跳到正文
只看BCI 与神经科学#Wearable EEG
7月31日周五
  1. OpenReview · EEG72

    从可穿戴 EEG 重建 ECG 用于发作期心动过速分类

    基于摘要分析。该研究针对可穿戴 EEG 癫痫监测难以提供自主神经表现信息的问题，尝试从耳后双通道 EEG 重建 ECG，并利用所得心率进行发作期心动过速（ictal tachycardia，IT）分类。其主要研究对象是癫痫发作的辅助表征，而非 BCI 控制或意图解码。 方法与数据：作者采用包含 squeeze-and-excitation 模块的 1D U-Net，为每名被试分别训练 ECG 重建模型。数据来自 SeizeIT2 的 Freiburg 住院患者子集，包含 55 名被试、142 次癫痫发作。研究考察重建质量与原始 EEG 中心脏成分信噪比（cardiac SNR）的关系，并以参考 ECG 评估重建心率及 IT 阳性、阴性分类。 作者报告：测试划分中的 50 名被试仅有 5 名获得合理的 ECG 重建；这 5 名被试的 cardiac SNR 中位数为 7.9 dB，心率误差为 8.6 bpm，其余 45 名对应为 −3.6 dB 和 20.0 bpm。在前述小样本的 8 次发作中，IT 分类正确 7 次，该结果不能直接代表全部被试的表现。另对 129 次发作进行的事后分析显示，发作期 EEG 中 cardiac SNR 的下降幅度中位数为 2.0 dB，恰在需要进行 IT 分类时削弱了重建能力。 解读与局限：作者认为，心脏成分足够强的个别被试可以实现 ECG 重建，重建心率在数小时尺度上与参考值大体一致；但发作期 cardiac SNR 下降使可靠的发作期心率估计仍受限制。这里被利用的是 EEG 记录中的心脏成分，不能将结果解释为仅凭脑源活动即可稳定推断 ECG，也不能据此确认单设备 IT 分类的临床可靠性。 复现需核对逐被试训练及测试的时间划分、同步参考 ECG 的使用方式、预处理与损失函数、cardiac SNR 和“合理重建”的定义、心率误差统计口径及 IT 判定阈值。具体实验协议、消融及统计信息尚未验证。

    阅读价值：该研究值得阅读之处在于以参考 ECG 检验可穿戴 EEG 中心脏成分的重建价值，并揭示发作期 cardiac SNR 下降这一限制，避免将少数被试的可行性误判为可靠的单设备临床分类能力。

  2. OpenReview · EEG64

    用于具身交互评估的模块化 EEG-VR 系统

    基于摘要分析。该研究针对独立佩戴 EEG 设备与 VR 头显时，行为与神经生理信号难以同时记录的问题，提出将可拆卸非侵入式 EEG 模块集成到商用 VR 头显的模块化可穿戴感知系统。主要贡献是软硬件采集系统的集成与具身交互任务中的可行性展示，而非新的 EEG 解码算法。 系统采用轻量化机械结构、灵活的电极布置和无线 EEG 传输，支持 EEG、触觉事件及行为反应的同步采集。摘要未提供电极数量与位置、参考方式、采样率、无线传输性能或同步实现细节，因此尚不能判断佩戴兼容性、信号质量以及事件对齐精度。 可行性演示采用 VR 身体周围空间（peripersonal-space，PPS）任务，设置连续、离散和随机物体运动条件，以行为反应时评估 PPS 相关效应，并使用全局场功率（global field power，GFP）概括 EEG 响应。作者报告，在该演示任务中，连续接近条件下的行为拟合更清晰，近位置与远位置之间存在事件相关 GFP 差异；摘要未给出拟合指标、效应量或统计显著性。这些初步观察支持 EEG-VR 采集用于具身交互评估的可行性，但不能据此认定其具有稳定的个体级识别能力或 BCI 控制性能。 复现时需核对被试与试次数量、物体运动及触觉事件的时序、近远位置定义、EEG 预处理与伪迹处理、GFP 计算窗口，以及行为拟合和统计检验方法。尤其需要核对 VR 佩戴、头部运动与无线传输条件下的信号质量和同步误差。全文未取得，实验协议、对照、消融及统计信息尚未验证。

