Decoding visual brain representations from electroencephalography through Knowledge Distillation and latent diffusion models
专题命中 EEG解码 ：brain-computer interface(abstract)；EEG(abstract)；neural signal(abstract)；分类 q-bio.NC、eess.SP、cs.LG
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 3907 篇
Adversarial Feature Learning in Brain Interfacing: An Experimental Study on Eliminating Drowsiness Effects
专题命中 EEG解码 ：brain-computer interface(abstract,comments)；BCI(abstract)；EEG(abstract)；分类 cs.LG、cs.HC
Comments 8th Graz Brain-Computer Interface Conference 2019
Graph-Based Approaches to Learning Epileptogenic Zone Localization Using Stereo-EEG Recordings
基于立体脑电图记录的致痫灶定位图学习方法
机构 * University of Cincinnati（辛辛那提大学） ； Cincinnati Children’s Hospital Medical Center（辛辛那提儿童医院医疗中心）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 该研究针对40例患者，对比不同图拓扑的图学习模型，发现Region-Bridge-$c$拓扑在致痫灶定位中表现最优，证明图构建需明确评估。
Comments 8 pages, 2 figures. Accepted for the Proceedings of IEEE WCCI 2026 (IJCNN), Maastricht, Netherlands
Variational Mixture of Graph Neural Experts for Alzheimer's Disease Recognition across Frequency Bands in EEG Brain Networks
用于跨脑电图脑网络频段的阿尔茨海默病识别的变分图神经专家混合模型
机构 * Department of Industrial and Systems Engineering, Rutgers University（鲁特大学工业与系统工程系） ； Department of Psychiatry and Behavioral Sciences, University of Minnesota（明尼苏达大学精神病学与行为科学系） ； Institute of Brain Science, College of Medicine, National Yang-Ming Chiao Tung University（国家阳明交通大学医学院脑科学研究所）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 针对痴呆症脑电图诊断难题，提出VMoGE框架，结合多频段脑电图分析、变分图神经网络和专家混合架构。实验显示其性能强大，还具有临床转化价值，能关联疾病指标、揭示频段变化，为痴呆症诊断提供新方法和依据。
Learning aligned EEG representations with subject-specific encoders
学习带有主体特定编码器的对齐脑电图表示
机构 * University of São Paulo（圣保罗大学） ； Université Paris-Saclay, Inria TAU team, LISN-CNRS（巴黎萨克雷大学，Inria TAU团队，LISN-CNRS） ； Institut de neuromodulation, GHU Paris, psychiatrie et neurosciences, centre hospitalier Sainte-Anne, pôle hospitalo-universitaire 15, Université Paris Cité（神经调控研究所，GHU巴黎，精神病学与神经科学，圣安娜医院，大学医院中心15区，巴黎西岱大学） ； Federal University of ABC (UFABC)（ABC联邦大学） ； Yneuro ； Swartz Center for Computational Neuroscience (SCCN), Institute for Neural Computation (INC), University of California San Diego（斯沃茨计算神经科学中心，神经计算研究所，加州大学圣地亚哥分校）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 提出使用主体特定编码器替代共享编码器，结合共同分类器实现跨主体脑电图对齐，实验表明该方法能内化欧几里得对齐的作用，提高类别区分度，并识别出未见主体的编码器选择是主要瓶颈。
E-MagDiP: Electro-Magnetic based Differential Privacy for EEG based Community Sensing
E-MagDiP：基于电磁的差分隐私用于基于脑电图的社区感知
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.HC
AI总结 研究基于脑电图的社区感知中的隐私问题，提出E-MagDiP框架，利用外部无线电发射射频信号到脑电图耳机，在采集时扰动信号引入差分隐私噪声，无需用户修改，实现实用的脑电图社区感知差分隐私。
Predicting the Outcome of rTMS Depression Therapy using EEG Signals and CNN
使用脑电图信号和卷积神经网络预测重复经颅磁刺激治疗抑郁症的结果
机构 * University of North Texas（北德克萨斯大学） ； University of Tehran（德黑兰大学）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 研究利用FBSE - ED和DWT两种时频方法生成脑电图信号图像，提出深度学习分类器预测rTMS抑郁症治疗结果，经实验验证该方法准确率高，优于多种模型，能促进早期预测和临床决策，且框架具有可解释性和高效性。
Comments Presented at 8th International Conference on Recent Trends in Image Processing & Pattern Recognition (RTIP2R)
PeakFlow: Peak-Guided Coarse-to-Refined Modeling for EEG-Based Dynamic Affective Trajectory Prediction
PeakFlow：基于脑电图的动态情感轨迹预测的峰值引导粗到精建模
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.HC
