Multiclass Common Spatial Pattern for EEG based Brain Computer Interface with Adaptive Learning Classifier
专题命中 EEG解码 ：brain computer interface(title,abstract)；EEG(title,abstract)；BCI(abstract)；motor imagery(abstract)
科学与医疗
脑机接口 / BCI
脑机接口、EEG、神经信号解码、神经假体和脑控交互。
1. EEG解码 3894 篇
Brain-Computer Interface with Corrupted EEG Data: A Tensor Completion Approach
专题命中 EEG解码 ：brain-computer interface(title,abstract)；EEG(title,abstract)；BCI(abstract)；motor imagery(abstract)
Comments 21 pages, 3 tables, 4 figures
Journal ref Sole-Casals, J., Caiafa, C.F., Zhao, Q. et al. Cogn Comput (2018). https://doi.org/10.1007/s12559-018-9574-9
Toward Practical BCI: A Real-time Wireless Imagined Speech EEG Decoding System
机构 * Dept. of Artificial Intelligence Korea University Seoul, Republic of Korea jiha\ ； Dept. of Artificial Intelligence Korea University Seoul, Republic of Korea hg\ ； Cognitive Engineering Korea University Seoul, Republic of Korea gh\ ； Tech. Innovation Group KT R\&D Center Seoul, Republic of Korea ； Dept. of Artificial Intelligence Korea University Seoul, Republic of Korea
专题命中 EEG解码 ：BCI(title,abstract)；EEG(title,abstract)；brain-computer interface(abstract,comments)；neural interface(abstract)
Comments 4 pages, 2 figures, 1 table, Name of Conference: International Conference on Brain-Computer Interface
EEG Decoding Using CNN and LSTM Network
基于CNN与LSTM网络的脑电信号解码
机构 * School of Science（理学院）
专题命中 EEG解码 ：EEG(title,summary_cn)；BCI(abstract_cn)；motor imagery(abstract)；分类 cs.LG、cs.HC
AI总结 本研究提出CNN与bi-LSTM结合的混合深度学习架构，用于MI-EEG解码，在公开与私有数据集上实现稳健的二、三类运动想象分类，具备良好的被试独立解码能力。
Comments 9 pages, 9 figures
Cognitive Energy Modeling for Neuroadaptive Human-Machine Systems using EEG and WGAN-GP
基于EEG和WGAN-GP的神经适应性人机系统认知能量建模
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of North Texas（北德克萨斯大学）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 cs.LG、cs.HC
AI总结 本文利用Schrödinger Bridge Problem建模EEG数据中的认知能量，通过比较真实与合成EEG在Stroop任务中的过渡能量，验证合成EEG在神经适应性人机系统中的有效性。
Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms
基于深度学习与注意力机制的睡眠研究中单通道移动EEG的伪影检测与定位
机构 * Institute of Biomedical Engineering, Ulm University（生物医学工程研究所，乌尔姆大学） ； Mobile Health Systems Lab, Department of Health Sciences and Technology, ETH Zurich（移动健康系统实验室，健康科学与技术系，苏黎世联邦理工学院）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG
AI总结 该研究针对单通道移动EEG伪影检测的应用局限，提出CNN-CBAM模型，经72份训练、26份测试数据验证，其性能优于6种对比方法，实现了可穿戴睡眠EEG伪影的自动化检测与定位。
ZUNA1.1: A more flexible EEG foundation model for Denoising and Super-resolution
ZUNA1.1：一种更灵活的用于去噪和超分辨率的脑电图（EEG）基础模型
机构 * Zyphra
专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC、cs.LG
AI总结 研究推出3.8亿参数的EEG基础模型ZUNA1.1，其灵活性远超原模型ZUNA1，在EEG去噪与重建任务中性能达标且显著优于MNE包的球形样条插值，已以Apache 2.0许可开源发布。
CoCoT-EEG: Contrastive-Pretrained Multiscale Convolutional Transformer for EEG Decoding
CoCoT-EEG：用于脑电解码的对比预训练多尺度卷积Transformer
机构 * Sigma Nova Paris（巴黎西格玛诺瓦公司） ； Goethe University Frankfurt（法兰克福歌德大学）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC、cs.LG
AI总结 研究针对EEG解码，开发了含多尺度时间卷积输入层和Transformer编码器块的对比预训练模型CoCoT，在广泛基准解码任务中表现出色，优于单任务解码模型，证明对比学习构建EEG基础模型可行，还给出架构设计考量。