  3. OpenReview · EEG63

    融合基于 EEG 的运动想象与视觉信息，实现实时机械臂控制

    基于摘要分析。本研究针对低通道可穿戴 EEG 与实时机器人执行的集成问题，评估被试特异的运动想象（MI）解码及 EEG 与视觉信息融合的闭环控制。作者报告，在 Pong 风格游戏任务中，EEG+Vision 相比 EEG-only 提高了平均命中率与平均净得分，为稀疏 EEG 辅助机器人控制提供了先导证据。 系统使用 8 通道 Unicorn Hybrid Black 头戴设备，以 250 Hz 采样，并控制 Kinova Gen3 机械臂。EEG 指令通过重叠的 1 秒窗口以 2 Hz 更新；窗口重叠与更新频率不能直接等同于端到端控制延迟。作者在相同 8 通道约束下离线比较 EEGNet、CTNet 和 FBMSNet，报告 EEGNet 的平均离线 Accuracy 最高，为 70.3%，并将其用于在线控制。摘要未提供被试人数、MI 类别、训练与测试划分，因此这一结果不能解释为跨被试泛化表现。 在线评估采用 Pong 风格游戏任务，对比 EEG-only 与 EEG+Vision 两种条件。作者报告，平均命中率由 69.4% 增至 75.3%，平均净得分由 +0.2 增至 +1.4，且没有参与者在 EEG+Vision 条件下表现更差。命中率属于任务完成指标，不应与离线 MI 分类 Accuracy 混用；上述结果也不足以单独确定统计显著性或更广泛的应用效果。 技术上，摘要将收益归因于稀疏 EEG 与快速任务状态视觉反馈的结合，并认为该方式保留了 EEG 所表达的用户意图。不过，视觉状态表示、融合规则、EEG 与视觉的控制权限分配，以及用户意图保留的验证方式均尚未验证。复现需核对信号预处理、模型训练设置、在线校准、条件顺序、闭环延迟及机器人控制映射；实验协议、消融及统计信息尚未验证。当前证据限定于该先导任务，不能直接外推为日常辅助控制或临床康复效果。

4月13日周一
  1. OpenReview · EEG66

    安心休息：使用 EEG 耳机检测心理疲劳与恢复

    基于摘要分析。本研究关注耳机式 EEG 能否在较低使用负担下检测心理疲劳及其恢复，并比较玩电子游戏与浏览社交媒体两种数字休息活动。其主要贡献是将相对 alpha 功率作为观察疲劳和恢复动态的 EEG 指标，为日常场景中的疲劳监测提供初步研究依据；研究对象是心理疲劳，不能与困倦等同。 实验安排包含连续的任务阶段及其间的一次休息，同时采集自我报告、任务表现与 EEG 数据。摘要明确提到的信号指标是相对 alpha 功率，但未提供其频段定义、计算参照、时间窗、耳机电极配置或伪迹处理流程，因此尚不能判断具体信号处理方法及其复现条件。摘要也未说明是否采用机器学习分类器，不宜将“检测”理解为已验证的自动分类系统。 作者报告，在该任务—休息—后续任务的实验条件下，EEG 耳机能够通过相对 alpha 功率反映心理疲劳及恢复动态，并区分两类休息活动的恢复效果。作者报告，浏览社交媒体比玩电子游戏更有助于恢复，且其效果持续到后续任务阶段。摘要未提供效应量、统计显著性或检测性能指标，这一比较应限定于本研究的活动和任务条件，不能推广为社交媒体普遍优于游戏的休息建议。 被试人数、任务内容与时长、休息活动的具体安排、条件分配及顺序控制尚未验证；自我报告、任务表现与 EEG 指标之间的一致性，以及实验协议、消融及统计信息亦尚未验证。评估其日常应用价值时，需要核对相对 alpha 功率与疲劳变化的对应关系、活动相关伪迹的影响及个体差异。该研究提供的是耳机式 EEG 疲劳与恢复监测的初步依据，并非已证实的 BCI 控制或临床诊断效果。

