跳到正文
只看BCI 与神经科学#已接收
6月9日周二
  1. OpenReview · EEG65

    NeuroTune：以和声协和度作为实时 EEG 声化中的神经反馈

    基于摘要分析。NeuroTune 研究如何通过音乐结构呈现 EEG 衍生的注意状态，提出将注意指标实时映射为和声协和度的神经反馈系统。其贡献在于把和声张力用作生理信息通道，而不只是音乐审美参数。 核心机制：系统由 Theta/Beta Ratio（TBR，θ/β 比值）计算 Normalized Attention Index（NAI，归一化注意指数），再映射至四声部和声织体。其中两个固定声部为 440 Hz 和 660 Hz，另两个可变声部在注意指标较高时趋向协和，在注意指标下降时趋向不协和，使用户通过声音感知自身状态。摘要未提供 NAI 的归一化公式、可变声部的频率映射、EEG 采集与伪迹处理流程或反馈延迟，这些实现条件尚未验证。 作者报告：在包含 26 名参与者的用户研究中，NeuroTune 组在会话后段的 TBR 显著降低（p < 0.05），作者将其解释为持续注意改善。摘要未明确该显著性检验对应的比较对象，也未给出组别分配、效应量或独立行为表现，因此不能据此确认相对于其他反馈方式的优势，或推断长期注意训练效果。实验协议、消融及统计信息尚未验证。 该工作直接涉及 EEG 神经反馈与闭环交互音乐，而非通用 EEG 解码模型。复现时需核对 TBR 与持续注意之间的解释依据、频带与时间窗设置、反馈映射细节，以及音乐偏好和听觉反馈本身对指标变化的影响；还需确认 TBR 的降低是否与独立注意任务表现改善一致。

5月15日周五
  1. OpenReview · EEG76

    从 fMRI 预测 EEG 频谱图以识别神经节律背后的全脑活动

    基于摘要分析。本研究针对同步 EEG-fMRI 中跨模态关系复杂、被试间差异较大的问题，提出从全脑 fMRI 预测 EEG 频谱图的机器学习框架，以研究清醒与非快速眼动睡眠状态下神经节律的全脑空间关联。 方法由 RNN 编码器和非线性全连接解码器组成，预测频率范围为 0–17.1 Hz。作者以频谱图为预测目标，利用神经振荡之间的共同变化结构，并设计两类模型：Subject Generalization 面向未见被试的跨被试预测，Subject Specific 学习个体化 EEG 特征。摘要未提供损失函数、时间对齐方式、输入时间窗口或具体训练配置。 研究使用包含 27 名被试的同步 EEG-fMRI 数据，覆盖清醒及非快速眼动睡眠阶段。作者报告，Subject Generalization 能准确预测 EEG 频谱图，但摘要未给出评价指标或数值；Subject Specific 对所有高于 6 Hz 的频率显著改善预测。作者据此认为，较慢频率的 EEG-fMRI 关系具有更小的被试间差异；这一解释的统计依据及个体化模型的数据划分尚需核对。 为定位预测信息，作者分别使用各灰质脑区训练模型。作者报告，觉醒相关系统可广泛预测不同频率，而部分网络具有频率选择性，例如视觉网络能够预测 alpha（8.5–12 Hz）功率。这些结果支持不同大尺度脑网络包含与 EEG 节律相关的预测信息，但预测关联不等同于确定节律的因果来源。 复现与解读需核对 EEG 频谱构建、fMRI 预处理、血流动力学时延处理、跨被试及个体化训练测试划分、对照基线、预测指标和脑区比较的统计方案。实验协议、消融及统计信息尚未验证。材料支持跨模态节律分析的研究价值，尚不能据此认定其具有实时 BCI 解码或临床应用效果。

    阅读价值：值得阅读的是以 EEG 频谱图联合预测探索全脑 fMRI 与神经节律的关系，并通过跨被试与个体化模型比较、脑区单独建模分析频率相关的个体差异和空间预测信息；具体性能与解释稳健性尚待全文核对。

7月3日周一
  1. OpenReview · EEG63

    利用卷积神经网络与脑信号识别想象言语词汇的语法类别

    基于摘要分析。本研究探讨能否利用 EEG 区分西班牙语想象言语词汇的两类语法类别：决策副词（decision adverbs）与名词。作者对时域信号进行统计检验，定位两类词汇在想象过程中产生差异的空间位置与时间区间，再使用 EEGNet 卷积神经网络评估分类表现。 数据来自 10 名健康参与者的 32 通道 EEG。研究根据统计检验结果比较了三种数据时间窗，但摘要仅给出其中两种窗口的长度与结果。作者报告，在两类语法类别分类任务中，较长窗口 W1（700 ms）的 Accuracy 为 60.1%，较短窗口 W3（200 ms）的 Accuracy 为 69.5%。摘要未说明这些结果采用被试内还是跨被试评估，也未提供训练与测试划分，因此不能据此判断跨被试泛化能力；窗口间的差异也不能直接解释为短窗口具有普遍优势。 该工作的可核对价值在于将语法类别相关的 EEG 时空差异分析与分类时间窗选择联系起来，而非直接识别完整词汇或句子。统计检验的具体形式、多重比较处理、时间窗选择与评估数据之间的关系，以及 EEGNet 的训练配置、对照基线、消融和统计信息尚未验证。 作者将该研究定位为面向肌萎缩侧索硬化症（ALS）患者脑机接口的想象言语解码初步探索，但摘要所述参与者均为健康人，尚不能据此确认患者中的解码效果或临床可用性。复现前需取得词汇与任务设计、预处理流程、时间窗定义及完整评估协议；数据与代码的可用性尚未验证。