脑机接口 / BCI

Analysis of tagging latency when comparing event-related potentials

比较事件相关电位时标签延迟的分析

Grégoire Cattan, Anton Andreev, Bastien Maureille, Marco Congedo

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.HC

AI总结 本文研究了在比较事件相关电位时标签延迟的影响因素，提出了影响延迟的技术方面，并建议了估计和校正延迟的方法。

The role of noise modeling in the estimation of resting-state brain effective connectivity

噪声建模在静息态脑有效连接性估计中的作用

Giulia Prando, Mattia Zorzi, Alessandra Bertoldo, Alessandro Chiuso

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 q-bio.NC

AI总结 本文研究了静息态fMRI数据中有效连接性估计中噪声建模对网络估计质量的影响，探讨了内源性波动对神经活动建模的方法。

Torus Graphs for Large Scale Neural Phase Analysis

大规模神经相位分析的环面图模型

Jack Goffinet, Casey Hanks, David E. Carlson

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 EEG解码 ：EEG(abstract)；neural signal(abstract)；分类 cs.LG

AI总结 提出一种随机得分匹配方法，将环面图模型的计算复杂度从O(d^6)降至O(d^2)，使其能处理数千变量，并扩展至隐马尔可夫模型和自回归模型，用于分析脑状态依赖的相位耦合和方向性交互。

Comments 23 pages, 15 figures; to be published in ICML 2026

UF-AMA: A unified framework for cross-domain emotion recognition via adaptive multimodal alignment

UF-AMA: 通过自适应多模态对齐的跨域情感识别统一框架

Zheng Wang, Shuo Wang, Junhong Wang

机构 * Institute of Advanced Technology, University of Science and Technology of China（中国科学技术大学先进技术研究院） ； Department of Electronic Engineering and Information Science, University of Science and Technology of China（中国科学技术大学电子工程与信息科学系） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合国家科学中心人工智能研究院） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.HC

AI总结 提出一种统一框架UF-AMA，利用自适应多模态对齐和置信度感知筛选机制，解决跨主体和跨会话的生理信号情感识别中的分布偏移问题，在SEED和SEED-IV数据集上达到最优性能。

AI Generalisation Gap In Comorbid Sleep Disorder Staging

共病睡眠障碍分期中的AI泛化差距

Saswata Bose, Suvadeep Maiti, Shivam Kumar Sharma, Mythirayee S, Tapabrata Chakraborti, Srijitesh Rajendran, Raju S. Bapi

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 针对脑卒中患者睡眠分期中深度学习模型在健康与临床人群间泛化差的问题，通过Grad-CAM可视化和新数据集iSLEEPS，揭示模型关注生理无意义区域，并强调需开发疾病特异性模型。

A Geometric View of SRC: Learning Representations for Stable Residual Inference

SRC的几何视角：学习用于稳定残差推理的表示

Vangelis P. Oikonomou

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 本文从几何角度分析稀疏表示分类（SRC）的残差排序稳定性，提出几何塑造目标以改善表示学习，并在多个数据集上验证了效果。

Comments 37 pages

Learning sequence timing and control of replay speed in networks of spiking neurons

学习序列时间并控制网络中脉冲神经元的回放速度

Melissa Lober, Younes Bouhadjar, Markus Diesmann, Tom Tetzlaff

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 q-bio.NC

AI总结 本文提出了一种机制，通过元素特定神经元群体的顺序激活来表示序列元素的持续时间，使模型能够跨多种时间尺度编码序列，并展示了振荡背景输入作为时钟信号，提供了一种灵活的回放速度控制机制。

BrainDyn: A Sheaf Neural ODE for Generative Brain Dynamics

BrainDyn: 一种用于生成脑动态的sheaf神经ODE

Siddharth Viswanath, Panayiotis Ketonis, Chen Liu, Michael Perlmutter, Dhananjay Bhaskar, Smita Krishnaswamy

机构 * Yale University（耶鲁大学） ； Boise State University（博伊西州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出BrainDyn，一种基于sheaf神经ODE的模型，用于生成脑动态，通过LSTM编码脑区活动历史，利用sheaf拉普拉斯算子促进信息传递，实现跨模态的强预测能力。

AIM: Adversarial Information Masking for Faithfulness Evaluation of Saliency Maps