1月1日周一
  1. OpenReview · EEG62

    引入 EEG 分析以辅助个人音乐偏好预测

    基于摘要分析。该研究针对音乐推荐主要依赖点击、停留时间等隐式反馈、难以反映细致用户体验的问题，探索用便携式干电极设备采集的 EEG 辅助个人音乐偏好预测。其主要贡献是将听音乐时的 EEG、偏好记录与情绪记录结合，并评估 EEG 特征对评分预测和偏好分类的帮助。 方法上，作者开展了用户研究：参与者聆听音乐并记录偏好与情绪，同时使用便携设备采集 EEG；随后分析这些变量之间的关系，并利用 EEG 特征开展个性化音乐偏好预测。摘要未说明 EEG 特征提取方式、预测模型、特征融合策略或训练目标，不能据此判断其算法创新程度。 作者报告，所采集数据中的音乐偏好、情绪与 EEG 信号存在显著关系，加入 EEG 后，评分预测与偏好分类均获得显著改善。摘要未提供效果量、具体指标、对照基线、被试人数及数据划分，因此尚不能判断结果属于被试内还是跨被试评估，也不能量化增益或比较不同协议下的性能；实验协议、消融及统计信息尚未验证。相关性结果也不应被解读为 EEG 对音乐偏好的因果解释。 该工作直接研究 EEG 在音乐推荐中的应用，而非通用 BCI 控制或解码方法。作者进一步提出 EEG 可作为其他个性化推荐任务的显式反馈，但摘要未提供其他场景的验证。复现时应核对设备与通道配置、预处理及伪迹处理、偏好与情绪标签的定义、训练测试划分，以及加入 EEG 前后的同协议对照；便携采集的可行性不等于长期日常环境中的预测稳定性。

12月1日周五
  1. OpenReview · EEG71

    三导联 EEG 传感器：一种基于 Ant Lion Optimization 的 EEG 辅助抑郁症诊断系统

    基于摘要分析。研究面向 EEG 辅助抑郁症诊断的实际部署问题，将可穿戴三导联柔性电极 EEG 传感器与 Ant Lion Optimization（ALO，蚁狮优化）特征加权、选择及 k-NN 分类相结合，尝试兼顾采集便利性与患者、健康对照的分类性能；其主要研究对象是辅助诊断系统，而非 BCI 控制任务。 硬件方面，传感器用于采集前额叶 EEG。作者报告，在实验测量条件下，背景噪声不超过 0.91 μVpp，信噪比（SNR）为 26–48 dB，电极—皮肤接触阻抗低于 1 kΩ。摘要未提供这些测量的频带、环境、测试配置及长期佩戴条件，因此尚不能据此判断真实使用中的抗干扰能力和稳定性。 算法方面，研究从采集信号中提取线性与非线性特征，再由 ALO 对特征进行加权与选择，最后使用 k-NN 分类。该机制将优化重点放在特征表示与筛选，而不是端到端神经网络训练。具体特征定义、优化目标、搜索设置、预处理及 k-NN 超参数尚未验证。 作者报告，使用该传感器采集了 70 名抑郁症患者和 108 名健康对照的 EEG，k-NN 分类准确率为 90.70%，特异度为 96.53%，敏感度为 81.79%。摘要未交代数据划分，以及评估属于被试内还是跨被试协议，故这些结果只能作为该研究未明确评估条件下的报告值，不能直接与其他协议比较，也不能视为临床部署有效性的证明。 复现与证据核对重点包括：患者诊断标准与采集条件、训练和测试的划分单位、ALO 特征筛选与评估划分的关系、相对不使用 ALO 的对照，以及结果的不确定性与外部验证。实验协议、消融及统计信息尚未验证；全文、数据与实现可用性也尚未确认。

    阅读价值：值得阅读其三导联柔性电极 EEG 采集硬件与 ALO 特征加权、选择的系统整合方案，但诊断性能的可信度及复现条件仍需结合数据划分、特征选择流程和临床评估协议核对。