AI总结 研究基于脑电图的动态情感轨迹预测问题，提出PeakFlow框架，先通过脑电图时间标记化等学习粗略情感流，再用轻量级残差细化器校准，提升了全局轨迹拟合和峰值中心时间可靠性，突出峰值感知建模的重要性。
Comments Preprint. Code is available at https://github.com/jukebox333/PeakFlow
NeuroGRIP: Retrieval-Augmented Graph Refinement for Knowledge-Grounded EEG Seizure Diagnosis
NeuroGRIP：用于基于知识的脑电图癫痫诊断的检索增强图细化
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 研究针对脑电图癫痫诊断难题，提出NeuroGRIP框架，结合外部医学知识校准脑电图图。通过构建知识库、利用大语言模型提取知识图，经对齐感知查询和相似性搜索检索关系证据，提升诊断准确性与可解释性，为临床诊断提供新框架。
Multimodal EEG-IMU Fusion for Motor Assessment: Leveraging Task-Dependent Complementarity for Robustness
用于运动评估的多模态脑电-惯性测量单元融合：利用任务相关互补性提高鲁棒性
专题命中 EEG解码 ：EEG(title,abstract)；分类 eess.SP
AI总结 研究针对运动障碍评估中多传感模式整合不足问题，通过同步记录脑电-惯性测量单元数据，评估特定任务模态性能和多模态融合。结果表明脑电和惯性测量单元各有优势，后期融合可利用互补性提高评估可靠性，为大规模临床验证提供依据。
Variational Phasor Circuits for Phase-Native Brain-Computer Interface Classification
变分相量电路用于相位本征脑机接口分类
机构 * Mindverse Computing LLC
专题命中 EEG解码 ：brain-computer interface(title)；EEG(abstract)；分类 cs.LG
AI总结 本文提出变分相量电路（VPC），一种基于连续S¹单位圆流形的确定性经典学习架构，通过相位本征设计实现二分类和多分类任务，展示其在脑机接口中优于传统欧几里得基线的性能。
NeuroOnline: Bridging Pretraining and Online Adaptation for EEG Foundation Models
NeuroOnline：为脑电图基础模型搭建预训练与在线适应的桥梁
机构 * Southern University of Science and Technology（南方科技大学）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 研究脑电图基础模型，提出NeuroOnline框架，集成多视图一致性学习和上下文感知表示调制机制，统一表示对齐和动态适应，实验表明其在在线设置中性能优于基线。
I\textsuperscript{2}RiMA: Spectral Riemannian Representation with Temporal Attention for Mental Stress Detection based on EEG Signals
I²RiMA: 基于脑电图信号的心理压力检测的谱黎曼表示与时序注意力
机构 * Laboratory of Neural Computing and Intelligent Perception, College of Information Engineering, Capital Normal University（首都师范大学信息工程学院神经计算与智能感知实验室） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； School of Psychology, Capital Normal University（首都师范大学心理学院）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 提出I²RiMA网络，通过频点独立构建协方差矩阵并映射到SPD切空间，结合频率聚类和切片间注意力，实现跨被试脑电压力检测，在三个数据集上达到82.78%平衡精度。
Low-Density EEG for Seizure Detection: Evaluating CNN-RNN Architectures on a Behind-the-Ear Montage Setup
低密度脑电图用于癫痫检测：评估耳后导联设置下的CNN-RNN架构
专题命中 EEG解码 ：EEG(title,abstract)；分类 eess.SP
AI总结 本研究使用CNN-RNN混合深度学习模型，在模拟耳后导联的低密度脑电图上实现癫痫自动检测，提出CNN-Merged模型，在TUSZ数据集上达到85.89%的ROC AUC和79.11%的平衡准确率，验证了低密度配置下鲁棒检测的可行性。
Comments Accepted to the 34th European Signal Processing Conference (EUSIPCO 2026)
SpaTeoGL: Spatiotemporal Graph Learning for Interpretable Seizure Onset Zone Analysis from Intracranial EEG
SpaTeoGL: 用于颅内脑电图可解释癫痫发作起始区分析的时空图学习
机构 * Inria Saclay（Inria萨克莱实验室） ； Palaiseau, France（法国帕莱伊索）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 提出SpaTeoGL框架，通过联合学习窗口级空间图和时间图，在平滑图信号处理框架下交替求解，实现癫痫发作起始区的可解释定位，在多中心iEEG数据集上优于基线方法。
Comments 5 pages, 4 figures
A Mixed Finite Element Method to Solve the EEG Forward Problem
一种混合有限元方法用于求解脑电图前向问题
专题命中 EEG解码 ：EEG(title,abstract)；分类 q-bio.NC
AI总结 本文提出一种基于混合有限元方法的新型方法，用于求解脑电图前向问题，该方法通过引入电流作为额外未知数，实现电流守恒，从而在特定场景下提高模拟精度。
Journal ref IEEE Trans Med Imaging. 2017; 36(4):930-941
Home Automation Using SSVEP & Eye-Blink Detection Based Brain-Computer Interface
基于SSVEP与眨眼检测的脑机接口家庭自动化系统
专题命中 EEG解码 ：brain-computer interface(title)；brain computer interface(abstract)；分类 cs.HC
AI总结 本文提出一种利用SSVEP和眨眼检测的脑机接口家庭自动化系统，结合蓝牙室内定位技术，提升可控制设备数量。
Comments 2 pages, 1 table, published at IEEE SMC 2014
Routing on the Stiefel Manifold: When Does Adaptive Subspace Selection Help for Cross-Domain EEG Decoding?