AIM：对抗性信息遮蔽用于显著图忠实性评估

Chia-Ying Hsieh, Hsin-Yuan Fang, Chun-Shu Wei

机构 * National Yang Ming Chiao Tung University（阳明交通大学） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出AIM方法，通过对抗性信息遮蔽框架评估显著图的忠实性及遮蔽操作的可靠性，通过对比不同遮蔽方式下的退化效果，减少遮蔽诱导的偏差，并揭示不同模态下符号和非符号归因之间的差异。

Separating Intrinsic Ambiguity from Estimation Uncertainty in Deep Generative Models for Linear Inverse Problems

在深度生成模型中分离内在模糊性与估计不确定性用于线性逆问题

Yuxin Guo, Dongrui Deng, Pulkit Grover

机构 * Neuroscience Institute, Carnegie Mellon University（卡内基梅隆大学神经科学研究所） ； Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出一种分解后验不确定性的方法，用于区分逆问题中固有模糊性和推断传播的不确定性，通过校准分析揭示模型失败模式。

Uncovering Trajectory and Topological Signatures in Multimodal Pediatric Sleep Embeddings

揭示多模态儿童睡眠嵌入中的轨迹和拓扑特征

Scott Ye, Harlin Lee

机构 * Department of Radiology（放射科） ； University of California San Francisco（加州大学旧金山分校） ； UNC–Chapel Hill（北卡罗来纳大学教堂山分校） ； UNC School of Data Science and Society（北卡罗来纳大学教堂山分校数据科学与社会学院） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 本文研究多模态掩码自编码器生成的儿童睡眠嵌入中包含的会话级诊断信息，通过结合PHATE坐标、持久同调和EHR数据，发现几何、拓扑和临床特征互补提升预测性能，尤其在极端不平衡情况下提升校准和鲁棒性。

Comments Accepted to ML4H 2025, 20 pages, 6 figures

Journal ref Proceedings of the Fifth Machine Learning for Health Symposium, PMLR 297:1392-1411, 2025

NeuralSet: A High-Performing Python Package for Neuro-AI

NeuralSet：一种高性能的Python神经AI工具包

Jean-Rémi King, Corentin Bel, Linnea Evanson, Julien Gadonneix, Sophia Houhamdi, Jarod Lévy, Josephine Raugel, Andrea Santos Revilla, Mingfang Zhang, Julie Bonnaire, Charlotte Caucheteux, Alexandre Défossez, Théo Desbordes, Pablo Diego-Simón, Shubh Khanna, Juliette Millet, Pierre Orhan, Saarang Panchavati, Antoine Ratouchniak, Alexis Thual, Teon L. Brooks, Katelyn Begany, Yohann Benchetrit, Marlène Careil, Hubert Banville, Stéphane d'Ascoli, Simon Dahan, Jérémy Rapin

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 q-bio.NC

AI总结 NeuralSet通过统一处理多种神经记录和复杂实验刺激，提供高效的神经AI研究框架，支持从本地原型到高性能集群的无缝扩展。

FANoS-v2: Feedback-Controlled Momentum with Thermostat Damping for Lightweight Neural Optimization

FANoS-v2：基于热力学阻尼的反馈控制动量用于轻量级神经优化

Nalin Dhiman

机构 * School of Computing and Electrical Engineering（计算与电子工程学院） ； Indian Institute of Technology Mandi（印度理工学院曼迪） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 FANoS-v2通过反馈控制动量和热力学阻尼优化神经网络，实现轻量级优化，在MNIST、Fashion-MNIST和CIFAR-10上优于AdamW，但计算时间更长。

Comments 17 pages, 3 figures, 5 tables

Decentralized Attention Fails Centralized Signals: Rethinking Transformers for Medical Time Series

去中心化注意力失败于中心化信号：重新思考用于医疗时间序列的Transformer

Guoqi Yu, Juncheng Wang, Chen Yang, Jing Qin, Angelica I. Aviles-Rivero, Shujun Wang

机构 * Department of Biomedical Engineering, PolyU（PolyU 生物医学工程系） ； School of Nursing, PolyU（PolyU 护理学院） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学尤太数学科学中心） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出CoTAR模块，通过集中化MLP替代去中心化注意力，以更好地捕捉医疗时间序列数据中的中心化依赖关系，提升模型效果与效率。