1月1日周日
  1. OpenReview · EEG71

    三导联 EEG 传感器：一种基于蚁狮优化的 EEG 辅助抑郁症诊断系统

    基于摘要分析。该研究针对抑郁症评估中访谈与临床量表的主观性及时间、人力成本，以及传统 EEG 设备体积大、操作复杂等实际应用障碍，提出采用柔性电极的可穿戴三导联 EEG 传感器，并结合 Ant Lion Optimization（ALO，蚁狮优化）与 k-NN 构建 EEG 辅助抑郁症诊断系统。其主要研究对象是抑郁症患者与健康对照的 EEG 分类，不是 BCI 控制任务。 硬件与算法流程：传感器用于采集前额叶 EEG；从信号中提取线性和非线性特征，再通过 ALO 对特征加权并进行选择，最后输入 k-NN 分类器。摘要未说明具体特征、预处理方式、ALO 优化目标及参数，也未交代 k-NN 的配置，因此尚不能据此复现完整流程。 作者报告，在传感器实验测量中，背景噪声不超过 0.91 μVpp，Signal-to-Noise Ratio（SNR）为 26–48 dB，电极与皮肤接触阻抗低于 1 kΩ；这些结果属于硬件性能测量，不能直接等同于疾病识别能力。作者使用该传感器采集了 70 名抑郁症患者和 108 名健康对照的 EEG，并报告 ALO 结合 k-NN 的分类 Accuracy 为 90.70%、特异性为 96.53%、敏感性为 81.79%。摘要未给出训练与测试划分、是否按被试隔离及验证方式，因而这些指标只能在尚未明确的评估协议下理解，不能直接与其他研究比较。 作者据此认为该组合具有 EEG 辅助抑郁症诊断潜力。复现与证据核对的重点包括：采集条件与电极布置、患者诊断依据、特征加权与选择是否限定于训练流程、对照基线、消融及统计不确定性。上述实验协议、消融及统计信息尚未验证；代码与数据可用性也尚未确认。患者—健康对照分类结果本身不足以确立临床诊断效用，仍需核对独立样本验证及实际使用条件下的表现。

    阅读价值：值得阅读之处是将可穿戴三导联 EEG 硬件与 ALO 特征加权、选择及 k-NN 分类整合，并报告传感器性能和患者对照结果，但分类划分协议及临床泛化能力尚未验证。

  2. OpenReview · EEG71

    三导联 EEG 传感器：基于蚁狮优化的 EEG 辅助抑郁症诊断系统

    基于摘要分析。该研究面向 EEG 辅助抑郁症诊断的实际部署问题，开发了采用柔性电极的可穿戴三导联 EEG 传感器，用于采集前额叶 EEG，并结合 Ant Lion Optimization（ALO，蚁狮优化）与 k-NN 分类器构建辅助诊断系统。其主要贡献是将低导联采集硬件与特征优化流程结合，而非仅在既有 EEG 数据上建立分类模型。 技术路径包括前额叶 EEG 采集、线性与非线性特征提取、通过 ALO 对特征进行加权和选择，以及使用 k-NN 分类。摘要未说明具体特征定义、预处理流程、ALO 优化目标、搜索设置及 k-NN 参数，这些实现条件尚未验证。 在传感器实验测量中，作者报告背景噪声不超过 0.91 μVpp、Signal-to-Noise Ratio（SNR）为 26–48 dB、电极—皮肤接触阻抗低于 1 kΩ；测量环境与具体测试条件尚未验证。作者使用该传感器采集了 70 名抑郁症患者和 108 名健康对照的 EEG，并报告 ALO 配合 k-NN 的分类 Accuracy 为 90.70%、特异度为 96.53%、敏感度为 81.79%。摘要未交代这些指标对应的训练与测试划分、是否采用被试独立评估或外部验证，因此不能据此认定其跨被试泛化性能或临床诊断效能。 复现时需核对柔性电极与采集硬件配置、临床分组依据、采集状态、特征优化与模型选择是否限定在训练数据内，以及相对于不使用 ALO 的分类基线。实验协议、消融及统计信息尚未验证。该工作直接涉及 EEG，但研究任务是抑郁症辅助诊断，并非 BCI 控制；低导联方案的工程可用性也不能替代对分类稳定性和临床适用性的独立验证。