Stiefel流形上的路由：自适应子空间选择何时有助于跨域脑电解码？
机构 * GIPSA-lab, University Grenoble Alpes, CNRS, Grenoble-INP（GIPSA实验室，格勒诺布尔阿尔卑斯大学，法国国家科学研究中心，格勒诺布尔-INP） ； Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学，法国国家信息与自动化研究所，法国国家科学研究中心，格勒诺布尔-INP，LJK） ； Univ. Grenoble Alpes, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学，法国国家科学研究中心，格勒诺布尔-INP，LJK）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 针对跨域脑电解码中协方差矩阵域偏移问题，提出动态Stiefel路由方法，通过Stiefel流形上的专家投影滤波器池和交叉注意力机制实现自适应子空间选择，并引入三种结构性质避免退化为集成平均，在三个数据集上取得一致提升。
Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection
比较事后可解释AI方法用于解释抑郁症检测中的黑盒脑电图模型
机构 * University of Zagreb Faculty of Electrical Engineering and Computing（Zagreb大学电子工程与计算学院）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 本研究通过多种事后可解释性方法（如DeepSHAP、集成梯度、GradCAM、遮挡和置换特征重要性）分析InceptionTime架构在脑电图抑郁症检测中的决策过程，发现不同方法在额叶、颞叶和后部脑区（尤其是右半球）的归因模式部分收敛，但方法间存在差异，强调了事后可解释性的有用性和局限性。
Why Meditation Wearables Fail: Reward Misspecification in Closed-Loop EEG and Biofeedback Systems
为什么冥想可穿戴设备失败：闭环脑电图和生物反馈系统中的奖励错误指定
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.HC
AI总结 本文形式化定义了可穿戴设备中因优化代理信号而非真实目标导致的奖励错误指定问题，分析了三种失败模式，提出了四层可测量性分类法，并设计了一个避免所有失败模式的框架。
Comments 16 pages, 1 figure
GL-LFGNN:A Global-Local Dual-branch Causal Graph Neural Network Based on Liang-Kleeman Information Flow for EEG Emotion Recognition
GL-LFGNN：基于Liang-Kleeman信息流的全局-局部双分支因果图神经网络用于脑电情感识别
机构 * School of Mathematics (Zhuhai), Sun Yat-sen University, Zhuhai, China（中山大学数学学院（珠海））
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 提出GL-LFGNN模型，利用Liang-Kleeman信息流理论构建有向因果图，通过全局-局部双分支架构整合全脑与区域连接，在MEEG数据集上以少量参数实现高精度情感识别。
Comments 10 pages, 3 figures
DIVER-1: Scaling Intracranial EEG Foundation Models for Transferable Representations
DIVER-1: 扩展颅内脑电图基础模型以实现可迁移表示
机构 * Seoul National University（首尔国立大学） ； Brookhaven National Laboratory（布鲁克海文国家实验室）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 提出DIVER-1自监督iEEG基础模型，通过可变电极-时间注意力、时空重采样等设计处理可变输入，在5310小时ECoG和SEEG上预训练，在认知解码和癫痫检测任务上超越现有模型，并首次进行受控计算感知的扩展研究。
Comments 31 pages, 12 figures, 14tables
Impact of Validation Strategy on Machine Learning Performance in EEG-Based Alcoholism Classification
验证策略对基于EEG的酒精成瘾分类机器学习性能的影响
专题命中 EEG解码 ：EEG(title,abstract)；分类 eess.SP
AI总结 本文研究了验证策略对EEG酒精成瘾分类性能的影响，通过对比不同验证方法发现传统验证方法存在乐观偏差，AdaBoost方法表现最优，具有高准确率和平衡的灵敏度与特异度。
How Long short-term memory artificial neural network, synthetic data, and fine-tuning improve the classification of raw EEG data
长短时记忆人工神经网络、合成数据和微调如何提高原始EEG数据的分类
机构 * Laboratory of Data Analysis ； Bioinformatics, Center for Artificial Intelligence, Innopolis University Innopolis, Russia ； Cognitive Technology Laboratory, Center for Technologies in Robotics ； Mechatronics Components, Innopolis University Innopolis, Russia
