跳到正文
只看一手#CNN
9月19日周五
  1. OpenReview · EEG71

    无需预训练的用于时间步级检测的大型 EEG-U-Transformer

    基于摘要分析。该研究面向 EEG 的事件检测与状态分类，提出大型 EEG-U-Transformer：通过 U 形架构结合卷积与自注意力，开展序列到序列建模，直接输出时间步级预测，并可扩展至窗口级分类。核心贡献是将时间步级检测与无需大规模预训练的模型扩展结合，而非先进行窗口分类再依赖重叠推理及后处理获得事件结果。 机制方面，作者以 EEG 事件的多尺度特性为设计依据，利用卷积和自注意力模块捕获局部与全局特征；窗口级分类则通过加入 attention-pooling 层实现。摘要未提供具体网络层数、参数规模、时间分辨率、损失函数及训练配置，因此尚不能判断时间步标签如何构建、不同尺度特征如何融合，或模型扩展的实际计算代价。 作者报告，该方法在所评估的时间步级与窗口级分类任务中表现出效率改善、Cross-subject 泛化能力及达到 state-of-the-art 的性能。作者还报告，模型可扩展至与既有大型基础模型相当的规模，且仅使用下游微调数据集训练即可超越那些经过多数据集预训练的模型。摘要未列明数据集、被试数量、数据划分、对照模型、指标与具体数值，上述优势尚不能据此量化，也不能视为跨协议的直接比较。 复现时应重点核对时间步级标注与事件评价规则、Cross-subject 划分、窗口级与时间步级方法的对齐方式，以及推理效率是否计入后处理成本。大模型比较还需核对下游训练数据、参数规模与计算预算是否可比。实验协议、消融及统计信息尚未验证，全文与实现条件仍待核对。

9月11日周四
  1. OpenReview · EEG78

    EEG-X：设备无关且噪声鲁棒的 EEG 基础模型

    基于摘要分析。EEG-X 针对记录设备与配置差异导致的跨数据集变化，以及 EEG 低信噪比问题，提出结合通道空间位置编码、噪声感知掩码重建和特征空间重建损失的 EEG 基础模型，旨在学习更具跨域适应性与噪声鲁棒性的表征。 核心机制包括三部分：其一，基于位置的通道嵌入编码空间信息，使模型能够处理不同通道数量、通道组合和记录长度。其二，在原始空间与潜在空间采用噪声感知掩码—重建策略；与重建原始含噪 EEG 的做法不同，重建目标来自伪迹去除后的信号，作者意图借此使表征更关注神经活动而非噪声。其三，dictionary-inspired convolutional transformation（DiCT）层在计算重建 MSE 损失前，将信号投影至结构化特征空间；作者认为该设计可降低噪声敏感性，并捕捉频率与波形形状相关的相似性。具体去伪迹流程、掩码规则、DiCT 实现及各目标的组合方式尚未验证。 作者报告，在来自不同设备的数据集及多个下游 EEG 任务上，EEG-X 优于所比较的现有先进方法，并在预训练与下游数据电极布局不同的跨域设置中表现突出。摘要未提供数据集名称、任务明细、被试数量、划分方式、指标或数值，因此不能据此量化收益，也不能将这里的跨域结果直接等同于跨被试或跨会话性能。 复现时值得核对位置嵌入对通道坐标的依赖、去伪迹处理是否保留任务相关信号，以及各模块在不同设备与电极布局下的独立贡献；这些属于待核对事项，而非已确认的缺陷。摘要提供了模型与代码入口，但其可用性、训练配置、实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对和复现的是 EEG-X 将位置编码、去伪迹重建目标与 DiCT 特征空间损失结合，以应对电极布局差异和低信噪比；作者报告的跨域优势仍需结合完整实验协议验证。

6月3日周二
  1. OpenReview · Representation learning73

    CKDF-V2：有效缓解小记忆持续学习中的表征偏移

    基于摘要分析。本文研究持续学习（CL）中，新旧数据分布差异引发的表征偏移与灾难性遗忘，以及旧类样本存储受限造成的类别不平衡。作者提出特征增强校准（FBC）和分块知识蒸馏（BWKD），构建两阶段训练框架 CKDF-V2，作为 cascaded knowledge distillation framework（CKDF）的增强版本；主要研究对象是基于 CNN 和 vision transformer（ViT）的持续学习，而非 EEG 或 BCI。 FBC 首先训练扩展模块学习全部新旧类别，以发现旧模型遗漏的关键特征，再训练 FBC network（FBCN），利用这些特征校准旧表征。作者认为，补充的新旧类别判别信息能够提升校准表征的可迁移性，从而缓解表征偏移。BWKD 则按类别频次将 softmax 层划分为若干块，并分别进行知识蒸馏，以应对有限旧类记忆与新类数据之间的不平衡。摘要未给出具体损失形式、两阶段训练细节及分块规则。 作者还将该框架与 task-token expansion 方法结合，形成 ViT 版本。作者报告，CNN 与 ViT 版本在多个 CL 基准上均取得良好结果，但摘要未列出基准名称、记忆预算、任务序列、对照方法或指标数值，不能据此判断提升幅度。实验协议、消融及统计信息尚未验证；复现还需核对旧类样本选择方式、扩展模块训练与推理开销。 平台推测（待验证）：若 EEG 场景涉及类别逐步增加，且可保留少量旧类标注样本，FBC 与 BWKD 可能分别对应表征漂移和新旧类别样本不平衡。可尝试复用校准与分块蒸馏机制，但需改造适配 EEG 的特征提取器，并核对新增类别与原任务的对应关系；跨会话漂移本身不等同于类别增量。低信噪比、被试差异、通道变化及小样本可能使扩展模块学到不稳定特征。一个可检验的小实验是在固定被试与通道的 EEG 类别增量协议下，统一旧类记忆预算，对比基础蒸馏、加入 FBC、加入 BWKD 及二者结合，分别评估旧类遗忘和新类性能。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其特征校准与按类别频次分块蒸馏能否分别缓解小记忆持续学习中的表征偏移和类别不平衡，但摘要未提供量化结果，EEG 适用性尚未验证。

4月14日周一
  1. OpenReview · State space models74

    nnMamba：基于状态空间模型的 3D 生物医学图像分割、分类与标志点检测

    基于摘要分析。该研究面向 3D 生物医学图像中的长程体素依赖建模，提出 nnMamba，将 CNN 的局部表征能力与状态空间模型（SSM）的全局上下文建模相结合，用于图像分割、分类与标志点检测，而非直接研究 EEG 或 BCI。 核心模块为 Mamba-In-Convolution with Channel-Spatial Siamese learning（MICCSS），用于建模长程体素关系；此外引入 channel scaling 与 channel-sequential learning，以增强密集预测和分类任务的表现。其方法动机是缓解 CNN 局部感受野的限制，同时应对 Transformer 在高维医学图像上的计算负担。摘要未提供模块内部结构、体素序列化方式、损失函数、训练策略或实际计算成本，这些细节尚未验证。 作者报告，在七个数据集上的实验覆盖 3D 图像分割、分类和标志点检测，并优于所比较的现有先进方法。但所给材料未列出数据集名称、划分方式、基线、评价指标及具体数值，因此无法判断各任务收益的幅度与适用范围，也不能确认其效率优势。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现内容、运行条件和结果可复现性尚未核验。 平台推测（待验证）：假设局部特征提取与 SSM 长程建模的组合可用于 EEG 长时间窗建模，其可复用部分可能是 CNN–SSM 的组合思路；原方法依赖 3D 体素空间结构，而 EEG 的时间轴、通道拓扑及任务监督不同，需改造输入组织与通道建模。低信噪比、跨被试分布变化和小样本可能削弱收益，体素关系也不能直接等同于电极关系。一个可检验的小实验是在固定跨被试划分、相同预处理与训练预算下，对比 CNN 基线及加入 SSM 的变体，检验长时间窗任务表现与计算成本是否同时改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将 CNN 局部表征与 SSM 长程建模结合的 MICCSS 机制，并核对不同 3D 图像任务上的收益与计算代价；摘要中的领先结果尚需全文实验协议支持，不能直接视为 EEG/BCI 有效性的证据。

1月23日周四
  1. OpenReview · Representation learning75

    面向表征学习的鲁棒性重编程

    基于摘要分析。本文研究能否在不改变已训练深度学习模型参数的前提下，通过模型重编程增强其对对抗扰动或输入噪声的鲁棒性。作者重新考察表征学习中的特征变换机制，提出非线性鲁棒模式匹配作为替代，并设计三种模型重编程范式，以适应不同的效率要求。 技术机制：摘要将方法与鲁棒统计联系起来，核心是调整特征变换，而非修改原模型参数。但模式匹配的数学定义、重编程作用位置、是否引入可训练附加参数、损失函数，以及三种范式各自的训练与推理开销均尚未验证。“不改变模型参数”不能据此理解为完全无需训练或没有额外计算成本。 作者报告，在涵盖基础线性模型、MLPs、浅层及现代深层 ConvNets 的实验与消融中，该方法表现有效。摘要未提供数据集、扰动类型与强度、评估指标、对照基线或具体数值，因此目前不能量化收益，也不能判断对抗鲁棒性与普通噪声鲁棒性的改善是否一致。实验协议、消融及统计信息尚未验证。材料提供了实现仓库，但代码完整性、运行依赖及复现条件尚未核验。 平台推测（待验证）：若该机制能用于时序特征变换，则可能为冻结 EEG 解码器后的噪声鲁棒性改造提供思路；这是假设，不是论文已验证的 BCI 结论。可复用对象是鲁棒模式匹配与重编程框架，需改造其对多通道时序输入及通道结构的适配；所需监督信息与数据规模尚不明确。低信噪比条件下，鲁棒处理可能同时抑制微弱任务信号，也未必能解决跨被试分布差异或通道缺失，小数据下附加模块还可能过拟合。一个可检验的小实验是冻结同一 EEG 解码器，在固定被试内划分下，对比原模型与重编程版本在干净输入和预先定义的噪声扰动下的 Accuracy 与推理开销，且保持测试数据不参与拟合。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其非线性鲁棒模式匹配如何在冻结模型参数的条件下改变特征变换，以及三种重编程范式的鲁棒性与效率权衡；摘要尚不足以确认其对 EEG 的适用性。