Comments Accepted by ICLR 2026 (Oral). arXiv admin note: text overlap with arXiv:2405.19363 by other authors

Learning Fingerprints for Medical Time Series with Redundancy-Constrained Information Maximization

学习带有冗余约束的信息最大化用于医学时间序列的指纹

Huayu Li, ZhengXiao He, Xiwen Chen, Jingjing Wang, Siyuan Tian, Jinghao Wen, Ao Li

机构 * University of Arizona, AZ, USA（亚利桑那大学） ； Microsoft Research, Shanghai, China（微软研究院） ； Clemson University, SC, USA（克莱姆森大学） ； Villanova University, IL, USA（维拉诺瓦大学） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出一种新的框架，通过冗余约束信息最大化学习医学时间序列的紧凑且可解释的指纹表示，结合重建损失和多样性惩罚提升表示的独立性。

Towards a Quantitative Theory of Digraph-Based Complexes and its Applications in Brain Network Analysis

走向基于有向图的复杂体的定量理论及其在脑网络分析中的应用

Heitor Baldo

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 q-bio.NC

AI总结 本文提出基于有向图构建的复杂体的定量方法，用于分析脑网络拓扑结构，探索更高阶结构在癫痫发作不同阶段的变化及生物标志物的潜在价值。

Comments Version 4: I corrected the text and added new notations to clarify the distinction between maximal and lower q-digraphs. Clarifications regarding density effects are added in Chapter 7

Efficient Autoregressive Inference for Transformer Probabilistic Models

高效变换器概率模型的自回归推断

Conor Hassan, Nasrulloh Loka, Cen-You Li, Daolang Huang, Paul E. Chang, Yang Yang, Francesco Silvestrin, Samuel Kaski, Luigi Acerbi

机构 * Department of Computer Science, Aalto University, Finland（芬兰阿尔托大学计算机科学系） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Department of Computer Science, University of Helsinki, Finland（芬兰赫尔辛基大学计算机科学系） ； Verda ； Department of Computer Science, University of Manchester, UK（英国曼彻斯特大学计算机科学系） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出一种高效自回归缓冲机制，结合集基和自回归方法，实现多预测联合分布推断，提升采样和密度评估效率，实验显示性能接近全上下文重编码，速度和内存使用更优。

Comments Accepted at ICLR 2026. Camera-ready version. 39 pages, 20 figures

Classification of Epileptic iEEG using Topological Machine Learning

利用拓扑机器学习对癫痫性iEEG进行分类

Sunia Tanweer, Narayan Puthanmadam Subramaniyam, Firas A. Khasawneh

机构 * Department of Mechanical Engineering, Michigan State University（密歇根州立大学机械工程系） ； Faculty of Medicine and Health Technology, Tampere University（坦佩雷大学医学与健康技术学院） ； A.I.Virtanen Insttute of Molecular Sciences, University of Eastern Finland（东芬兰大学A.I.Virtanen分子科学研究所） ； Department of Computational Mathematics, Science and Engineering, Michigan State University（密歇根州立大学计算数学、科学与工程系） 纠错

专题命中 EEG解码 ：EEG(abstract,abstract_cn)；分类 cs.LG

AI总结 本文探讨了通过拓扑数据分析提取特征是否能提升癫痫患者多通道iEEG记录中预发作、发作和间期脑状态的分类性能，发现拓扑特征在三类分类中达到80%的平衡准确率，且传统机器学习模型表现不逊于深度学习。

Modeling Spatiotemporal Neural Frames for High Resolution Brain Dynamic

时空神经帧建模用于高分辨率脑动态研究

Wanying Qu, Jianxiong Gao, Wei Wang, Yanwei Fu

机构 * Fudan University（复旦大学） ； Southern University of Science and Technology（南方科技大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 EEG解码 ：EEG(abstract)；cortical(abstract)；分类 q-bio.NC

AI总结 本文提出一种基于EEG条件的框架，用于高保真重建动态fMRI，通过引入空域中间帧重建解决采样不规则问题，提升时空连续性与应用性。

Comments CVPR 2026

Epileptic Seizure Prediction Using Patient-Adaptive Transformer Networks

利用患者自适应变换器网络进行癫痫发作预测

Mohamed Mahdi, Asma Baghdadi

机构 * Communication Engineering Department National Engineering School of Tunis Tunis El Manar University ； REGIM-Lab, University of Sfax, National Engineering School of Sfax (ENIS), BP 1173, Sfax, 3038, Tunisia National Engineering School of Tunis Tunis El Manar University 纠错

