脑机接口 / BCI

Reducing the Complexity of Deep Learning Models for EEG Analysis on Wearable Devices

降低可穿戴设备上用于脑电图分析的深度学习模型复杂度

Farough Shayeste Roodi, Parham Zilouchian Moghaddam, Mahdi Mohammadi-nasab, Mehdi Modarressi, Mostafa Ersali Salehi Nasab, Masoud Daneshtalab

机构 * University of Tehran（德黑兰大学） ； Mälardalen University（梅拉达伦大学） ； Royal Institute of Technology（皇家理工学院） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 研究通过参数量化和电极减少方法，在资源受限的可穿戴设备上部署DNN模型，实现脑电图分析中精度与复杂度的权衡。

Pretrained, Frozen, Still Leaking: Auditing Cross-Encoder Attribute Transfer in EEG Foundation Models

预训练、冻结、仍在泄露：脑电图基础模型中跨编码器属性转移的审计

Jianwei Tai

机构 * Jianwei Tai（Tai Jianwei） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 提出跨编码器桥接攻击，证明单一端点审计无法检测属性泄露，并引入审计端点分歧分数（AEDS）作为联合发布决策规则。

REACT 2026: The Fourth Multiple Appropriate Facial Reaction Generation Challenge: Personalised MAFRG and Appropriate EEG Reaction Prediction

REACT 2026：第四届多适切面部反应生成挑战赛：个性化MAFRG与适切脑电反应预测

Siyang Song, Micol Spitale, Zijian Wu, Xiangyu Kong, Cheng Luo, Cristina Palmero, German Barquero, Sergio Escalera, Michel Valstar, Mohamed Daoudi, Fabien Ringeval, Andrew Howes, Elisabeth Andre, Hatice Gunes

机构 * University of Exeter（埃克塞特大学） ； Politecnico di Milano（米兰理工大学） ； Nanjing University of Science and Technology（南京理工大学） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； King's College London（伦敦国王学院） ； Universitat de Barcelona（巴塞罗那大学） ； University of Nottingham（诺丁汉大学） ； IMT Nord Europe（IMT 北欧欧洲） ； Université Grenoble Alpes（格勒诺布尔-阿尔卑斯大学） ； University of Augsburg（奥格斯堡大学） ； University of Cambridge（剑桥大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 提出REACT 2026挑战赛，鼓励开发机器学习模型，用于生成个性化、适切、多样、真实且同步的人类面部反应，并引入个性标签和脑电记录，探索新的一对多个性化面部反应生成设置。

Comments arXiv admin note: text overlap with arXiv:2505.17223

MSCGC-KAN: Multi-scale Causal Graph Convolution and Kolmogorov-Arnold Feature Mapping for EEG Emotion Recognition

MSCGC-KAN: 用于脑电情感识别的多尺度因果图卷积与Kolmogorov-Arnold特征映射

Haoliang Gong, Qingshan She, Jiale Xu, Yunyan Gao, Xugang Xi

机构 * School of Automation, Hangzhou Dianzi University, Hangzhou 310018, China（杭州电子科技大学自动化学院） ； Zhejiang Provincial Key Laboratory of Brain Computer Collaborative Intelligence Technology（浙江省脑机协同智能技术与应用重点实验室） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文提出MSCGC-KAN方法，通过多尺度因果图卷积和Kolmogorov-Arnold特征映射构建结构化任务头，在预训练CBraMod骨干上增强多尺度时间建模、可学习通道间连接建模和非线性判别映射，显著提升脑电情感识别性能。

EEG2Vision: A Multimodal EEG-Based Framework for 2D Visual Reconstruction in Cognitive Neuroscience

EEG2Vision：一种基于EEG的多模态框架，用于认知神经科学中的2D视觉重建

Emanuele Balloni, Emanuele Frontoni, Chiara Matti, Marina Paolanti, Roberto Pierdicca, Emiliano Santarnecchi

机构 * Università Politecnica delle Marche（马尔凯理工大学） ； University of Macerata（马切拉塔大学） ； Horizon Intelligence Labs（地平线智能实验室） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 EEG2Vision通过多模态大语言模型和图像扩散模型提升低密度电极配置下的视觉重建质量，验证了低分辨率EEG设备在实时脑-图像应用中的可行性。