  2. OpenReview · State space models77

    Spatial-Mamba：通过结构感知状态融合构建有效的视觉状态空间模型

    基于摘要分析。Spatial-Mamba 研究二维视觉任务中的空间结构建模问题：现有视觉状态空间模型（SSMs）通常将图像转成一维序列，并用不同扫描路径补充局部空间依赖，但可能难以充分表达复杂空间结构，同时增加扫描成本。该方法通过在状态空间中直接建立邻域连接，将序列状态计算与空间上下文融合结合起来。 核心机制分为三个阶段：通过单向扫描计算初始状态；利用结构感知状态融合获取空间上下文，其中空洞卷积用于捕获图像空间结构依赖；通过观测方程完成最终状态计算。其区别于主要依靠扫描路径组织空间信息的方法，关键在于显式融合邻域状态，而非仅依赖顺序状态转移。作者报告，理论分析将 Spatial-Mamba、原始 Mamba 与 linear attention 纳入同一矩阵乘法框架；具体等价条件与推导范围尚需正文核验。 作者报告，在图像分类、检测和分割实验中，Spatial-Mamba 即使仅使用一次扫描，也达到或超过所比较的先进 SSM 模型。摘要未提供数据集、划分、指标数值、对照配置或计算成本实测，不能据此量化优势；实验协议、消融及统计信息尚未验证。摘要提供了源码与训练模型入口，但实现细节、训练配置及权重可用性尚未核验。 平台推测（待验证）：该机制可能对应 EEG 中时间依赖与通道空间关系难以同时建模的瓶颈，但原论文研究对象是二维图像，并未提供 EEG/BCI 证据。其迁移假设依赖可定义且跨记录一致的通道邻域；可考虑复用状态计算与融合思路，将图像空洞卷积改造成适配电极布局的邻域操作，而不能直接把通道排列当作规则图像网格。低信噪比可能使邻域融合传播噪声，跨被试差异、通道缺失及小数据规模也可能削弱收益。一个可证伪的小实验是在固定 EEG 数据划分、训练预算与通道布局下，比较单向 SSM、加入真实电极邻域融合及打乱邻域的版本，检验收益是否确由空间结构带来，并分别报告被试内与跨被试结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其在状态空间中直接建立邻域连接的机制及统一矩阵乘法分析，但摘要所述视觉任务优势与向 EEG 的迁移价值仍需分别核验。

  3. OpenReview · State space models72

    从层到状态：深度神经网络层动态的状态空间模型视角

    基于摘要分析。本文研究深层神经网络如何复用先前层的信息以增强当前层的特征表示，将各层输出视为连续过程的状态，并提出 Selective State Space Model Layer Aggregation（S6LA），利用 Selective State Space Models（S6）设计层间聚合模块。 核心机制是把状态空间模型（SSM）的建模对象从通常的序列位置转向网络深度方向的层输出。作者认为，既有层聚合方法主要采用离散状态视角，在网络层数增大时存在适用性限制；S6LA 则尝试以序列框架结合传统 CNN 或 transformer 架构。这里的“序列”主要对应层间信息演化，不能直接等同于输入信号的时间序列。连续状态的具体参数化、不同层特征的维度对齐、选择性机制及训练方式均需全文核对。 作者报告，S6LA 在图像分类与检测任务中带来显著改进，但摘要未提供数据集、划分、对照基线、指标或具体数值，因此无法判断改进幅度、计算代价及其对网络深度的依赖。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型存在跨层特征复用不足的问题，可考虑复用 S6LA 的沿深度聚合思路，而非直接把它当作 EEG 时间建模模块。该迁移假设依赖可组织为层序列的中间表示，需要改造不同层的通道数、时间分辨率与特征对齐方式；低信噪比可能使聚合传播噪声，跨被试差异和小数据也可能使选择性机制过拟合。一个可检验的小实验是在固定 EEG 骨干和 Cross-subject 划分下，比较原模型、简单层聚合与 S6LA，并同时记录任务指标、参数量及推理开销。上述仅为验证建议，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 S6LA 如何将沿网络深度的层间聚合建模为状态演化，以及其相对既有层聚合方法的收益与开销；摘要支持视觉任务中的作者报告，尚不能据此确认 EEG 适用性。

1月1日周三
  1. OpenReview · State space models64

    InsectMamba：用于昆虫识别的自适应复合特征状态空间模型

    基于摘要分析。该研究针对农业害虫识别中伪装性强、物种多样及近缘物种视觉特征相似的问题，提出 InsectMamba，通过混合特征编码与自适应特征组合改善细粒度视觉识别。研究对象是昆虫图像分类与检测，不是 EEG 或 BCI 信号解码。 核心机制是在 Mix-SSM blocks 中整合 State Space Models（SSMs）、Convolutional Neural Networks（CNNs）、Multi-Head Self-Attention（MSA）和 Multilayer Perceptrons（MLPs），利用不同编码策略提取综合视觉特征；另设 selective module，自适应组合这些特征，以增强对害虫特征的辨识能力。摘要没有说明各编码模块的具体连接方式、选择机制的数学形式、损失函数或训练与推理配置，这些细节尚未验证。 作者报告，InsectMamba 在昆虫分类和检测数据集上与较强竞争方法进行了比较，取得更优表现，并通过消融研究验证各模型组件的作用。摘要未提供数据集名称、样本规模、数据划分、对照方法名称、评价指标及具体数值，因此无法判断优势幅度或比较条件；实验协议、消融及统计信息尚未验证。 复现前需从全文核对 Mix-SSM 与 selective module 的实现、分类和检测任务的配置差异，以及数据划分、基线训练条件和计算成本。该摘要未建立视觉特征组合机制与 EEG 瓶颈的具体对应关系，不能据此推断 BCI 有效性，也不据此提出跨领域复现实验；已有 EEG 相关工作尚未检索确认。

  2. OpenReview · State space models71

    Mamba-Adaptor：用于视觉识别的状态空间模型适配器

    基于摘要分析。该研究针对 Mamba 应用于视觉任务时的全局上下文访问受限、长程遗忘及序列化输入削弱空间结构建模的问题，提出包含 Adaptor-T 和 Adaptor-S 的 Mamba-Adaptor。研究对象是视觉识别与视觉迁移学习，并非 EEG 或 BCI。 机制上，Adaptor-T 在 SSM 隐藏状态计算过程中使用轻量预测模块，选择一组可学习位置作为记忆增强，以缓解长程遗忘；Adaptor-S 采用多尺度空洞卷积核增强空间建模，将图像归纳偏置引入输出特征。作者认为，两者通过补充原本不可访问的特征，扩大因果计算中的上下文建模范围。摘要未说明位置选择的具体参数化、记忆注入方式、卷积配置或训练目标，相关实现尚未验证。 作者探索了三种用法：作为通用视觉骨干、作为提升预训练骨干表现的增强模块，以及作为迁移学习的高效微调模块。作者报告三种设置中的实验均支持方法有效，并声称在 ImageNet 和 COCO 基准上达到最先进表现；摘要未提供具体任务、数据划分、指标数值、对照模型及计算开销，因此尚不能核对性能提升幅度或效率优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在迁移路径是以记忆增强缓解 EEG 长序列建模中的信息衰减，并以空间适配器补充通道结构信息。该假设依赖可用的时序特征、明确的电极空间关系及足够的训练数据；可复用记忆增强思路，但图像多尺度卷积需改造为适配电极布局的空间运算，不能直接把通道顺序视为图像网格。低信噪比可能使记忆位置偏向伪迹，跨被试差异、通道布局变化及小数据也可能削弱收益。一个可检验的小实验是在固定 Cross-subject 划分和相同 Mamba 骨干下，对照无适配器、仅记忆增强、仅通道空间适配及二者组合，检查同一任务指标与计算开销。已有 EEG 相关工作尚未检索确认，原视觉结果不构成 BCI 有效性证据。