    阅读价值：值得阅读的是其将三导联柔性电极 EEG 传感器与 ALO 特征加权、选择相结合的端到端辅助诊断路径，但作者报告的分类结果仍需结合数据划分及独立验证协议核对。

  3. OpenReview · EEG76

    采用通用柔性耳件的干式 ear-EEG 传感器开发与表征

    基于摘要分析。该研究针对现有 ear-EEG 设备需要个体定制、制作耗时及使用寿命较短的问题，提出将单通道干电极嵌入通用基底的传感器设计，探索无需逐人定制的耳内 EEG 采集方案。 技术机制与对照：研究重点是电极与耳件的硬件设计及信号表征，而非 EEG 解码算法。作者在 15 名被试、五种 EEG 实验范式下同步记录 ear-EEG 与传统头皮 EEG，并将通用干接触耳内传感器的记录与头皮 EEG 进行比较。摘要未列出五种范式的名称，也未给出电极材料、几何结构、参考配置、接触阻抗或信号处理流程，相关细节尚未验证。 结果与边界：作者报告，在不同范式中可从 ear-EEG 提取可靠响应，但响应幅度弱于头皮 EEG。摘要未提供幅度差异、信噪比或响应可靠性的量化指标，因此不能据此判断其与头皮 EEG 的性能等效性，也不能推导 BCI 分类性能。作者认为该设计具有支持持续、易用、低成本及现货化 ear-EEG 记录的潜力；这些应用潜力应与已报告的响应可提取性区分，长期稳定性、佩戴舒适性、寿命与成本的具体证据尚未验证。 复现核对重点：需从全文确认耳件适配方式、采集与参考配置、五种范式的刺激和分析协议，以及跨被试响应一致性。实验协议、消融及统计信息尚未验证。单通道记录与较弱响应对具体 BCI 任务的影响也需另行评估，摘要未报告相应解码结果。

    阅读价值：该研究通过同步耳内与头皮 EEG 记录评估通用柔性耳件中的单通道干电极，为核对非个体定制 ear-EEG 的信号可用性提供了实验依据，但长期佩戴与耐用性仍需全文验证。

12月31日周六
  1. OpenReview · EEG64

    使用配备 EEG 的头戴设备预测举起重量的类别

    基于摘要分析。该研究考察 EEG 能否用于检测人体举重动作及所举重量类别，核心任务是在肱二头肌屈伸运动中区分空载、中等负重和重负重。作者使用商用 EEG 头戴设备以及适合自行搭建的开源、开放协议 EEG 硬件，并设计和评估了基于特征的分类方法与深度学习模型。 研究包含两项肱二头肌弯举实验：作者描述其中涉及按照神经科学标准设计的概念验证，以及面向可穿戴传感和智能服装实际应用的探索。摘要未给出具体特征、模型结构、训练方法、动作检测结果，也未说明三类负重的实际重量、被试人数、通道配置及采集流程，相关细节尚未验证。 作者报告，在区分空载、中等负重和重负重的三分类评估中，Accuracy 最高达到 78%，并称其方法持续优于同类已有方法。但摘要未明确该结果对应的硬件、模型、数据划分及被试内或跨被试协议，也未列出对照基线，因此尚不能据此判断跨被试、跨会话泛化能力或直接比较不同协议下的性能；实验协议、消融及统计信息尚未验证。 复现时值得重点核对同步运动期间的肌电、头部运动和电极接触变化如何处理，以及训练与测试样本的划分单位，从而厘清模型利用的是何种信号信息；这些是待核对事项，并非已确认的问题。作者提出康复、体育及工业应用方向，但摘要未提供这些场景的独立验证。作者表示研究采集的数据集将公开，这属于公开计划，当前可获取性及代码、预处理和评估配置尚未验证。