Comments 17 pages, 5 figures

Overview of Bayesian Solvers in EEG Distributed Source Models: Prior Selection, Algorithmic Implementation, and Depth Bias Reduction

脑电分布式源模型中贝叶斯求解器综述：先验选择、算法实现与深度偏差减少

Joonas Lahtinen, Alexandra Koulouri

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文综述了用于脑电源成像的贝叶斯方法，重点分析了高斯、拉普拉斯及分组拉普拉斯先验的实现，并通过模拟研究探讨了深度偏差的减少方法。

Comments 41 pages, 9 figures, 5 tables

CIPHER: Conformer-based Inference of Phonemes from High-density EEG

CIPHER：基于Conformer的高密度EEG语音音素推断

Varshith Madishetty

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 CIPHER模型通过ERP特征和宽带DDA系数双路径方式解码EEG语音信息，在音素识别任务中表现较低，但作为基准和特征比较研究，强调在控制干扰因素下的神经表示研究。

CognitionCapturerPro: Towards High-Fidelity Visual Decoding from EEG/MEG via Multi-modal Information and Asymmetric Alignment

CognitionCapturerPro：通过多模态信息和非对称对齐实现从EEG/MEG的高保真视觉解码

Kaifan Zhang, Lihuo He, Junjie Ke, Yuqi Ji, Lukun Wu, Lizi Wang, Xinbo Gao

机构 * Visual Information Processing Laboratory, School of Electronic Engineering, Xidian University（电子科技大学信息处理实验室，电子工程学院） ； School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文提出CognitionCapturerPro框架，通过整合EEG与多模态先验信息，提升EEG视觉重建的保真度与检索准确率，改进Top-1和Top-5准确率达25.9%和10.6%。

LEL: Lipschitz Continuity Constrained Ensemble Learning for Efficient EEG-Based Intra-subject Emotion Recognition

LEL：基于Lipschitz连续性约束的集成学习用于高效EEG基的个体情感识别

Shengyu Gong, Yueyang Li, Zijian Kang, Bo Chai, Weiming Zeng, Hongjie Yan, Zhiguo Zhang, Wai Ting Siok, Nizhuan Wang

机构 * Lab of Digital Image and Intelligent Computation（数字图像与智能计算实验室） ； Shanghai Maritime University（上海 Maritime 大学） ； Department of Chinese and Bilingual Studies（中文与双语研究部） ； The Hong Kong Polytechnic University（香港理工大学） ； Department of Neurology（神经病学部） ； Affiliated Lianyungang Hospital of Xuzhou Medical University（徐州医学院附属连云港医院） ； The Institute of Computing and Intelligence（计算与智能研究所） ； Harbin Institute of Technology Shenzhen（哈尔滨工业大学深圳研究院） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 LEL通过引入Lipschitz连续性约束的集成学习方法，提升EEG基个体情感识别的稳定性和鲁棒性，实现高效准确的情绪识别。

Journal ref IEEE Sensors Journal, 2026

Self-Supervised Evolutionary Learning of Neurodynamic Progression and Identity Manifolds from EEG During Safety-Critical Decision Making

基于EEG的自监督进化学习：神经动态进程与身份流形的进化学习

Xiaoshan Zhou, Carol C. Menassa, Vineet R. Kamat

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文提出自监督进化学习框架，通过EEG直接发现个体神经动态进程和身份流形，提升安全关键决策中的身份认证与异常检测能力。

ODEBrain: Continuous-Time EEG Graph for Modeling Dynamic Brain Networks

ODEBrain: 基于连续时间EEG图的动态脑网络建模

Haohui Jia, Zheng Chen, Lingwei Zhu, Rikuto Kotoge, Jathurshan Pradeepkumar, Yasuko Matsubara, Jimeng Sun, Yasushi Sakurai, Takashi Matsubara