    阅读价值：值得核对其可学习位置记忆增强与多尺度空间适配机制，尤其是作为预训练 Mamba 骨干增强和高效微调模块的实现；其 EEG 迁移价值尚未验证。

  3. OpenReview · EEG51

    STEAM-EEG：基于 Markov Transfer Fields 与注意力 CNN 的 EEG 时空分析

    基于摘要分析。本文针对复杂 EEG 信号的分析与解释问题，提出 STEAM-EEG 框架，利用 Markov Transfer Fields（MTFs）将 EEG 时间序列转换为图像表征，尝试结合计算机图形技术与生物信号模式识别。作者将捕获 EEG 时空动态、支持可视化探索与模式识别作为方法目标，但摘要未给出可核对的性能结果。 技术机制方面，摘要明确描述了从 EEG 时间序列到 MTF 图像的转换，以及后续图像渲染、可视化与建模流程。标题提及 Attentive CNNs，但摘要没有说明其网络结构、注意力作用位置、输入组织方式、损失函数或训练与推理流程。尤其需要核对多通道 EEG 如何参与图像构造，以及所谓“时空动态”具体对应时间依赖、通道关系还是其他表征，不能仅凭标题认定已经建模电极空间拓扑。 癫痫诊断、睡眠障碍分析和 BCI 在摘要中属于应用背景，不能视为本文已验证的实验任务。数据集、被试规模、被试内或跨被试等划分协议、对照方法、评价指标及定量结果均尚未验证；实验协议、消融及统计信息也尚未验证。因此，目前无法判断图像化表征或注意力 CNN 相对于其他 EEG 分析方法的实际增益。 复现方面，作者表示代码可从 GitHub 获取，但所给材料未提供仓库地址，代码可用性尚未验证。后续阅读应优先核对 MTF 构造参数、EEG 预处理与通道组织、CNN 实现，以及数据划分和评估协议；在这些信息明确前，不宜将该框架表述为已证实有效的 BCI 解码方法。

  4. OpenReview · State space models71

    从层到状态：状态空间模型视角下的深度神经网络层间动态

    基于摘要分析。本文研究深度神经网络如何复用前序层的信息以增强当前层的特征表示，将各层输出视为连续过程中的状态，并提出 Selective State Space Model Layer Aggregation（S6LA），利用 Selective State Space Models（S6）设计层聚合模块。原论文主要面向图像分类与目标检测，而非 EEG 或 BCI。 核心机制是将层间信息传递与聚合纳入状态空间模型（SSM）框架，其建模对象是网络深度方向的层输出，而不只是输入的时间序列。作者认为，既有离散状态视角在网络层数增加时存在适用性问题，并借鉴 S6 的长序列建模能力，将传统 CNN 或 transformer 的层表示置于序列框架中聚合。摘要未提供连续状态的具体定义、离散化方式、选择机制、特征维度对齐方法或训练目标，这些实现细节尚未验证。 作者报告，S6LA 在图像分类与目标检测实验中带来明显改善，但摘要未列出数据集、骨干网络、划分协议、对照方法、指标及数值，因此无法判断收益大小、计算开销或不同深度下的表现。实验协议、消融及统计信息尚未验证；复现还需核对模块插入位置、聚合范围、训练配置及实现可用性。 平台推测（待验证）：若 EEG 编码器的多层表示具有互补信息，S6LA 可能用于聚合不同深度的特征，探索深层特征复用是否有助于解码。此处可复用的是沿网络层方向的状态聚合思想，需改造层间形状与通道对齐接口；它不能直接被视为 EEG 时间建模方案。低信噪比、跨被试分布差异和小数据可能使聚合模块累积噪声或过拟合，浅层网络也未必受益。可在固定 EEG 数据划分与训练预算下，比较同一编码器的原始版本、简单层聚合版本和 S6LA 版本，并分别检验被试内与跨被试表现及额外计算开销。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。

    阅读价值：值得阅读的具体原因是其将 SSM 的建模轴从输入序列转向网络层间动态，为 CNN 与 transformer 的特征聚合提供可核对的方法思路，但摘要中的视觉任务收益及其 EEG 迁移价值仍需验证。

  5. OpenReview · State space models63

    用于遥感图像分类的轮廓增强视觉状态空间模型

    基于摘要分析。该研究面向遥感（RS）图像分类，关注深层视觉模型中低层亮度梯度与轮廓信息未被充分利用的问题，提出基于 Vision Mamba（VMamba）的轮廓增强模型 G-VMamba。核心贡献是轮廓增强模块 ConEM，通过融合显式低层特征与学习特征，将轮廓信息引入更深层的表示。 机制方面，摘要描述 ConEM 在各网络层使用两条路径，分别提取自适应亮度梯度和多维卷积特征，再将二者融合，以低层特征约束深层表示。梯度算子的具体定义、自适应方式、融合操作、损失函数及训练配置尚未验证。摘要以视觉 Transformer 的深层特征退化作为动机，但尚不能据此确认 VMamba 中存在同样的退化机制，也不能将轮廓增强直接等同于对该问题的解决。 结果方面，作者报告 G-VMamba 在遥感图像分类实验中表现优于对照，但摘要未提供数据集、划分、指标、具体数值及完整基线配置。作者报告，不同类别的类激活图（CAM）分析显示，相比 VMamba 等模型，G-VMamba 更关注颜色或亮度变化明显的区域；这一观察支持关注区域发生变化，但不能单独证明轮廓信息带来稳健泛化。实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前可用性与复现条件尚未确认。 平台推测（待验证）：若 EEG 被表示为时频图，其局部变化信息可能为深层表示提供补充约束，但遥感亮度边界不等同于神经活动特征。可复用的是“显式局部变化路径与学习特征融合”的思路；梯度方向、尺度与融合位置需适配时间—频率结构，不能默认电极排列具有图像空间邻接关系。低信噪比可能使梯度放大伪迹，跨被试差异和小数据也可能导致过拟合。一个可检验的小实验是在固定 Cross-subject 划分及相同训练预算下，比较时频图 VMamba、加入局部梯度路径的版本和参数量匹配的卷积对照，并检查噪声扰动下的表现。该假设不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。

  6. OpenReview · State space models59

    用于时间序列预测的多尺度周期残差状态空间模型

    基于摘要分析。该研究针对时间序列在不同采样尺度上的模式差异及复杂时空依赖，提出多尺度周期残差状态空间模型 MPRS，核心贡献是结合选择性状态空间建模、卷积与时间维度扩展进行时序特征学习。 其 Multi-scale Temporal Feature Learning Block 包含时空学习层 TSL 和维度扩展层 DimExpand。摘要说明，TSL 使用 Mamba 与 CNN 捕捉空间依赖和局部时间特征，DimExpand 扩展时间维度，以增强全局时间信息学习；但两类模型的具体分工、连接方式及时间扩展实现尚未验证。标题涉及的周期与残差机制、损失函数、训练和推理流程也无法由摘要确定。 作者报告，MPRS 在基准数据集上的预测性能优于其他竞争方法；摘要未提供数据集名称、划分、预测跨度、对照模型、指标或数值，因此无法判断收益大小与适用条件。实验协议、消融及统计信息尚未验证，复现所需的实现、配置与计算资源亦待核对。 平台推测（待验证）：若其空间依赖建模能够适配 EEG 通道结构，多尺度局部与全局时间特征学习可能用于缓解 EEG 短时波动与较长时间依赖难以兼顾的问题。这一假设依赖多通道连续序列、适当的时间尺度及预测监督，并不意味着原领域效果可直接转化为 BCI 解码收益。Mamba 与 CNN 特征模块可能复用，通道结构、时间扩展方式及任务输出需改造；低信噪比、跨被试分布差异、通道不一致和小数据可能削弱其效果。可先在固定被试内划分与预测跨度下开展 EEG 预测小实验，对照 Mamba 基线及移除 DimExpand 的版本，检验时间扩展是否稳定降低预测误差；这不是已验证结果。已有 EEG 相关工作尚未检索确认。

  7. OpenReview · EEG61

    结合时空网络与图注意力架构的 EEG 工作负荷分类

    基于摘要分析。本研究针对 EEG 认知工作负荷估计，将 EEGNet 与 Graph Attention Networks（GATs）结合，旨在联合建模 EEG 的时空特征及电极间关系。核心贡献是融合电极空间距离与信号相关性构建动态图，并利用 GAT 的多头注意力进行特征提取和工作负荷分类。 技术机制：EEGNet-GAT 混合架构将时空特征建模与图关系建模结合，以表达 EEG 中复杂的空间和时间动态。摘要明确动态图同时利用电极距离与信号相关性，但未说明图的更新频率、相关性计算窗口、边权融合方式，以及 EEGNet 与 GAT 的具体连接位置；网络结构、损失函数和训练细节尚未验证。 数据与结果：研究使用 COG-BCI 数据集，涉及 N-Back 和 Multi-Attribute Task Battery-II（MATB-II）任务。作者报告，在其工作负荷分类评估中，N-Back 的 Accuracy 为 92.13%，MATB-II 的 Accuracy 为 96.08%，并称优于独立 EEGNet。摘要未提供被试数量、类别定义、数据划分、被试内或跨被试协议及 EEGNet 基线数值，因此不能据此量化增益或判断跨被试泛化能力；实验协议、消融及统计信息尚未验证。 复现与应用边界：复现时需核对预处理、分窗、图构建、训练与测试划分，以及动态图相对静态图和仅使用电极距离或信号相关性的贡献。作者提出该架构具有实时认知工作负荷估计潜力，但摘要未提供推理延迟、在线评估或实际部署结果，实时适用性尚未验证。