1月1日周六
  1. OpenReview · EEG60

    EEGLog：听音乐时的 EEG 生活记录

    基于摘要分析。该研究探讨如何将听音乐时采集的 EEG 纳入个人生活记录，以补充照片、文字消息和日记等自我追踪方式。作者提出数据分析应用 EEGLog，将 EEG 记录、情绪信息与音乐收听活动关联，探索以神经信号为中心的生活记录方式。 作者报告，研究使用四种消费级可穿戴 EEG 设备，采集了 24 名参与者的 EEG 数据。摘要未说明设备型号、通道配置、采样参数、参与者特征、音乐材料或采集流程，因此尚不能判断不同设备的数据可比性及真实日常场景的覆盖程度。 EEGLog 包含三个模块：汇总模块整合 EEG 数据、情绪报告、音乐收听活动与值得纪念的时刻；情绪检测模块用于识别情绪；音乐推荐模块用于推荐音乐。摘要未提供情绪检测的算法、标签来源与评价协议，也未说明音乐推荐如何利用 EEG 或情绪信息，具体机制、训练与推理过程尚未验证。不能据此认定 EEG 已带来情绪识别或推荐效果的提升。 作者还报告收集并分析了关于 EEG 设备及 EEGLog 使用体验的访谈反馈，以支持后续 EEG 生活记录研究。摘要未给出访谈分析方法、具体发现或定量结果。复现与评估时需核对信号质量控制、情绪标注依据、数据划分、推荐对照以及访谈分析流程；实验协议、消融及统计信息尚未验证。该材料主要支持对 EEG 生活记录应用设计与用户体验研究的了解，而非已验证的 BCI 控制性能或临床效果。

1月1日周一
  1. OpenReview · EEG60

    使用便携式 EEG 传感器检测冥想状态

    基于摘要分析。该研究考察采用干电极的便携单通道 Neurosky Mindwave EEG 系统能否用于检测冥想状态，主要贡献是将其与常规 19 通道 EEG 的频谱进行比较，并进一步分析冥想与静息状态的差异，同时开发配套 Android 检测应用。 数据与方法：作者在 20 名被试冥想期间使用两类设备采集数据，摘要描述通过独立成分分析（ICA）进行伪迹去除，随后分析并比较功率谱密度。为避免将静息误判为冥想，研究另用单通道设备明确采集静息数据；还考察了冥想开始、中间和结束阶段。摘要未说明两类设备是否同步记录，也未交代 ICA 如何用于单通道数据，具体预处理流程尚需核对全文。 作者报告，在上述冥想采集条件下，两类设备呈现相似频谱，但幅度水平在被试之间和设备之间存在差异。作者还报告，冥想时 delta 频段能量高于 alpha 频段，而静息时呈相反关系。这些结果提供了候选状态区分线索，但摘要未给出频段边界、效应量、统计检验或分类性能，因此不能将频谱差异直接视为可靠检测或跨被试泛化的证据。 复现与局限：应重点核对冥想与静息的操作定义、状态标注依据、记录时长、电极位置、伪迹处理及频谱估计设置，以及 Android 应用使用的判定规则。被试内或跨被试划分、独立测试数据、消融及统计信息尚未验证；摘要也不足以判断阶段变化和个体幅度差异如何影响检测。该工作直接涉及 EEG 状态识别，但材料未展示在线 BCI 控制或临床验证。

  2. OpenReview · EEG77

    面向局灶性癫痫患者可穿戴发作检测系统开发的头皮 EEG 与耳后 EEG 比较

    基于摘要分析。该研究针对局灶性癫痫患者的连续可穿戴监测需求，通过同步比较头皮 EEG 与耳后 EEG，考察耳后记录能否保留有意义的癫痫放电并支持自动发作检测。研究对象是癫痫监测，而非 BCI 控制或意图解码。 研究同步采集了 12 名颞叶、顶叶或枕叶癫痫患者的传统头皮 EEG 和耳后 EEG；耳后记录包含跨头通道（cross-head channels）及单侧通道。分析涵盖眨眼引起的眼电（EOG）伪迹、发作期间的时域波形与频率内容、相干性，以及基于支持向量机（SVM）的自动发作检测。这种同步比较有助于在相同发作事件下评估不同记录位置的信号与检测表现。 作者报告，跨头通道中未观察到眨眼 EOG 伪迹，单侧通道中的伪迹幅度显著较小；发作期间，耳后 EEG 的时域波形和频率内容在视觉上与头皮 EEG 相似，相干性分析也支持耳后记录捕获了有意义的癫痫放电。上述结果支持耳后记录的信号可用性，但不能直接推广为对所有日常活动伪迹均具有鲁棒性。 在这批同步记录上使用 SVM 进行自动发作检测时，作者报告：头皮 EEG 的中位敏感度为 100%，误检率为每小时 1.14 次；耳后 EEG 的中位敏感度为 94.5%，误检率为每小时 0.52 次。作者据此认为两类记录可取得可比的检测表现。敏感度与误检率需联合解读，不能仅凭耳后记录误检率较低就认定其整体优于头皮 EEG。 摘要未说明检测特征、SVM 配置、训练与测试划分、记录时长、发作数量及检测延迟，实验协议、消融及统计信息尚未验证；也无法判断这些指标属于被试内还是跨被试评估。当前证据支持耳后 EEG 用于局灶性癫痫发作检测的可行性，但长期日常佩戴、不同患者与发作类型下的泛化，以及实际设备条件下的表现仍需核对全文或进一步验证。