机构 * Information Science and Techinology, Hokkaido University, Japan（信息科学与技术，北海道大学，日本） ； SANKEN, The University of Osaka, Japan（SANKEN，大阪大学，日本） ； Great Bay University, China（大湾大学，中国） ； Department of Computer Science, University of Illinois Urbana-Champaign, USA（计算机科学系，伊利诺伊大学厄巴纳-香槟分校，美国） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 ODEBrain通过整合时空频特征和神经ODE，提升EEG动态预测的鲁棒性和泛化能力。

Learning Alzheimer's Disease Signatures by bridging EEG with Spiking Neural Networks and Biophysical Simulations

通过将脑电图与脉冲神经网络和生物物理模拟相结合学习阿尔茨海默病特征

Szymon Mamoń, Max Talanov, Alessandro Crimi

机构 * Department of Computer Science AGH University of Krakow（计算机科学系AGH克拉科夫大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文提出神经桥接框架，通过结合EEG与脉冲神经网络和生物物理模拟，提升阿尔茨海默病的可解释性检测

Comments 11 pages ,8 figures

Do Models Hear Like Us? Probing the Representational Alignment of Audio LLMs and Naturalistic EEG

模型是像我们一样听吗？探查音频大语言模型与自然EEG的表征对齐

Haoyun Yang, Xin Xiao, Jiang Zhong, Yu Tian, Dong Xiaohua, Yu Mao, Hao Wu, Kaiwen Wei

机构 * School of Computer Science, Chongqing University（重庆大学计算机科学学院） ； Dept. of Comp. Sci. and Tech., Institute for AI, Tsinghua University（清华大学计算机科学与技术系、人工智能研究院） ； School of Economics and Business Administration, Chongqing University（重庆大学经济与商业管理学院） ； School of Artificial Intelligence, Southwest University（西南大学人工智能学院） ； The First Affiliated Hospital of Chongqing Medical University（重庆医科大学第一附属医院） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本研究通过比较音频大语言模型与EEG信号，揭示了模型在自然聆听中的表征对齐特性，发现排名依赖分裂、时空对齐模式及情感分离现象。

Multi-Compartment Volume Conductor with Complete Electrode Model: Simulated Stereo-EEG Source Localization using Brainstorm-Zeffiro Plugin

多腔体体积导体与完整电极模型：利用Brainstorm-Zeffiro插件模拟立体 EEG 源定位

Fernando Galaz Prieto, Takfarinas Medani, Chinmay Chinara, Richard M. Leahy, Sampsa Pursiainen

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本研究提出了一种基于Brainstorm-Zeffiro插件的多腔体体积导体建模方法，用于提高立体EEG源定位的精度。

Synthesizing Epileptic Seizures: Gaussian Processes for EEG Generation

合成癫痫发作：用于EEG生成的高斯过程

Nina Moutonnet, Joshua Corneck, Felipe Tobar, Danilo Mandic

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文提出GP-EEG框架，利用高斯过程和变分自动编码器生成合成EEG数据，以解决癫痫发作检测中数据稀缺的问题。

BrainStack: Neuro-MoE with Functionally Guided Expert Routing for EEG-Based Language Decoding

BrainStack: 基于功能引导的神经混合专家模型用于基于EEG的语言解码

Ziyi Zhao, Jinzhao Zhou, Xiaowei Jiang, Beining Cao, Wenhao Ma, Yang Shen, Ren Li, Yu-Kai Wang, Chin-teng Lin

机构 * University of Technology Sydney（新南威尔士大学） ； Mohamed bin Zayed University of Artificial Intelligence（莫莫迪 bin Zayed 人工智能大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 BrainStack通过功能引导的神经混合专家模型，结合解剖学分区和跨区域蒸馏，实现了基于EEG的高效语言解码，提升了准确性和泛化能力。

Cross-domain EEG-based Emotion Recognition with Contrastive Learning

跨领域EEG情感识别与对比学习

Rui Yan, Yibo Li, Han Ding, Fei Wang

机构 * School of Software Engineering, Xi'an Jiaotong University, China（西安交通大学软件工程学院） ； School of Computer Science and Technology, Xi'an Jiaotong University, China（西安交通大学计算机科学与技术学院） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 EmotionCLIP通过多模态对比学习提升EEG情感识别的跨领域泛化能力，实现跨受试者和跨时间的高准确率

