EEG-fMRI脑连接分析，提升冥想和休息状态下的区分准确率与F1分数。

Comments 5 pages

EEG Emotion Recognition Through Deep Learning

通过深度学习进行EEG情绪识别

Roman Dolgopolyi, Antonis Chatzipanagiotou

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

AI总结 本文提出了一种基于CNN-Transformer的EEG情绪识别模型，实现91%的准确率，通过减少EEG电极需求，推动低成本消费级设备的应用，为情绪监测和心理健康干预提供新途径。

Comments This version corresponds to the original manuscript submitted to the 22nd EMCIS conference prior to peer review. The peer-reviewed and accepted version will appear in the Springer conference proceedings