专题命中 EEG解码 ：EEG(abstract)；neural signal(abstract)；分类 cs.LG

AI总结 本文提出一种患者自适应变换器框架，通过自监督预训练和患者特定微调实现短时间尺度癫痫发作预测，实验表明方法在TUH EEG数据集上验证准确率超过90%。

Graph Variate Neural Networks

图变量子神经网络

Om Roy, Yashar Moshfeghi, Keith Smith

机构 * Department of Computer and Information Sciences, University of Strathclyde（斯特拉思克莱德大学计算机与信息科学系） ； DeepBrain 纠错

专题命中 EEG解码 ：brain-computer interface(abstract)；EEG(abstract)；分类 cs.LG

AI总结 本文提出图变量子神经网络，通过结合稳定长期支持与瞬时数据驱动交互，有效捕捉动态统计依赖关系，在时间步上无需滑动窗口，实现线性复杂度的高效实现，在预测任务中优于传统图基方法。

Cross-Sensory Brain Passage Retrieval: Scaling Beyond Visual to Audio

跨感官脑 passage 检索：超越视觉到音频的扩展

Niall McGuire, Yashar Moshfeghi

机构 * University of Strathclyde, NeuraSearch Laboratory（斯特拉思克莱德大学，NeuraSearch实验室） 纠错

专题命中 EEG解码 ：EEG(abstract)；neural interface(abstract)；分类 cs.LG

AI总结 本文研究了利用听觉EEG进行脑passage检索，通过对比不同训练方式验证了跨感官训练在数据稀缺情况下的有效性，展示了神经查询在信息检索中的竞争力。

Comments Accepted At ECIR 2026

Contrastive and Multi-Task Learning on Noisy Brain Signals with Nonlinear Dynamical Signatures

对比学习与多任务学习在噪声脑信号中的非线性动力学特征

Sucheta Ghosh, Felix Dietrich, Zahra Monfared

机构 * Interdisciplinary Center for Scientific Computing, Heidelberg University ； Departement of Mathematics and Computer Science, Heidelberg University（mathematics and computer science department, Heidelberg University） ； Department of Theoretical Neuroscience, Central Institute of Mental Health, Medical Faculty Mannheim, Heidelberg University（theoretical neuroscience department, central institute of mental health, medical faculty mannheim, Heidelberg University） ； School of Computation, Information and Technology, Technical University of Munich 纠错

专题命中 EEG解码 ：EEG(abstract)；motor imagery(abstract)；分类 cs.LG

AI总结 本文提出了一种两阶段多任务学习框架，结合去噪、动力学建模和自监督学习，提升EEG信号分析的鲁棒性和解码性能。

Pupillometry and Brain Dynamics for Cognitive Load in Working Memory

瞳孔测量与脑动态在工作记忆认知负荷中的应用

Nusaibah Farrukh, Malavika Pradeep, Akshay Sasi, Rahul Venugopal, Elizabeth Sherly

机构 * Digital University Kerala（数字大学凯拉尔） ； Centre for Consciousness Studies, NIMHANS（意识研究中心，NIMHANS） 纠错

专题命中 EEG解码 ：brain-computer interface(abstract)；EEG(abstract)；分类 cs.LG

AI总结 本研究通过结合特征分析与模型驱动方法，证明瞳孔测量可替代脑电图用于认知负荷检测，提供了一种便携、经济的可穿戴监测方案。

Comments 6 Pages, 3 Figures, 5 Tables, Code Available at: https://github.com/NusaibahFarrukh/PupillometryBrainDynamics

Sparse Equation Matching: A Derivative-Free Learning for General-Order Dynamical Systems

稀疏方程匹配：一种无导数学习方法用于通用阶动态系统

Jiaqiang Li, Jianbin Tan, Xueqin Wang

机构 * School of Management University of Science and Technology of China（科学技术大学管理学院） ； Department of Biostatistics and Bioinformatics Duke University（杜克大学生物统计与生物信息学系） 纠错