    阅读价值：该研究通过同步采集头皮与耳后 EEG，结合信号一致性分析及 SVM 发作检测，为评估耳后电极用于局灶性癫痫可穿戴监测提供了可核对的证据，但日常佩戴效果与检测泛化能力尚未验证。

1月1日周日
  1. OpenReview · EEG64

    基于可穿戴 EEG 的实时抑郁监测系统

    基于摘要分析。研究面向抑郁相关 EEG 的便捷日常采集与辅助评估，提出可穿戴 EEG 实时监测系统，将信号处理、功率谱可视化及机器学习分类整合起来。其主要研究对象是抑郁监测与辅助诊断，而非 BCI 控制任务。 系统通过可穿戴设备采集 EEG，实时执行信号滤波、伪迹去除和功率谱可视化，并可结合心理测评量表用于辅助诊断。除静息态 EEG 外，研究还引入外部音频刺激范式，利用连续 EEG 经机器学习输出各刺激条件下的抑郁概率，作为面向用户的自评评分。摘要未说明刺激内容、特征提取方法、分类器类型、概率校准方式或实时处理延迟，这些技术细节尚未验证。 作者报告，使用来自 81 名 early-onset 患者与 89 名正常对照的 EEG 构建最终分类模型并验证实际性能；摘要未进一步界定 early-onset 的含义，也未提供被试内或跨被试评估协议、训练测试划分、对照基线及性能指标。因此，不能据此量化分类效果，也不能将输出概率视为已验证的临床风险概率。 该工作的具体阅读价值在于呈现从可穿戴采集到实时处理、再到刺激相关评估的系统整合路径。摘要对日常采集及两周观察的讨论属于研究动机，不能据此认定系统已完成连续两周的纵向验证。实验协议、消融及统计信息尚未验证；复现还需核对设备与通道配置、采样参数、伪迹处理流程、音频刺激时序和模型训练细节。其辅助诊断定位不等于已具备独立临床诊断效力。

1月1日周五
  1. OpenReview · EEG67

    使用 Deep Belief Network 与三电极 EEG 采集器的便携式抑郁症 EEG 诊断

    基于摘要分析。本研究面向便携式抑郁症 EEG 辅助识别，使用三电极采集器获取额部 EEG，并比较 Deep Belief Network（DBN）与其他分类方法。其主要贡献是探索少电极采集与 EEG 功率特征结合的抑郁识别方案，而非 BCI 控制或交互任务。 采集电极位于 Fp1、Fp2 和 Fpz；作者选择这些位置的理由是其与情绪相关，且不受头发覆盖影响。作者报告共采集了 178 名被试的 EEG，但摘要未说明抑郁组与对照组构成、临床诊断标准、采集任务及记录时长，相关信息尚未验证。 方法方面，研究比较了 KNN、SVM、ANN 与 DBN，并考察 beta 频段绝对功率作为抑郁检测特征的价值。作者报告 DBN 优于所比较的传统浅层方法，DBN 与 beta 频段绝对功率组合的 Accuracy 达到 78.24%。该数值对应的训练与测试划分、被试内或跨被试协议，以及各基线的具体结果均未在摘要中交代，尚不能据此判断跨被试泛化能力或比较优势的幅度。 作者据此认为小型便携系统用于抑郁诊断具有可行性。更审慎地说，摘要支持的是该采集与分类组合在所报告实验中的初步识别结果；临床适用性、外部验证及稳定性仍需核对全文。复现时需要确认 EEG 预处理、beta 频段边界与绝对功率计算方式、DBN 结构及训练设置，并核对数据划分、消融及统计信息；这些内容目前尚未验证。