  8. OpenReview · State space models63

    SSFMamba：用于全色锐化的空间–光谱融合状态空间模型

    基于摘要分析。该研究针对全色锐化（Pansharpening），将全色（PAN）图像与低分辨率多光谱（LR-MS）图像融合，重建高分辨率多光谱（HR-MS）图像。作者提出 SSFMamba，通过空间建模、光谱建模与自适应融合，显式刻画两类输入的空间–光谱特性。 核心机制包括三个模块：多尺度空间视觉状态空间（MSpa-VSS）模块在视觉状态空间（VSS）中引入多尺度卷积，同时建模空间依赖与多尺度空间特性；双向光谱视觉状态空间（BSpe-VSS）模块沿光谱通道进行双向扫描，学习连续光谱特性；门控空间–光谱融合（GSSF）模块则自适应融合两类特征。相较于摘要所述的现有 VMamba 方法，其设计重点是分别显式提取空间与光谱属性，再进行融合，而不只是采用视觉状态空间骨干。 作者报告在多个数据集上的实验显示 SSFMamba 具有性能优势，但摘要未提供数据集名称、划分协议、对照基线、指标或具体数值，因此无法核对优势幅度及适用条件。损失函数、训练设置、实验协议、消融及统计信息尚未验证；复现还需核对完整实现与数据预处理流程。 平台推测（待验证）：该方法依赖图像空间结构及光谱通道的连续性。对于 EEG，可提出将空间建模与频率建模分开、再门控融合的假设，以探索电极空间关系与频率信息的联合利用；可考虑复用分轴建模和门控融合思路，但需改造扫描顺序、输入表示与空间邻接关系。EEG 电极不等同于连续光谱通道，低信噪比、跨被试差异、通道布局变化和小数据训练均可能使迁移失效。一个可检验的小实验是在相同 EEG 数据划分、预处理和训练预算下，对比双向频率扫描加门控融合与不含该扫描的对照，分别报告被试内和跨被试结果。以上不是本文已验证的 EEG 效果，已有 EEG 相关工作尚未检索确认。

  9. OpenReview · State space models72

    Mamba-Adaptor：用于视觉识别的状态空间模型适配器

    基于摘要分析。本文研究 Mamba 应用于视觉识别时的上下文访问、长程遗忘及空间结构建模问题，提出由 Adaptor-T 与 Adapator-S 两个功能模块组成的 Mamba-Adaptor。主要研究对象是视觉任务中的状态空间模型，而非 EEG 或 BCI。 机制上，Adaptor-T 在 SSM 隐状态计算过程中选择一组可学习位置，将相应特征状态作为记忆增强，以缓解长程遗忘；Adapator-S 使用多尺度空洞卷积核增强输出特征的空间建模，并引入图像归纳偏置。作者认为，两者通过补充原有顺序计算难以访问的特征，扩大上下文建模范围。摘要将相关计算表述为“casual computing”，其确切含义及访问范围需核对正文，不能据此断言具体的因果约束或实现形式。 作者探索三种用法：作为通用视觉骨干网络、作为提升预训练骨干性能的增强模块，以及作为迁移学习中的高效微调模块。作者报告实验支持这三种设置的有效性，并声称在 ImageNet 和 COCO 上达到领先性能；摘要未给出具体任务配置、指标、数值、对照基线或计算成本，因此无法判断性能增益与效率收益的幅度。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：记忆增强可能对应长序列 EEG 建模中的远距离信息保留瓶颈，但其依赖可学习位置选择，位置含义能否跨被试、跨会话保持稳定仍需评估。空间模块则依赖图像式局部结构，迁移到 EEG 需按电极布局改造，不能直接把通道序列视作图像网格。低信噪比可能使记忆模块保留伪迹，通道差异与小数据训练也可能削弱空间归纳偏置的收益。一个可检验的小实验是在固定的跨被试 EEG 划分下，对同一 Mamba 基线分别加入记忆模块和适配电极布局的空间模块，比较任务指标、计算成本及通道扰动下的稳定性；这只是迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其记忆增强与空间归纳偏置模块如何改善视觉 Mamba 的序列建模，以及三种使用方式各自的效果与效率证据；摘要中的领先性能主张尚需全文验证。

  10. OpenReview · State space models66

    用于单通道语音增强的选择性状态空间模型

    基于摘要分析。本文针对单通道语音增强中的长序列建模与计算复杂度问题，提出混合卷积与 Mamba 的骨干 MambaDC，结合卷积的局部交互建模能力与 Mamba 的长程全局依赖建模能力。 核心机制是用两类模块承担不同尺度的序列建模。摘要将 Transformer、Conformer 随序列长度增长的二次计算复杂度作为动机，并指出 Mamba 具有线性复杂度的长序列处理能力；但未提供 MambaDC 的模块连接方式、输入表示、损失函数或具体训练目标，不能据此确定完整模型的实际时间、显存开销及推理延迟。 作者报告，在基础与先进语音增强框架中、针对两种常用训练目标的实验里，MambaDC 均优于 Transformer、Conformer 和标准 Mamba；作者还报告，将其用于当前先进框架后，结果优于已有 SoTA 系统。摘要未列出数据集、数据划分、评价指标、数值及骨干规模匹配条件，因此这些结论目前只能按作者的定性报告理解。实验协议、消融及统计信息尚未验证，复现所需的实现与训练配置也需核对全文。 平台推测（待验证）：其“局部卷积＋长程状态建模”机制可能用于 EEG 长时间窗处理，但原任务依赖语音序列与增强训练目标，不能直接证明 BCI 有效。可复用的是局部与长程建模的组合思路；需改造 EEG 通道组织、输入表示及任务监督。低信噪比、跨被试差异、通道变化和小数据可能使模型学习噪声或被试特征。一个可检验的小实验是在固定 EEG 数据划分、预处理和训练预算下，对比卷积、标准 Mamba 与混合骨干，分别报告被试内和跨被试任务指标，并测量不同序列长度下的时间与显存开销。相关 EEG 工作尚未检索确认。

  11. OpenReview · EEG54

    神经网络与神经活动相遇：利用 EEG 估计心智负荷

    基于摘要分析。本研究针对 EEG 心智负荷估计，提出适配 EEG 分析的定制 ConvNeXt 架构，并在 STEW 数据集上评估其二分类与三分类能力。贡献主要在于探索 ConvNeXt 在该任务中的适用性，并与 SVM、EEGNet 和 TSception 进行对照。 方法方面，作者将 ConvNeXt 用于处理 EEG 的高维性、噪声和变异性，但摘要未说明输入表示、架构改造、预处理、损失函数及训练流程，因此尚不能判断性能提升来自哪些具体模块，也不能确认模型如何应对这些 EEG 挑战。 结果方面，作者报告：在 STEW 的二分类任务（No vs SIMKAP task）中，Accuracy 为 95.76%；在三分类任务（SIMKAP multitask）中，Accuracy 为 95.11%，并称优于上述对照模型。摘要未提供各基线分数、三分类标签定义、被试数、数据划分或 Within-subject / Cross-subject 协议，故这些结果只能在所述数据集与任务背景下理解，不能直接视为跨被试泛化或实际部署表现。作者关于显著优于对照、鲁棒性与效率的表述，仍需全文中的统计检验、噪声评估及计算开销证据支持。 复现与证据核对重点包括：EEG 分段及归一化方式、训练与测试数据的划分单位、各模型的调参与训练条件，以及定制 ConvNeXt 的实现细节。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证。航空、医疗和 BCI 应用是作者提出的潜在用途，摘要所述实验不足以确认这些场景中的安全性与有效性。

12月31日周二
  1. OpenReview · EEG73

    NeuroAssist：开源头皮 EEG 自动事件检测

    基于摘要分析。NeuroAssist 面向临床头皮 EEG 中异常事件的自动定位与分类，旨在为正常或病理性记录的判断提供可核查的事件依据，而不只是输出记录级标签。作者介绍了可在时间和 EEG 通道两个维度定位异常的开源软件，并表示同时发布研究所用的数据与标注。 方法上，事件定位系统采用小波变换衍生特征；事件分类比较了支持向量机、决策树、随机森林，以及 VGG16、GoogLeNet、EfficientNet 等深度卷积神经网络。摘要未说明小波特征如何用于定位、定位与分类如何衔接，以及各分类模型的具体输入、训练和推理设置，这些内容尚未验证。 数据集包含 1,075 条 EEG 记录，标注给出异常事件的精确时间与通道位置，覆盖两类事件：癫痫样放电与非癫痫样异常。该数量指记录数，不能据此推断被试数。摘要未提供被试内、跨被试或跨会话划分方式，也未交代标注一致性、类别分布及独立测试安排。 作者报告，在所述事件分类比较中，深度卷积神经网络的平均 Precision、Recall、F1-score 和 Accuracy 优于传统机器学习算法；摘要未提供具体数值、各模型结果或统计不确定性，不能据此判断优势幅度。分类指标也不能直接替代事件定位精度的验证。 本工作的主要对象是临床 EEG 异常事件检测与辅助解释，并非 BCI 指令解码。阅读或复现时应重点核对时间与通道定位的评估标准、训练测试划分，以及软件和数据的实际获取条件、许可证与预处理流程。实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体原因是 NeuroAssist 将头皮 EEG 的记录级异常判断推进到时间与通道级事件定位，并提供细粒度标注数据；其定位可靠性及跨被试泛化能力尚需核对全文与实验协议。