Comments Accepted by IEEE ICASSP 2026

Region-aware Spatiotemporal Modeling with Collaborative Domain Generalization for Cross-Subject EEG Emotion Recognition

具有协作域泛化的区域感知时空建模用于跨受体EEG情绪识别

Weiwei Wu, Yueyang Li, Yuhu Shi, Weiming Zeng, Lang Qin, Yang Yang, Ke Zhou, Zhiguo Zhang, Wai Ting Siok, Nizhuan Wang

机构 * Laboratory of Digital Image and Intelligent Computation, Shanghai Maritime University, Shanghai 201306, China（上海海洋大学数字图像与智能计算实验室） ； Department of Language Science and Technology, The Hong Kong Polytechnic University, Hung Hom, Kowloon, Hong Kong SAR, China（香港理工大学语言科学与技术系） ； School of Chinese as a Second Language, and Center for MRI Research, Academy for Advanced Interdisciplinary Studies, Peking University, Beijing 100871, China（北京大学第二语言学院及MRI研究中心） ； CAS Key Laboratory of Behavioral Science, Center for Brain Science and Learning Difficulties, Institute of Psychology, Chinese Academy of Sciences, Beijing 100101, China（中国科学院行为科学重点实验室） ； Beijing Key Laboratory of Applied Experimental Psychology, Faculty of Psychology, Beijing Normal University, Beijing 100875, China（北京应用实验心理学重点实验室） ； Institute of Computing and Intelligence, Harbin Institute of Technology Shenzhen, Shenzhen 518000, China（哈尔滨工业大学深圳校区计算机与智能研究所） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文提出RSM-CoDG框架，通过区域感知时空建模与协作域泛化方法，提升跨受体EEG情绪识别的鲁棒性与泛化能力。

Design and Validation of a Modular Smart Headband with Embroidered Electrodes for Comfortable EEG Monitoring

模块化智能头带的设计与验证：带有刺绣电极的舒适EEG监测

Komal Komal, Frances Cleary, Ram Prasadh Narayanan, John Wells, Marco Buiatti, Louise Bennett

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本研究提出了一种模块化智能头带，通过可调节刺绣电极实现舒适且可靠的EEG监测，适用于日常应用。

ConvMambaNet: A Hybrid CNN-Mamba State Space Architecture for Accurate and Real-Time EEG Seizure Detection

ConvMambaNet：一种用于准确实时EEG癫痫发作检测的混合CNN-Mamba状态空间架构

Md. Nishan Khan, Kazi Shahriar Sanjid, Md. Tanzim Hossain, Asib Mostakim Fony, Istiak Ahmed, M. Monir Uddin

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 ConvMambaNet结合CNN与Mamba-SSM，实现高精度实时EEG癫痫检测，适用于临床环境的自动化监测。

Reduction of Electromagnetic Interference in ultra-low noise Bimodal MEG & EEG

超低噪声双模MEG与EEG电磁干扰抑制

Jim Barnes, Lukasz Radzinski, Soudabeh Arsalani, Gunnar Waterstraat, Gabriel Curio, Jens Haueisen, Rainer Körber

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文通过精心设计减少电磁干扰，实现了超低噪声双模MEG与EEG的同步单次试验检测

Comments 4 pages, 4 figures, BMT 2025 conference paper

Journal ref Current Directions in Biomedical Engineering, volume 11, 202-205 (2025)

WaveNet's Precision in EEG Classification

WaveNet在EEG分类中的精度

Casper van Laar, Khubaib Ahmed

机构 * University of Wolverhampton（沃林厄姆大学） 纠错

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

AI总结 WaveNet模型在EEG信号分类中表现出高精度，有效区分噪声和伪影，同时在生理与病理性信号分类中实现较高F1分数，但需进一步验证其泛化能力。

Comments 6 pages, 5 figures and 3 tables. Includes main text and bibliography

EEG Brain mapping based on the Duffing oscillator

基于杜芬振子的EEG脑图谱

Mahmut Akilli, Nazmi Yilmaz

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本研究提出基于杜芬振子的EEG脑图谱方法，通过检测弱信号频率分布构建脑活动拓扑图，相较于传统方法更精确地反映脑激活状态。