专题命中 EEG解码 ：brain-computer interface(abstract)；EEG(abstract)；分类 cs.LG

AI总结 本文提出稀疏方程匹配方法，用于无导数学习通用阶动态系统，通过模拟和EEG数据验证其在脑连接分析中的有效性。

Gamma2Patterns: Deep Cognitive Attention Region Identification and Gamma-Alpha Pattern Analysis

Gamma2Patterns: 深度认知注意力区域识别与伽马-阿尔法模式分析

Sobhana Jahan, Saydul Akbar Murad, Nick Rahimi, Noorbakhsh Amiri Golilarz

机构 * 1Department of Computer Science, The University of Alabama, Tuscaloosa, AL, USA ； 2School of Computing Sciences \& Computer Engineering, University of Southern Mississippi, Hattiesburg, MS, USA Email 纠错

专题命中 EEG解码 ：EEG(abstract)；cortical(abstract)；分类 q-bio.NC

AI总结 Gamma2Patterns通过多模式分析揭示深度注意力的神经区域和振荡特征，为人工智能系统中的注意力机制提供神经生理学基础。

Decoding Predictive Inference in Visual Language Processing via Spatiotemporal Neural Coherence

通过时空神经一致性解码视觉语言处理中的预测推断

Sean C. Borneman, Julia Krebs, Ronnie B. Wilbur, Evie A. Malaia

机构 * Department of Physics（物理系） ； Carnegie-Mellon University（卡内基梅隆大学） ； Department of Linguistics（语言学系） ； University of Salzburg（萨尔茨堡大学） ； Purdue University（普渡大学） ； University of Alabama（阿拉巴马大学） ； Department of Communicative Disorders（沟通障碍系） 纠错

专题命中 EEG解码 ：EEG(abstract)；neural signal(abstract)；分类 q-bio.NC

AI总结 本研究通过时空神经一致性方法解码聋人手语使用者在动态视觉语言处理中的预测推断，揭示了语言理解中左侧半球和前额低频相干性的重要性，并展示了经验驱动的感知生成模型的多模态探测方法。

Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Foundation Models for the Brain and Body

Geometric-Stochastic Multimodal Deep Learning for Predictive Modeling of SUDEP and Stroke Vulnerability

几何-随机多模态深度学习用于SUDEP和中风易感性的预测建模

Preksha Girish, Rachana Mysore, Mahanthesha U, Shrey Kumar, Misbah Fatimah Annigeri, Tanish Jain

机构 * Dept. of Artificial Intelligence & Machine Learning（人工智能与机器学习系） ； B.N.M Institute of Technology（B.N.M技术学院） ； Dept. of Computer Science Engineering（计算机科学与工程系） 纠错

专题命中 EEG解码 ：EEG(abstract)；cortical(abstract)；分类 cs.LG

AI总结 本文提出几何-随机多模态深度学习框架，通过整合多种生物信号建模SUDEP和中风易感性，提升预测准确性和可解释性生物标志物。

Comments 7 pages, 3 figures

Auditory steady-state response and gamma oscillations in an excitatory-inhibitory balanced neuronal network

听觉稳态反应和γ振荡在兴奋性-抑制性平衡神经网络中

Duoyu Feng, Jiajia Li

专题命中 EEG解码 ：EEG(abstract)；cortical(abstract)；分类 q-bio.NC

AI总结 本研究提出了一种整合语音信号输入和耳蜗处理的神经网络模型，揭示了噪声对听觉稳态反应的影响，并展示了增强E-I平衡对提高听觉注意力的作用。

Comments 26 pages, 10 figures

Journal ref AIP Advances 15, 095025 (2025)

Meditative absorption shifts brain dynamics toward criticality

冥想沉浸使大脑动态向临界点转变

Jonas Mago, Joshua Brahinsky, Mark Miller, Charlotte Maschke, Heleen A. Slagter, Shaila Catherine, Ruben E. Laukkonen, B. Rael Cahn, Matthew D. Sacchet, Wangmo Dixey, Richard Dixey, Soham Rej, Michael Lifshitz

专题命中 EEG解码 ：EEG(abstract)；neural signal(abstract)；分类 q-bio.NC

AI总结 冥想沉浸通过增强神经信号多样性与降低混沌性，使大脑动态向临界状态转变，揭示了临界性作为最小现象体验的神经生理标志。