  2. OpenReview · EEG64

    硬件辅助的隐私保护多通道 EEG 计算头戴设备

    基于摘要分析。研究针对云端处理 EEG 时原始信号可能暴露心理状态、认知过程与健康信息的问题，提出将神经网络按层切分，仅向云端发送中间输出，并以 Combined Privacy Metric（CPM）量化原始 EEG 与中间输出之间的隐私泄漏。研究的主要任务是 EEG 癫痫发作检测，而非 BCI 控制或运动想象解码。 方法采用 1D CNN，并比较不同切分位置，以权衡隐私保护与计算效率。作者报告，在该癫痫发作检测任务中 Accuracy 为 96.25%；但摘要未说明数据集、被试规模、数据划分，以及该结果对应的具体切分配置，因此不能将其解释为跨被试或跨会话性能。作者报告，在第二个卷积层之后切分时，CPM 为 0.82，客户端模型大小为 509kB。CPM 的组成、取值方向与标定方式尚未验证，不能将这一数值换算成隐私保护百分比；模型大小也不能直接代表运行内存、延迟或能耗。 其可核对的研究价值在于将 EEG 中间表示的隐私评估与端云计算分工共同考察，而非仅以任务性能评估切分方案。复现需核对 CPM 定义、隐私攻击者能力、中间表示的重建或敏感属性推断评估、硬件实现及通信成本。实验协议、消融及统计信息尚未验证，标题中的硬件辅助机制也无法仅凭摘要确认。 平台推测（待验证）：该切分思路可能适用于需要云端推理的 EEG/BCI 系统，但假设是中间表示能保留任务信息并减少敏感信息暴露；癫痫检测结果不等于 BCI 有效性。可复用切分与泄漏评估框架，任务模型及评估数据需重新适配。低信噪比、跨被试差异、通道变化与小数据可能同时影响解码和泄漏估计。一个可检验的小实验是在固定 EEG 任务及被试划分下比较原始信号上传与不同切分点，联合测量任务 Accuracy、重建或敏感属性推断能力及端侧开销。已有相关 EEG 工作尚未检索确认。

  3. OpenReview · State space models78

    Spatial-Mamba：通过结构感知状态融合构建有效的视觉状态空间模型

    基于摘要分析。本文研究视觉状态空间模型（SSM）将二维图像转换为一维序列时，如何有效保留空间结构并避免延长扫描路径带来的计算开销。作者提出 Spatial-Mamba，在状态空间内直接建立邻域连接，以结构感知状态融合补充顺序状态转移所捕获的依赖。 核心流程包含三个阶段：通过单向扫描计算初始状态；利用包含膨胀卷积的结构感知状态融合获取空间上下文；再通过观测方程计算最终状态。与主要依赖不同扫描模式引入局部空间关系的视觉 SSM 相比，其方法重点是把空间交互放入状态融合过程。作者报告，理论分析将 Spatial-Mamba、原始 Mamba 与线性注意力纳入同一矩阵乘法框架；具体推导及其成立条件尚未验证。 作者报告，在图像分类、检测和分割任务上，Spatial-Mamba 即使仅使用单次扫描，也能达到或超过当时最先进的基于 SSM 的模型。摘要未提供数据集、数据划分、指标数值、对照配置或计算成本实测，不能据此量化收益或确认效率优势；实验协议、消融及统计信息尚未验证。材料提供了源代码和训练模型地址，但实现与权重可用性尚未核验。 平台推测（待验证）：若 EEG 表征具有明确的通道空间邻接关系，该状态融合机制可能用于补充一维时间扫描难以表达的通道交互；这是机制迁移假设，不是已证实的 EEG 或 BCI 结果。可尝试复用时间扫描与状态融合思路，但图像规则网格上的膨胀卷积需要适配不规则电极布局，同时明确空间距离与功能连接的区别。低信噪比、跨被试差异、通道缺失及小数据可能使邻域融合传播噪声或造成过拟合。一个可检验的小实验是在固定 EEG 任务、跨被试划分与训练预算下，对比仅时间扫描和加入电极邻域状态融合的实现，并通过扰乱邻接关系检验收益是否依赖真实空间结构。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其在状态空间中通过膨胀卷积建立空间邻域连接的机制，以及单次扫描下与视觉 SSM 的对照结果；对 EEG 的适用性尚未验证。

  4. OpenReview · EEG53

    面向手指—手臂仿生机器人控制的双手手指敲击运动想象分类

    基于摘要分析。本研究面向手指运动功能受损相关的神经康复需求，探索手指敲击任务中 EEG 的可区分性，并比较运动想象与运动执行两种范式下的分类表现。其研究重点是将解码对象从通常关注的大肌群动作拓展至手指动作，而非直接验证临床康复疗效。 方法方面，研究使用 EEG 信号，采用 SVM、LDA 和 EEGNet 进行分类比较。摘要未说明具体类别定义、双手任务安排、信号预处理、特征构造、模型训练与推理流程，因此尚不能判断其对不同手指、左右手或其他动作类别的区分能力。 作者报告，在所比较的运动想象与运动执行范式中观察到具有潜力的 EEG 特征差异，三种分类方法表现出不同程度的有效性；但摘要未提供 Accuracy 等定量指标、对照结果或统计检验，不能据此判定哪种方法更优，也不能比较其与其他研究的性能。被试构成、样本规模、被试内或跨被试评估、数据划分、实验协议、消融及统计信息尚未验证。 标题将任务定位于手指—手臂仿生机器人控制，但摘要未说明机器人闭环控制、在线反馈或实际康复干预验证。作者提出其可能有助于定制化神经康复，这应理解为应用潜力，而非已证实的患者获益。复现前需核对完整任务协议、EEG 采集设置、训练与测试划分及实现细节；代码和数据可用性尚未验证。

  5. OpenReview · EEG63

    利用深度学习与不确定性估计改进 EEG 预测

    基于摘要分析。该研究以从 EEG 直接预测性别这一二分类任务为基准，考察深度学习模型、深度集成及不确定性估计，并通过数据驱动分析评估不同频带与性别预测的关系。作者指出，性别预测的直接临床应用有限，此处主要用于优化 EEG 分析技术，而非验证疾病诊断或 BCI 控制效果。 方法方面，研究比较单模型与集成模型，涉及 InceptionNetwork 和 EEGNet 的变体，并探索以深度集成进行不确定性估计。摘要未说明集成成员的构建方式、预测融合规则、不确定性的具体度量或如何利用不确定性改善预测，因此不能据此判断其是否实现了可靠校准或更充分的可解释性。 结果方面，在摘要所述的五折交叉验证下，作者报告单个 InceptionNetwork 的 Accuracy 为 90.7%、AUC 为 0.947；表现最佳的集成组合了 InceptionNetwork 与 EEGNet 的变体，Accuracy 为 91.1%。摘要未明确划分是被试内还是跨被试，数据集、被试数及样本组织方式也尚未验证，因而这些结果不能直接外推为跨被试泛化性能。作者报告通过深度集成进行不确定性估计提高了预测表现，但相关评估协议及统计信息仍需核对。 频带分析中，作者报告模型在所有所考察频带上均能够分类性别，并据此认为各频带均存在性别相关特征；这不等于已确立特征的生理机制或排除混杂因素。复现时需核对 EEG 预处理、频带定义、训练与验证的被试隔离方式、模型与集成配置，以及不确定性评估指标、消融和统计信息。现有摘要支持将其视为 EEG 分类与不确定性研究，但尚不能认定其改善了临床决策或实际 BCI 任务表现。

  6. OpenReview · EEG56

    神经网络与神经活动相遇：利用 EEG 估计心理工作负荷

    基于摘要分析。该研究针对 EEG 心理工作负荷估计，提出适配 EEG 分析的定制 ConvNeXt 架构，并在 STEW 数据集上与 SVM、EEGNet 和 TSception 比较，考察其在二分类与三分类任务中的表现。 方法方面，作者将 ConvNeXt 卷积神经网络用于心理工作负荷分类，意在应对 EEG 的高维度、噪声及变异性。摘要未说明具体架构改动、EEG 输入表示、通道处理、预处理、损失函数及训练设置，因此尚不能判断性能改善来自哪些设计，也不能据此确认模型对噪声或跨被试变异的稳健性。 结果方面，作者报告，在 STEW 的二分类任务（No vs SIMKAP task）中，ConvNeXt 的 Accuracy 为 95.76%；在三分类任务（SIMKAP multitask）中，Accuracy 为 95.11%。作者称其优于 SVM、EEGNet 和 TSception，但摘要未提供各对照模型分数及统计检验细节。被试内或跨被试协议、训练与测试划分、窗口构建方式及类别定义尚未验证，因此这些数值不能直接解释为对新被试或新会话的泛化能力。 复现时需核对 ConvNeXt 的适配方式、是否使用预训练权重、数据划分单位、预处理与训练配置，以及各基线是否采用一致评估协议。实验协议、消融及统计信息尚未验证；摘要所述稳健性、效率及应用价值仍需正文证据支持，当前结果不构成航空或医疗场景中的部署验证。

  7. OpenReview · EEG66

    结合 EEGNet 与 SPDNet：面向想象言语解码的端到端架构

    基于摘要分析。该研究针对从 EEG 解码想象言语的问题，将 EEGNet 与 Cross-Covariance（CCV）矩阵表征结合，并采用 SPDNet 所提出的双线性变换提取判别特征，构建面向想象言语解码的端到端架构。想象言语指在不实际发声的情况下，在脑内模拟给定提示的发音过程。 技术机制上，研究尝试结合 CNN 特征学习与矩阵表征学习：EEGNet 提供卷积建模组件，CCV 矩阵提供另一种信号表示，双线性变换用于从矩阵中提取判别信息。摘要未说明 CCV 矩阵的具体构造、其与 EEGNet 的连接位置，以及满足 SPDNet 相关矩阵约束的处理方式；损失函数、训练流程和推理细节尚未验证。因此，目前能确认的是组件组合思路，不能据此还原完整网络结构。 作者报告，在两个公开数据集上，该方法达到与当时先进方法相当的性能，并在两个数据集上均显著优于 EEGNet。摘要未提供数据集名称、被试数量、评估指标、具体数值，也未交代被试内或跨被试等划分协议，因而无法量化增益或判断其泛化范围。 复现时应重点核对预处理、CCV 计算方式、矩阵约束及数值稳定性、各组件的训练衔接，以及与 EEGNet 对照时的数据划分和训练条件是否一致。实验协议、消融及统计信息尚未验证；代码和实现可得性亦需查阅全文或来源记录确认。