  2. OpenReview · EEG72

    使用耳内 EEG 检测驾驶员困倦

    基于摘要分析。该研究关注耳内 EEG 能否在降低佩戴侵扰的同时，支持驾驶员清醒—困倦状态分类，并与头皮 EEG 及外周生理信号进行性能比较。其主要贡献是对耳内 EEG 用于困倦检测的可行性开展直接评估，而非提出摘要中可明确辨识的新分类算法。 研究同时测试了心电图（ECG）、光电容积描记（PPG）和皮肤电反应（GSR），以比较不同信号在测量便利性与分类性能之间的取舍。作者称这是首次评估耳内 EEG 在驾驶员清醒—困倦分类中的表现；这一优先性声明尚未独立核实。 作者报告，在本文清醒—困倦分类评估中，耳内 EEG 获得了较高的分类 Accuracy，表现可与单个头皮 EEG 通道相比；ECG、PPG 和 GSR 仅在两两组合使用时表现出有竞争力的性能。摘要未提供具体 Accuracy、置信区间或显著性检验，因此不能量化性能差距，也不能将“可比”理解为已通过统计等效性验证。该对照针对单个头皮 EEG 通道，不应扩展为耳内 EEG 与多通道头皮 EEG 等效。 作者据此认为，耳内 EEG 可能成为单通道 EEG 或单一外周信号困倦监测的替代方案。被试数量、驾驶任务环境、状态标注依据、耳内电极配置、预处理、特征与分类器，以及被试内或跨被试划分均尚未验证；实验协议、消融及统计信息也需全文核对。实际部署价值仍需结合运动伪迹、佩戴稳定性及跨会话表现评估，摘要结果不能直接证明真实道路条件下的可靠性。

    阅读价值：该研究直接比较耳内 EEG、单个头皮 EEG 通道与外周生理信号在驾驶员清醒—困倦分类中的表现，为评估低侵扰困倦监测方案提供了可核对的对照思路，但具体性能与泛化能力尚未验证。

  3. OpenReview · EEG55

    基于可穿戴 EEG 的心理状态识别

    基于摘要分析。该研究考察消费级可穿戴 EEG 能否识别不同心理状态，以教学性（逻辑性）视频与娱乐性（情绪性）视频作为两类输入，尝试用机器学习区分其诱发的状态。其主要贡献是针对消费级设备信号质量与分辨率有限的条件，探索两类情境相关状态的可区分性，而非直接验证驾驶困倦、焦虑或疲劳监测。 方法方面，作者尝试了 SVM、稀疏逻辑回归和 Deep Belief Networks，将两类视频诱发的状态粗略标记为“逻辑性”与“情绪性”。摘要未说明 EEG 预处理、特征构建、模型配置及训练细节，因此尚不能判断这些方法分别利用了哪些信号信息，也不能确认复杂模型相较传统分类器的增益。 结果方面，作者报告可穿戴 EEG 在区分情境差异较大、表面差异较细微的认知状态时具有潜力，但摘要未提供定量指标、对照结果或统计检验信息；其中关于潜力的表述不能直接解释为统计显著性证据。设备型号、通道配置、被试人数、视频材料、数据划分，以及被试内、跨被试或跨会话评估背景均尚未验证，实验协议、消融及统计信息尚未验证。 解读与复现时，应核对分类目标究竟反映心理状态，还是与视频内容、感官刺激或任务条件相关的差异；这些是待核对事项，并非已确认的混杂。摘要列举的困倦驾驶、心理健康和工作效率监测属于应用动机，不能据此认定本文已验证这些应用，也不能将两类视频的识别结果推广为通用心理状态解码能力。