When Certificates Fail: A Unified Safety Framework for Embedded Neural Interface Models
当证书失效时：嵌入式神经接口模型的统一安全框架
机构 * IKSMHA Center, IIT Mandi（印度理工学院曼迪分校IKSMHA中心）
专题命中 EEG解码 ：neural interface(title,abstract)；BCI(abstract,abstract_cn)；EEG(abstract,abstract_cn)；neural signal(abstract)
AI总结 研究嵌入式神经接口模型数学认证与操作安全的差距，提出围绕验证不足、代理保真度差异和潜在信息泄露的统一实证审计框架，通过实验表明操作安全审计对神经接口部署很必要。
Comments 12 pages; To be published in peer-reviewed journal
Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts
EEG基础模型的测试时间适应：在现实世界分布偏移下的系统研究
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG
AI总结 本文系统研究了EEG基础模型在现实分布偏移下的测试时间适应方法，发现标准方法效果不稳定且易退化，而无优化方法更稳定可靠。
Comments Accepted to MLHC 2026
Bayesian uncertainty-aware deep learning with noisy labels: Tackling annotation ambiguity in EEG seizure detection
贝叶斯不确定性感知深度学习：应对EEG癫痫检测中的标注模糊性
机构 * Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG
AI总结 本文提出BUNDL算法，通过整合领域知识和贝叶斯框架，设计基于KL散度的损失函数，提升EEG癫痫检测的鲁棒性，验证了其在噪声标签下的有效性及跨机构泛化能力。
From Handcrafted Features to Functional Edge Learning: Evolution of EEG Seizure Detection Frameworks
从手工特征到功能边学习：EEG癫痫检测框架的演变
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； College of Engineering, University of Tehran（塔里哈大学工程学院）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG
AI总结 本文综述了深度学习在EEG癫痫检测中的局限性，并引入KAN网络作为替代方案，通过可学习的边函数提升可解释性、参数效率和数据稀缺下的鲁棒性。
Evaluation of EEG Foundation Models for Event-Based Burst-Suppression Detection in ICU
用于ICU中基于事件的爆发-抑制检测的EEG基础模型评估
机构 * DEI, University of Bologna, Bologna, Italy（DEI，博洛尼亚大学，博洛尼亚，意大利）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG
AI总结 本研究首次评估EEG基础模型在ICU中无需患者校准的爆发检测性能，REVE-base模型在事件级F1分数上达到0.868，并将每分钟爆发错误率分别降低52.1%和36.2%。
Comments 4 pages, 1 figure. Code available upon publication
EEG-FM-Bench: A Comprehensive Benchmark for the Systematic Evaluation and Diagnostic Analyses of EEG Foundation Models
EEG-FM-Bench：脑电图基础模型系统评估与诊断分析的综合基准
机构 * School of Computer Science and Technology, Tongji University, Shanghai, China（同济大学计算机科学与技术学院，上海，中国） ； Translational Research Center, Shanghai Yangzhi Rehabilitation Hospital (Shanghai Sunshine Rehabilitation Center), China（上海杨氏康复医院（上海阳光康复中心）转化研究中心，中国）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.HC
AI总结 提出EEG-FM-Bench统一基准，整合14个数据集和10种范式，通过多种微调策略和诊断分析揭示多任务学习可缓解过拟合、预训练效率受梯度冲突限制、模型规模非唯一决定因素等关键发现。
Comments 36 pages, 30 figures, Accepted by ICML2026
End-to-End Machine Learning for Depressive State Classification via EEG and fNIRS
基于EEG和fNIRS的抑郁状态分类的端到端机器学习
机构 * RIKEN AIP（日本东京RIKEN AIP）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC、cs.LG
AI总结 本研究提出一个端到端机器学习框架，利用EEG和fNIRS信号对抑郁状态进行分类，旨在克服传统诊断的主观性，为临床提供客观的自动化诊断工具。
Comments 4 pages, 4 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. 5611-4
Re-thinking EEG-based non-invasive brain interfaces: modeling and analysis
重新思考基于EEG的非侵入式脑接口：建模与分析
专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC、cs.HC
AI总结 本文提出基于时变复杂网络模型的非侵入式脑接口设计，通过分形动力学特性提升分类性能，实验验证了该方法在EEG数据上的有效性。
Comments 12 pages, 16 figures, ICCPS-18
A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis
一种用于生物医学时间序列数据鲁棒深度学习分类的新型数据增强策略：在ECG和EEG分析中的应用