  8. OpenReview · EEG64

    基于神经网络的 EEG 与 EMG 多模态伸手抓握动作解码

    基于摘要分析。该研究针对复杂抓握类型的多模态运动解码，采用基于 EEGNet 的双分支 CNN 联合处理 EEG 与 EMG，并与仅使用 EEG 或 EMG 的单模态基线比较，考察两种信号在不同运动阶段的互补价值。 研究任务与方法：作者记录了 12 名参与者执行延迟伸手抓握任务时的 EEG 和 EMG，目标为四种物体之一：把手、销钉、卡片和球。任务涉及实际动作执行，而非运动想象。多模态 CNN 的两个分支均基于 EEGNet；摘要未说明具体融合位置、损失函数、预处理、训练流程或推理时间窗，这些细节尚未验证。 结果与对照：在上述任务中，作者报告 EEG+EMG 管线在运动启动阶段优于 EEG 单模态管线，在运动准备阶段优于 EMG 单模态管线。作者还报告，多模态方法可在任务的较广泛阶段准确区分抓握类型，尤其从运动启动阶段开始。摘要未提供 Accuracy 等定量指标、提升幅度或统计检验，不能据此认定其在所有阶段均优于两种单模态基线。 证据边界与复现条件：这些结果支持在该实际抓握任务中进一步研究多模态解码，但尚不能直接外推至运动功能受损人群或在线 BCI。复现需核对 EEG 与 EMG 的采集及同步方式、通道配置、动作阶段划分、训练与测试划分，以及基线是否采用一致的评估条件。被试内、跨被试和跨会话协议、消融及统计信息尚未验证；作者提出的更自然 BCI 用户体验属于未来应用目标，而非摘要已验证的效果。

  9. OpenReview · State space models64

    SSD-MIR：面向采用结构化视觉状态空间对偶的医学图像复原

    基于摘要分析。本文研究医学图像复原中局部特征感知与长程依赖建模的结合问题，提出 SSD-MIR，利用状态空间对偶机制学习低质量输入到高质量输出的映射；主要研究对象是医学图像，而非 EEG 解码或 BCI。 模型依次包含输入投影与特征表示、深层特征变换、输出投影与特征逆变换三个部分。在核心的深层特征变换中，作者以 depthwise convolution 替代 1D causal convolution 进行额外特征映射，并采用优化的四方向扫描构建二维状态空间对偶模块；外层采用 MetaFormer 风格，结合残差连接与 LayerNorm。摘要以 Mamba2 的长程建模能力及线性计算复杂度为方法背景，但未提供 SSD-MIR 整体的实测计算开销。 作者报告，在多个医学图像复原任务上的实验结果优于当时的先进方法。摘要未列出具体任务、数据集、样本规模、数据划分、指标或基线名称，因此尚不能核对优势幅度与适用条件；实验协议、消融及统计信息尚未验证。复现时需核对四方向扫描的实现、卷积替换方式、复原目标和训练设置。 平台推测（待验证）：二维多方向扫描可为具有明确空间布局的 EEG 时频表示提供长程依赖建模思路，但其依赖图像式数据结构，复原目标还需核对配对或其他监督方式。迁移时需要改造输入与输出投影、通道空间布局及训练目标；低信噪比、跨被试差异、不规则电极排列和小数据可能削弱该机制的收益。一个可检验的小实验是在固定 EEG 时频表示与相同数据划分下，对比四方向扫描、单方向扫描及卷积基线，分别检查被试内与跨被试表现。此建议不是论文已验证的结果，相关 EEG 工作尚未检索确认。

  10. OpenReview · State space models67

    RS3Mamba：用于遥感图像语义分割的视觉状态空间模型

    基于摘要分析。本文研究遥感图像语义分割中局部特征提取与长程关系建模的结合，提出双分支网络 RS3Mamba：以卷积主分支提取特征，以视觉状态空间（VSS）辅助分支补充全局信息，并通过 collaborative completion module（CCM）增强和融合双编码器特征。 核心机制：作者将 CNN 的长程建模能力限制与 Transformer 的计算复杂度作为研究动机，采用以 Mamba 为代表的 VSS 模型进行具有线性计算复杂度的长程关系建模。RS3Mamba 并非单纯以 Mamba 替代卷积，而是保留卷积主分支，再引入 VSS 辅助分支；CCM 用于协调两类分支的不同特征。具体扫描方式、网络层数、损失、训练与推理配置尚未验证，也不能将 VSS 的复杂度描述直接视为整网实测效率结论。 实验与证据：作者报告在 ISPRS Vaihingen 和 LoveDA Urban 两个遥感语义分割数据集上的实验支持方法有效性及应用潜力，但摘要未提供指标数值、数据划分、对照基线或效率测量。实验协议、消融及统计信息尚未验证。作者声称这是首个专门面向遥感图像语义分割的 vision Mamba，该优先性尚未独立核实。摘要称代码将公开，当前可用性与复现条件尚未验证。 平台推测（待验证）：可检验的迁移假设是，将卷积局部建模与状态空间长程建模的互补机制用于 EEG 时频表示，而非迁移遥感分割任务本身。该假设依赖有意义的二维排列与足够的任务监督；可能复用双分支融合思路，但需改造输入编码、扫描顺序和输出头。EEG 的低信噪比、通道排列差异、跨被试分布变化及小数据规模可能使辅助分支学习无关结构。一个小规模检验是在固定 EEG 任务及同一跨被试划分下，对比卷积基线、加入 VSS 辅助分支、再加入 CCM 的版本，同时核对任务指标与计算开销。原文未报告 EEG/BCI 实验，已有相关工作尚未检索确认。

  11. OpenReview · EEG55

    神经网络与神经活动相遇：利用 EEG 估计心理工作负荷

    基于摘要分析。研究面向 EEG 心理工作负荷估计，提出为 EEG 分析定制的 ConvNeXt 架构，并在 STEW 数据集上与 SVM、EEGNet 和 TSception 比较，评估二分类与三分类任务。 方法方面，作者将 ConvNeXt 卷积神经网络适配于 EEG，旨在应对高维度、噪声和信号变异性。摘要未说明 EEG 的输入表示、预处理、架构改动、损失函数或训练与推理设置，因此尚不能判断性能收益来自哪些具体设计，也不能据此确认模型对噪声或分布变化的鲁棒性。 结果方面，作者报告：在 STEW 的二分类任务（No vs SIMKAP task）中，ConvNeXt 的 Accuracy 为 95.76%；在三分类任务（SIMKAP multitask）中，Accuracy 为 95.11%，并称其优于上述对照模型。摘要未提供对照模型分数，也未明确被试内或跨被试协议、数据划分、被试数量及三分类标签定义；这些数值应限定于文中相应任务，不能直接解释为跨被试或跨会话泛化表现。作者使用了显著优于的表述，但统计检验与不确定性信息尚未验证。 复现时需核对 EEG 输入构建、ConvNeXt 定制细节、划分单位与预处理范围，以及各基线的调参与训练条件。实验协议、消融及统计信息尚未验证。摘要将结果联系到航空、医疗与 BCI 应用，但目前提供的证据限于 STEW 分类评估，尚不能据此确认实时部署效率或实际场景中的可靠性。

9月28日周六
  1. OpenReview · EEG72

    从静息到行动：利用 HyperNetworks 根据静息态 EEG 自适应生成运动想象分类权重

    基于摘要分析。该研究针对 EEG-BCI 运动想象（MI）分类需要较长用户校准、静息态 EEG 中的个体信息未被充分利用的问题，提出 HyperEEGNet：将 HyperNetworks（HNs）与 EEGNet 结合，根据静息态 EEG 自适应生成 MI 分类所用权重，探索被试内、跨被试及跨会话泛化。 核心机制是把静息态 EEG 作为生成分类器权重的依据，而非仅依赖目标用户的 MI 数据训练固定分类器。摘要未说明静息态输入的表示方式、生成哪些权重、HNs 与 EEGNet 的具体连接、损失函数或训练与推理流程，因此尚不能判断新用户适配需要多少静息态记录、是否需要 MI 标签，以及校准时间是否实际缩短。 作者报告，在包含 9 名参与者的数据集上，Leave-Subject-Out 评估中的表现与基线 EEGNet 相近；在扩展至 33 名参与者的数据规模后，模型利用静息态 EEG 信息展示了面向未见被试的泛化能力。作者还报告模型能够在跨会话与跨用户场景学习稳健表示，但摘要未给出数据集名称、具体划分、评价指标、性能数值或统计不确定性，不能量化相对基线的收益，也不能直接比较不同协议的结果。 作者将较小模型占用与降低边缘计算的内存、存储需求联系起来，并提出加快用户校准的应用前景；具体资源测量和校准收益尚未验证。复现时需核对静息态与 MI 数据的配对方式、会话关系、未见被试适配流程及基线的可用数据条件。实验协议、消融及统计信息尚未验证，尤其需确认性能变化来自静息态个体信息、权重生成机制还是训练数据规模变化。

    阅读价值：值得核对其以静息态 EEG 驱动 HyperNetworks 生成 MI 分类器权重的个体适配机制，尤其是未见被试泛化与减少校准需求的证据，但具体性能和资源收益尚未验证。