Brain-Gen: Towards Interpreting Neural Signals for Stimulus Reconstruction Using Transformers and Latent Diffusion Models

Brain-Gen: 向利用Transformer和潜在扩散模型解释神经信号以实现刺激重建

Hasib Aslam, Muhammad Talal Faiz, Muhammad Imran Malik

机构 * School of Electrical Engineering and Computer Science, National University of Sciences and Technology (NUST)（电气工程与计算机科学学院，国立科学与技术大学） 纠错

专题命中 EEG解码 ：neural signal(title)；EEG(abstract)

AI总结 Brain-Gen通过结合Transformer和潜在扩散模型，从EEG信号中提取空间-时间表示，实现对视觉刺激的重建，提升了EEG信号的语义解释能力。

Comments 21 pages and 7 figures

Weighted Group Lasso for a static EEG problem

加权群Lasso用于静态EEG问题

Ole Løseth Elvetun, Bjørn Fredrik Nielsen, Niranjana Sudheer

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 本文提出加权群Lasso方法用于静态EEG问题，通过有效缓解深度和方向偏差，提升神经活动重建的精度和生理合理性。

EEG-to-Text Translation: A Model for Deciphering Human Brain Activity

EEG-to-Text翻译：一种解码人类脑活动的模型

Saydul Akbar Murad, Ashim Dahal, Nick Rahimi

机构 * School of Computing Sciences & Computer Engineering, University of Southern Mississippi（计算科学与计算机工程学院，密西西比大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 R1 Translator通过结合双向LSTM和Transformer解码器，提升EEG-to-text解码性能，ROUGE指标优于T5和Brain Translator。

MapperEEG: A Topological Approach to Brain State Clustering in EEG Recordings

MapperEEG: 一种基于拓扑学的脑状态聚类方法用于EEG记录

Brittany Story, Zhibin Zhou, Ramesh Srinivasan, Scott Kerick, David Boothe, Piotr J. Franaszczuk

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 MapperEEG结合经典EEG分析与拓扑学方法，有效实现脑状态聚类，优于多种现有算法。

Thought2Text: Text Generation from EEG Signal using Large Language Models (LLMs)

Thought2Text: 使用大型语言模型（LLMs）从EEG信号生成文本

Abhijit Mishra, Shreya Shukla, Jose Torres, Jacek Gwizdka, Shounak Roychowdhury

机构 * School of Information University of Texas at Austin（信息学院 德克萨斯大学奥斯汀分校） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 Thought2Text利用大型语言模型从EEG信号生成文本，通过多阶段微调实现脑活动的可理解表达。

Comments Accepted to Findings of NAACL 2025

DELTA: Language Diffusion-based EEG-to-Text Architecture

DELTA: 基于语言扩散的EEG到文本架构

Mingyu Jeon, Hyobin Kim

机构 * Sungkyunkwan University（成均馆大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 DELTA通过结合残差向量量化和语言扩散模型，提升了EEG到文本的语义对齐和生成质量。

EEG-VLM: A Hierarchical Vision-Language Model with Multi-Level Feature Alignment and Visually Enhanced Language-Guided Reasoning for EEG Image-Based Sleep Stage Prediction

EEG-VLM：一种具有多级特征对齐和视觉增强语言引导推理的分层视觉-语言模型，用于基于EEG图像的睡眠阶段预测

Xihe Qiu, Gengchen Ma, Haoyu Wang, Chen Zhan, Xiaoyu Tan, Shuo Li

机构 * School of Electronic and Electrical Engineering, Shanghai University of Engineering Science（上海工程技术大学电子与电气工程学院） ； Department of Control Science and Engineering, College of Electronics and Information Engineering, Tongji University（同济大学电子信息工程学院控制科学与工程系） ； Tencent Youtu Lab（腾讯云视觉实验室） ； Case Western Reserve University（凯斯西储大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)

AI总结 EEG-VLM通过多级特征对齐和视觉增强语言引导推理，提升基于EEG图像的睡眠阶段分类的准确性和可解释性。