机构 * Computer Science Department, College of Science, University of Zakho（扎赫大学科学学院计算机科学系） ； Department of Computer Science and Information Technology, The American University of Kurdistan（库尔德斯坦美国大学计算机科学与信息技术系） ； PRIME Lab, Scientific Research Center, University of Zakho（扎赫大学科学研究中心PRIME实验室）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG
AI总结 提出一种结合ResNet-CNN与注意力机制的统一深度学习框架，通过时域拼接多个增强变体的新型数据增强策略和Focal Loss处理类别不平衡，在ECG和EEG数据集上达到99.96%-100%的准确率，且内存需求低、推理速度快。
Cross-Subject EEG Emotion Recognition Based on Temporal Asynchronous Alignment Contrastive Learning
基于时间异步对齐对比学习的跨受体EEG情绪识别
机构 * School of Biomedical Engineering, Shenzhen Campus of Sun Yat-sen University（中山大学生物医学工程学院深圳校区） ； School of Computer Science and Technology, Tianjin University（天津大学计算机科学与技术学院）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 cs.LG、cs.HC
AI总结 本文提出了一种基于时间异步对齐对比学习（TA2CL）的框架，用于解决跨受体EEG情绪识别中由于不同受体响应时间不一致导致的识别问题，通过改进相似性计算策略，提升模型对跨受体差异和时间延迟的鲁棒性。
Comments 16 pages, 7 figures
Beyond Accuracy: Robustness, Interpretability and Expressiveness of EEG Foundation Models
超越准确率：EEG基础模型的鲁棒性、可解释性和表达性
机构 * Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Imperial College London（伦敦帝国学院）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 cs.LG、cs.HC
AI总结 本文研究了EEG基础模型的鲁棒性、可解释性和表达性，通过在八个数据集上对六个EEG-FMs和一个基线深度学习模型进行基准测试，揭示了模型在不同扰动下的表现，以及其在可解释性和表达性方面的特性。
Interpretable EEG Microstate Discovery via Variational Deep Embedding: A Systematic Architecture Search with Multi-Quadrant Evaluation
通过变分深度嵌入进行可解释的EEG微状态发现：一种系统性架构搜索与多象限评估
机构 * School of Computer Science and Information Technology（计算机科学与信息技术学院） ； University College Cork（科尔克大学） ； Artificial Intelligence and Cognitive Load Research Lab（人工智能与认知负荷研究实验室） ； Insight RI Research Centre for Data Analytics（洞察RI数据分析研究中心）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC、cs.LG
AI总结 本文提出Conv-VaDE模型，通过联合学习拓扑重建和概率软聚类，提升EEG微状态的可解释性与稳定性，通过系统性架构搜索发现深度L=4和小潜变量维度的配置最优。
Tokenizing Single-Channel EEG with Time-Frequency Motif Learning
使用时间-频率动机学习对单通道EEG进行分词
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； SANKEN, Osaka University（大阪大学SANKEN）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG
AI总结 本文提出TFM-Tokenizer，通过学习单通道EEG信号的时间-频率动机词汇，提升EEG分词准确性，实验显示在多个基准上性能提升达11%，且适用于多种基础模型，具备良好的通用性和可扩展性。
Comments Accepted to ICLR 2026
Explainability of Recurrent Neural Networks for Enhancing P300-based Brain-Computer Interfaces
循环神经网络可解释性增强基于P300的脑机接口
机构 * Grupo de Neurocomputación Biológica, Departamento de Ingeniería Informática, Escuela Politécnica Superior, Universidad Autónoma de Madrid（生物神经计算组，信息工程系，理工大学高级学院，马德里自治大学） ； Grupo de Investigación en Electrónica y Telemática, Universidad Politécnica Salesiana（电子与电信研究组，萨利纳斯理工大学）
专题命中 EEG解码 ：EEG(summary_cn,abstract)；brain-computer interface(title,abstract)；motor imagery(abstract)；分类 cs.LG、cs.HC
AI总结 本文提出Post-Recurrent Module，通过改进RNN架构提升P300信号分类性能与透明度，结合全局和局部可解释性技术分析时空信号，实现脑区和时间区间识别及模型决策解释，实验显示性能提升9%，并适用于多种EEG任务。
Enabling Unsupervised Training of Deep EEG Denoisers With Intelligent Partitioning
通过智能分区实现深度EEG去噪器的无监督训练