9月27日周五
  1. OpenReview · EEG74

    EEGMamba：结合混合专家的双向状态空间模型用于 EEG 多任务分类

    基于摘要分析。该研究针对 EEG 分类中长序列建模的计算开销，以及不同任务之间信号长度、通道数不一致带来的适配问题，提出 EEGMamba，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、双向 Mamba 和 Mixture of Experts（MoE）整合为多任务分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度与通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；双向 Mamba 用于进一步提取 EEG 特征，旨在兼顾长序列处理的分类表现、推理速度与内存使用；任务感知 MoE 配置通用专家，以建模不同 EEG 任务之间的差异与共性。摘要未提供这些模块的具体结构、专家路由方式、损失函数或多任务训练流程，相关细节尚未验证。 作者报告在八个公开 EEG 数据集上开展评估，覆盖癫痫发作检测、情绪识别、睡眠分期分类和运动想象四类任务，并报告具有性能优势；但摘要未列出数据集名称、被试数、数据划分、对照基线或具体指标，因此尚不能判断优势对应被试内、跨被试、跨会话还是跨数据集协议，也不能将多任务学习直接等同于对未见任务的泛化。作者将其称为首个真正实现 EEG 多任务学习的通用分类网络，该优先性主张尚未检索确认。 复现时需核对不同任务是否联合训练、任务信息如何用于 MoE 路由、通道与长度适配的实现，以及各模块的消融结果；推理速度和内存优势还需结合硬件、输入长度及比较基线核验。实验协议、消融及统计信息尚未验证。材料仅表示代码计划近期发布，不能据此确认代码或预训练权重已公开。

    阅读价值：值得阅读的是 EEGMamba 将长度与通道适配、双向状态空间建模及任务感知专家机制组合用于 EEG 多任务分类，但其多任务训练协议、性能优势和计算效率仍需全文核对。

  2. OpenReview · Representation learning75

    摆脱自监督图像表征学习中的大数据范式

    基于摘要分析。本文研究图像自监督表征学习能否摆脱对大规模数据和计算资源的依赖，提出 SCOTT（Sparse Convolutional Tokenizer for Transformers）与 MIM-JEPA，旨在使 Vision Transformers（ViTs）在小规模图像数据上从头学习可复用表征，而不依赖海量外部预训练数据。 SCOTT 是一种向 ViTs 注入卷积归纳偏置的 tokenization 架构，并保持与 Masked Image Modeling（MIM，图像掩码建模）任务兼容。MIM-JEPA 将 Joint-Embedding Predictive Architecture 引入 MIM 框架，在潜在表征空间进行预测，以学习更具语义性的特征。摘要未给出具体稀疏操作、掩码策略、预测目标、损失形式及训练细节，相关机制尚需全文核对。 作者在 Oxford Flowers-102、Oxford IIIT Pets-37 和 ImageNet-100 三个小规模、高分辨率、细粒度图像数据集上验证方法。作者报告，经 MIM-JEPA 预训练并冻结的 SCOTT 模型优于完全监督方法，且与依赖大规模预训练、复杂图像增强及更大模型的先进方法具有竞争力。摘要未提供具体指标或数值；冻结后的评估方式、数据划分、对照模型、计算预算、消融及统计信息尚未验证，因此暂不能判断收益分别来自 tokenizer、潜在空间预测还是训练配置。 平台推测（待验证）：其可迁移假设是，局部卷积归纳偏置与潜在空间掩码预测可能缓解 EEG 小数据表征学习的部分困难；这不是原论文验证的结论。原方法依赖图像空间结构与自监督训练数据，迁移时可考虑复用掩码预测框架，但须改造 tokenizer、通道布局与时间片段划分。EEG 的低信噪比、跨被试差异、通道变化及有限样本可能使局部特征或预测目标偏向噪声。一个可证伪的小实验是在固定 Cross-subject 划分和相同训练预算下，对比普通 tokenization 与卷积 tokenization，并分别比较潜在表征预测与输入重建的冻结表征效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SCOTT 的卷积归纳偏置与 MIM-JEPA 的潜在表征预测如何支持小数据自监督学习，但摘要中的优势仍需结合冻结表征评估协议、基线及计算预算验证，不能直接视为 EEG 有效性证据。

9月26日周四
  1. OpenReview · Representation learning76

    DenoiseRep：用于表征学习的去噪模型

    基于摘要分析。DenoiseRep 研究如何将去噪机制用于判别任务的表征学习，通过联合特征提取与去噪提升特征的判别能力。其核心贡献是将骨干网络中的各嵌入层视为逐步去噪层，并通过参数融合消除独立去噪计算。 机制上，作者将从低层到高层的级联特征提取，与递归、逐步的特征去噪统一起来。作者称，特征提取层与去噪层的参数可以融合，并给出了融合前后等价性的理论论证，据此主张特征去噪无需额外计算。摘要未说明去噪目标、噪声构造、损失形式、训练流程或参数融合的适用条件，这些内容尚需全文核对。该方法被描述为无需标签，也可与可用标签互补；这不等于所有下游任务的训练均不使用标签。 作者报告，在重识别数据集 Market-1501、DukeMTMC-reID、MSMT17、CUHK-03、vehicleID，图像分类数据集 ImageNet、UB200、Oxford-Pet、Flowers，以及 COCO 目标检测和 ADE20K 图像分割任务上观察到稳定的改进，并在 ResNet、ViT、Swin、Vmamda 架构上验证有效性。摘要未提供具体指标、数值、数据划分或对照基线，无法据此判断收益大小及不同任务间的可比性；实验协议、消融及统计信息尚未验证。复现还需核对融合实现、训练配置及代码可得性。 平台推测（待验证）：若逐层去噪确实能够保留判别信息，并且融合条件适用于 EEG 编码器，该机制可能用于缓解 EEG 表征中的噪声干扰。可复用部分是逐层特征去噪与参数融合思路；需改造部分包括时序与通道特征处理、噪声定义及下游监督方式。视觉数据上的结果不能证明其适用于低信噪比、跨被试或小样本 EEG；去噪可能误删弱任务信号，通道变化也可能破坏特征假设。一个可检验的小实验是在固定跨被试划分下，对比同一 EEG 骨干加入与不加入 DenoiseRep 的表现，同时检查融合前后输出一致性及推理开销。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其特征提取与去噪层参数融合的等价性条件，以及无需标签的特征增强能否在不增加推理计算的前提下稳定改善判别任务；向 EEG 迁移的有效性尚未验证。

  2. OpenReview · State space models74

    Multi-Scale VMamba：层级内嵌层级的视觉状态空间模型

    基于摘要分析。研究针对视觉 State Space Models（SSMs）中多扫描策略带来的冗余，提出 Multi-Scale Vision Mamba（MSVMamba），通过多尺度二维扫描与通道混合模块改善效率和性能之间的权衡。 核心机制：作者分析认为，长程依赖是多扫描策略有效的重要原因。MSVMamba 在原始及下采样特征图上进行多尺度二维扫描，旨在保留长程依赖学习能力并降低计算成本；同时引入 Convolutional Feed-Forward Network（ConvFFN），补充通道混合。摘要未给出具体扫描路径、下采样配置、模块结构、损失或参数量，相关细节尚未验证。 作者报告：MSVMamba-Tiny 在 ImageNet 上取得 83.0% top-1 Accuracy；在 COCO 上，采用 Mask R-CNN 框架及 1x 训练日程，取得 46.9% box mAP 和 42.5% instance mAP；在 ADE20K 上采用单尺度测试，取得 47.9% mIoU。摘要未提供具体对照结果或实测计算开销，不能据此确认相对优势幅度。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现与复现条件尚未核对。 平台推测（待验证）：迁移假设是，多尺度扫描可能用于 EEG 的长短时程依赖建模，缓解长序列计算负担，但原方法依赖视觉二维特征图，不能直接等同于 EEG 通道与时间结构。可考虑复用 SSM 和多尺度处理思路，改造扫描顺序、下采样方式及通道混合模块。风险包括下采样丢失短暂 ERP 或高频信息、空间邻接不匹配，以及跨被试、通道变化和小数据条件下泛化不足。一个可证伪的小实验是在固定 EEG 任务与跨被试划分下，对比单尺度与多尺度扫描，控制参数量和训练预算，同时记录任务指标、延迟及短时事件识别表现。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其多尺度扫描能否在保留长程依赖建模能力的同时降低计算开销，以及 ConvFFN 的独立贡献；摘要提供了多任务结果，但效率收益与消融证据尚未验证。

1月1日周一
  1. OpenReview · State space models65

    InsectMamba：基于状态空间模型的害虫分类

    基于摘要分析。该研究针对害虫伪装、物种多样性及近缘物种外观相似导致的细粒度分类困难，提出 InsectMamba，在 Mix-SSM 模块中整合 State Space Models（SSMs）、Convolutional Neural Networks（CNNs）、Multi-Head Self-Attention（MSA）与 Multilayer Perceptrons（MLPs），并通过选择模块自适应聚合视觉特征。 核心机制是结合不同编码策略提取互补的视觉信息，再自适应聚合，以增强对害虫特征的辨别能力。摘要未说明各编码器的连接方式、选择模块的具体计算、损失函数及训练和推理设置，不能据此确定模型结构或计算效率。 作者报告，在五个害虫分类数据集上，InsectMamba 优于所比较的强竞争方法，并通过消融研究验证各组件的重要性。摘要未提供数据集名称、划分方式、对照模型、指标或具体数值；实验协议、消融及统计信息尚未验证，因此尚不能判断改进幅度、稳定性与复现成本。 平台推测（待验证）：其多编码器与自适应特征聚合机制可能用于探索 EEG 中局部模式和长程依赖的联合表征，但这是迁移假设，不是已证实的 BCI 效果。原任务依赖视觉输入与类别监督；用于 EEG 时需改造输入表示、时序与通道编码，并重新验证选择模块是否能聚合有效信号，而非放大噪声或被试差异。低信噪比、通道配置变化及小样本可能削弱多组件融合的收益。一个可证伪的小实验是在同一 MI 数据集、固定 Cross-subject 划分与训练预算下，比较 SSM 基线、加入其他编码器及加入选择模块的版本，报告相同指标和多次运行的变异性。已有相关 EEG 工作尚未检索确认。