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 本文提出结合合成数据生成、LSTM和微调的方法，提升隐含视觉刺激（如不同模糊层次的Necker立方体）下EEG数据分类性能。
Comments 4 pages, 4 figures, 2 tables
Journal ref 2022 6th Scientific School Dynamics of Complex Networks and their Applications (DCNA)
Convolutional Neural Network and Adversarial Autoencoder in EEG images classification
卷积神经网络与对抗自编码器在EEG图像分类中的应用
机构 * Innopolis University（因诺波利斯大学）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 本文结合计算机视觉与神经网络方法，用于手部运动期间大脑活动的分类。通过预处理EEG信号生成2DEEG图谱，并采用监督和半监督神经网络进行分类。
Comments 4 pages, 6 figures
Journal ref Proc. 5th Scientific School on Dynamics of Complex Networks and their Application in Intellectual Robotics (DCNAIR), 2021
Phase estimation with autoregressive padding (PEAP): addressing inaccuracies and biases in EEG analysis
带有自回归填充的相位估计（PEAP）：解决EEG分析中的不准确性和偏差
专题命中 EEG解码 ：EEG(title,abstract)；分类 q-bio.NC
AI总结 本文提出PEAP方法以提高EEG数据边缘相位估计的准确性，通过对比四种常用方法发现PEAP在减少带通滤波器伪影方面表现更优，提升了相位估计的准确性。
Optimizing EEG Graph Structure for Seizure Detection: An Information Bottleneck and Self-Supervised Learning Approach
优化EEG图结构用于癫痫检测：信息瓶颈与自监督学习方法
机构 * Florida State University（佛罗里达州立大学） ； The University of Osaka（大阪大学）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 本文提出IRENE方法，通过信息瓶颈原理和自监督学习优化EEG图结构，解决癫痫检测中的噪声、稀疏标签和患者差异问题，提升模型性能。
Comments Accepted by IEEE 14th International Conference on Healthcare Informatics (ICHI)
Energy Landscapes of Emotion: Quantifying Brain Network Stability During Happy and Sad Face Processing Using EEG-Based Hopfield Energy
情绪的能量景观：利用基于EEG的Hopfield能量量化快乐和悲伤面孔处理期间大脑网络的稳定性
专题命中 EEG解码 ：EEG(title,abstract)；分类 q-bio.NC
AI总结 本研究通过EEG数据和Hopfield能量模型，量化了快乐和悲伤情绪处理中大脑网络的动态稳定性，发现悲伤情绪在alpha频段能量更低，与全局效率呈负相关，表明情绪价值对应于大脑功能景观中的不同吸引盆地。
Comments 10 pages, 5 figures
Preventing Data Leakage in EEG-Based Survival Prediction: A Two-Stage Embedding and Transformer Framework
防止EEG基生存预测中的数据泄露：一种两阶段嵌入和Transformer框架
机构 * University of Pittsburgh School of Computing and Information（匹兹堡大学计算与信息学院） ； University of Pittsburgh Department of Critical Care Medicine（匹兹堡大学重症医学系）
专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG
AI总结 本文提出两阶段框架以防止EEG生存预测中的数据泄露，通过严格隔离训练集提升模型泛化能力。
Comments 9 pages, 2 figures. Preliminary version
BCMI-Driven Motion Control Detection: EEG-Based Machine Learning and Interaction Entropy for High-Order Brain Networks
基于BCMI的运动控制检测：基于EEG的机器学习与交互熵用于高阶脑网络
专题命中 EEG解码 ：EEG(title,abstract)；分类 q-bio.NC
AI总结 本文研究音乐辅助模拟驾驶中认知运动控制检测及神经调节机制，利用EEG交叉信息熵构建动态高阶网络模型，揭示音乐听和驾驶时脑网络动态协调，发现音乐刺激驾驶中高阶连接性和信息熵增强，证明高阶特征在解码音乐模拟驾驶中脑运动控制状态的重要性。
Comments 13 pages, 8 figures