机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦校区电子与电气工程系） ； Dyson School of Design Engineering, Imperial College London（帝国理工学院伦敦校区戴森设计工程学院）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG
AI总结 本文提出iPSD方法，通过学习将输入EEG段分割为独立的噪声实现，实现无监督去噪，尤其在低信噪比和复杂噪声下表现优异。
A Hybrid Graph Neural Network for Enhanced EEG-Based Depression Detection
一种用于增强基于EEG的抑郁症检测的混合图神经网络
机构 * School of Biological Science（生物科学学院） ； Medical Engineering Southeast University Nanjing, China（医学工程东南大学南京中国）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP、cs.LG
AI总结 本文提出混合图神经网络HGNN，结合固定连接的CGNN和自适应连接的IGNN，通过引入图池化和反池化模块提取个体化层次信息，提升EEG抑郁症检测性能。
Journal ref 2025 IJCNN
Earable Platform with Integrated Simultaneous EEG Sensing and Auditory Stimulation
可穿戴平台：集成的同时EEG传感和听觉刺激
专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC、eess.SP
AI总结 本文提出一种定制化的耳内EEG监测器，同时捕捉外耳EEG信号并传递音频，通过定制模具匹配耳部解剖结构，实现环境噪声隔离和音频传输，验证了其在实时脑活动监测和自适应听觉刺激中的应用潜力。
Comments Accepted for publication in the Proceedings of the 2025 IEEE International Conference on Neural Engineering (NER 2025)
Resting-State EEG Biomarkers of Tinnitus Robust to Cross-Subject and Cross-Platform Variation
静息状态EEG的耳鸣生物标志物及其对跨受试者和跨平台变异的鲁棒性
专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC、eess.SP
AI总结 本文研究静息状态EEG用于检测耳鸣的生物标志物，通过微状态分析和Koopman算子分析，发现振荡稳定性而非频率变化是更稳健的生物标志物。
EEG-Based Emergency Braking Intensity Prediction Using Blind Source Separation
基于盲源分离的EEG紧急制动强度预测
机构 * School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 cs.LG、cs.HC
AI总结 本文提出利用盲源分离方法对EEG信号进行分解，结合时频分析和皮尔逊相关性筛选与制动相关的成分，并通过层次聚类分组，以预测紧急制动强度，实验表明方法在O.D.和H.S.数据集上均优于现有方法。
Adversarial Filtering Based Evasion and Backdoor Attacks to EEG-Based Brain-Computer Interfaces
专题命中 EEG解码 ：brain-computer interface(title,abstract)；EEG(title,abstract)；BCI(abstract)；分类 cs.LG、cs.HC
Journal ref L. Meng, X. Jiang, X. Chen, W. Liu, H. Luo and D. Wu, Adversarial Filtering Based Evasion and Backdoor Attacks to EEG-Based Brain-Computer Interfaces, Information Fusion, 107:102316, 2024
Rewiring Human Brain Networks via Lightweight Dynamic Connectivity Framework: An EEG-Based Stress Validation
通过轻量级动态连接框架重绘人脑网络：基于EEG的应力验证
机构 * Institute for Intelligent Systems Research and Innovation（智能系统研究与创新研究所） ； University of Southern Queensland（南方昆士兰大学）
专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC
AI总结 本文提出基于时间变化定向传递函数的轻量级动态脑连接框架，通过机器学习验证EEG数据中的应力分类，发现alpha-TV-DTF在分类中表现最佳，凸显动态连接在捕捉脑区时间与因果影响上的优势。
Comments 21 pages, 21 figures, 6 tables, 50 references,
Journal ref 2026. Reconfiguring brain networks via lightweight dynamic connectivity framework: An EEG-based stress validation. Computers in Biology and Medicine, 213, p.111801
Democratizing Music Therapy: LLM-Based Automated EEG Analysis and Progress Tracking for Low-Cost Home Devices
音乐治疗民主化：基于LLM的自动EEG分析与进展追踪用于低成本家庭设备
专题命中 EEG解码 ：EEG(title,title_cn)；分类 cs.HC
AI总结 本文提出一种基于LLM的系统，通过自动EEG和心血管数据分析生成可读报告和个性化音乐推荐，解决家庭音乐治疗中可及性和成本问题。
Comments Withdrawn by the authors due to issues in the experimental validation and interpretation of EEG-derived measures, which may affect the reliability of the reported results and conclusions. The current version should not be cited as a reliable reference