  2. OpenReview · EEG71

    使用深度学习模型进行单词级听觉注意解码

    基于摘要分析。该研究探讨能否利用与特定单词时间对齐的 EEG 片段，判断该单词是否受到注意，并提出基于 EEGNet 的深度学习方法。其主要贡献是将听觉注意解码（AAD）的研究对象从语音流包络与 EEG 的跟随关系，转向单词级、内源性认知响应的分类。 机制与任务：传统 AAD 多利用 envelope entrainment，即语音包络驱动 EEG 变化的关系来识别注意对象；本文则将与单词事件对齐的 EEG epoch 标记为 attended 或 unattended，尝试提取注意相关的时空 EEG 特征。摘要说明模型基于 EEGNet 改造，但具体结构、改造模块、损失函数、预处理及训练方式尚未验证。 数据与评估：作者在一个事件型 AAD 数据集上进行被试独立评估，即以未见被试检验跨被试表现，涵盖三种范式：单词类别 oddball、具有竞争说话者的单词类别任务，以及带目标的竞争语音流任务。作者报告，在其称为最贴近真实情境的竞争范式中，改造后的模型对未见被试达到至少 58% 的 Accuracy。该数值仅适用于摘要所述评估背景；数据集名称、被试数量、类别比例、具体划分、对照基线及统计不确定性尚未验证，不能据此判断相对现有方法的优势或实际应用可靠性。 阅读与复现重点：需要核对单词事件对齐和标签构建方式、EEGNet 的具体改造、跨被试划分，以及不同范式下的结果与对照。实验协议、消融及统计信息尚未验证。作者称据其所知这是首次研究该问题，此优先性主张尚未独立检索确认。

    阅读价值：值得阅读之处在于将 AAD 从语音包络跟随转向单词级注意相关 EEG 响应，并以未见被试评估检验 EEGNet 的跨被试适用性，但具体协议与结果稳健性尚待全文核对。

  3. OpenReview · EEG67

    评估 EEG 功能连接数据增强在阿尔茨海默病早期检测中的潜力

    基于摘要分析。本研究针对阿尔茨海默病（AD）相关 EEG 数据规模较小、限制分类模型训练的问题，提出基于多变量经验模态分解的分解—重组数据增强系统，并以被试的功能连接矩阵为输入评估神经网络。主要研究对象是 AD 及轻度认知障碍的辅助识别，而非 BCI 控制任务。 增强流程包含三步：首先将训练集原始 EEG 信号分解为多个本征模态函数（intrinsic mode functions）；随后在不同试次之间随机重组这些分量；最后将重组分量相加，形成供模型训练的人工试次。该机制在信号分量层面生成训练样本，区别于直接扰动功能连接矩阵。摘要未说明重组是否受类别或被试身份约束，也未给出功能连接的计算方式及增强后矩阵的构建细节，均需全文核对。 作者在小规模数据集上评估了 ResNet、BrainNet CNN 和 EEGNet。作者报告，增强系统使 ResNet 在轻度 AD 数据集和轻度认知障碍数据集上的表现分别提升 5.24% 和 4.50%。摘要未明确对应指标、比较基线、被试内或跨被试协议，也未说明这些百分比是否表示相对增幅，因此不能将其改写为 Accuracy 提升或百分点变化，亦不能据此认定三种网络均获得一致收益。 可复现性的关键核对项包括被试数与类别分布、训练测试划分、跨试次重组范围、增强比例、功能连接估计方法及网络训练配置。摘要明确分解对象来自训练集，但被试隔离和完整处理流程尚未验证；实验协议、消融及统计信息尚未验证。作者据此认为数据增强有助于小规模 AD 数据上的神经网络训练，但该结论仍需结合评估协议判断，不能等同于已验证的临床早期检测能力。

  4. OpenReview · EEG60

    通过 2D-CNN-LSTM 网络实现基于微分熵特征矩阵的 EEG 情绪识别

    基于摘要分析。本文针对 EEG 情绪识别中电极间空间相关性建模不足的问题，提出将微分熵特征矩阵（DEFM）与 2D-CNN-LSTM 结合的方法，以联合利用电极布局和时间窗口序列中的信息进行情绪分类。 核心表示构建过程是：先将一维 EEG 向量序列映射为与电极位置及脑区分布对应的二维网格矩阵序列，再将 EEG 划分为等长时间窗口，计算各窗口内每个电极的微分熵（DE），并将其与二维网格布局结合形成 DEFM。这一表示旨在保留相邻电极的空间关系及随时间变化的特征。随后，作者使用 2D-CNN-LSTM 识别情绪类别，并通过全连接层输出分类结果。摘要未提供具体网格映射、空缺位置处理、窗口长度、频段设置或网络配置，这些实现条件尚未验证。 作者报告，在 DEAP dataset 上，valence 与 arousal 分类的平均 Accuracy 分别为 91.92% 和 92.31%。摘要未说明类别定义、数据划分以及采用 Within-subject 还是 Cross-subject 协议，因此不能据此判断跨被试泛化能力，也不能直接与其他协议下的结果比较。作者认为该方法提升了准确性和鲁棒性，但具体对照基线、鲁棒性评估、消融及统计信息尚未验证。 复现时值得重点核对 DEFM 的电极空间映射规则、特征计算与预处理步骤、窗口及序列组织方式，以及训练测试划分。还需结合全文确认空间布局表示和时序建模各自的贡献，并检查不同被试与会话条件下结果的稳定性。

  5. OpenReview · EEG67

    基于轻量残差卷积的胶囊网络用于 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 情绪识别中浅层 CNN 难以充分表征特征间空间关系、训练样本有限的问题，提出轻量残差卷积胶囊网络 LResCapsule，将低参数特征提取与胶囊分类结合，用于从原始 EEG 信号提取并识别情绪相关特征。 方法由 Light-ResNet 特征提取器和 capsule-based classifier 构成。Light-ResNet 自动提取深层情绪特征，以较低参数量适应有限 EEG 训练数据；胶囊分类器用于识别空间域中局部特征与全局特征的位置关系。摘要未说明具体网络层数、胶囊路由机制、损失函数或训练细节，因此不能进一步确定其空间关系建模方式。 作者报告，相较于 ResNet18，Light-ResNet 的参数量减少 84.5%；该数字针对特征提取器，不能据此推断整个 LResCapsule 的参数量、计算量或推理延迟。作者还报告，在 DEAP 和 DREAMER 上，LResCapsule 在 subject-dependent（被试内）与 subject-independent（跨被试）实验中均优于所比较的先进方法。摘要未给出具体指标、分数、基线名单与数据划分，因而尚不能量化收益或比较不同协议下的表现。 复现时值得核对输入预处理、通道与空间组织方式、训练测试划分，以及 Light-ResNet 和胶囊分类器各自的贡献。尤其需区分减少参数带来的收益与空间关系建模带来的收益，并验证这些收益是否在跨被试条件下保持稳定。实验协议、消融及统计信息尚未验证；代码与运行条件亦未由所给材料确认。该工作的直接研究对象是 EEG 情绪识别，现有摘要不足以证明其在其他 BCI 任务中的有效性。

  6. OpenReview · EEG73

    EEGMamba：用于 EEG 分类的双向状态空间模型与混合专家

    基于摘要分析。EEGMamba 面向不同任务中 EEG 信号长度、通道数不一致，以及 Transformer 长序列建模计算开销较大的问题，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、Bidirectional Mamba 和 Mixture of Experts（MoE）整合为统一的多任务 EEG 分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度和通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；摘要未说明具体的长度对齐与通道映射方式。Bidirectional Mamba 用于进一步提取 EEG 特征，作者旨在兼顾长序列处理的分类准确性与推理速度。Task-aware MoE 配置一个通用专家，以建模不同任务 EEG 的差异与共性；专家路由、任务信息如何输入以及训练损失尚未验证。 作者报告，在八个公开 EEG 数据集上进行了测试，覆盖癫痫发作检测、情绪识别、睡眠分期和运动想象四类任务，并报告性能优于对照方法。摘要未提供数据集名称、被试规模、评价指标、具体分数或对照基线，也未明确被试内、跨被试、跨会话或跨数据集划分，因此不能据此确认对未见任务的泛化能力，或量化准确性与速度之间的收益。 复现时应重点核对多任务联合训练与评估协议、异构通道和序列长度的处理，以及 ST-Adaptive、双向建模和通用专家各自的贡献；推理效率比较还需结合输入长度、硬件与计时条件。实验协议、消融及统计信息尚未验证。摘要称代码将于近期发布，当前材料不能确认代码已公开。

    阅读价值：值得核对 EEGMamba 如何通过输入适配、双向状态空间建模和任务感知专家机制处理异构 EEG，但其跨任务泛化与推理效率优势仍需结合全文中的训练划分和对照实验验证。