跳到正文
只看一手#CNN
1月1日周一
  1. OpenReview · EEG63

    EEG-EMG FAConformer：用于 EEG 与 EMG 融合的频率感知 Conv-Transformer

    基于摘要分析。该研究面向运动康复 BCI 中的运动模式识别，提出 EEG-EMG FAConformer，通过结合时间与频率信息的注意力模块融合 EEG 和 EMG，旨在利用脑电活动与动作执行信号的互补信息改善解码。 研究背景是，在基于运动想象（MI）的康复训练中鼓励患者同时尝试实际动作执行，而 EMG 可提供与动作执行相关的生理信息。方法专门设计频带注意力模块用于 EEG 编码，并包含 Multi-Scale Fusion Module、Independent ChannelSpecific Convolution Module（ICSCM）及 Fuse Module。作者认为这些模块能够抑制 EEG 和 EMG 中的无关信息并挖掘潜在动态；摘要尚不足以确认其具体计算机制、模态交互方式、损失函数及训练流程。 作者报告，该方法在 Jeong2020 数据集的运动模式识别实验中优于已有方法，并表现出较好的鲁棒性与稳定性。摘要未提供具体指标、数值、对照方法或数据划分，因此不能据此判断收益大小，也不能将结果归入被试内、跨被试或跨会话协议。实验协议、消融及统计信息尚未验证。 复现时值得核对 EEG 与 EMG 的同步和预处理方式、频带定义、各模块的独立贡献，以及双模态方法相对单模态方法的增益。还需确认任务中的实际动作执行条件及 EMG 可用性，才能判断其对不同 MI 康复场景的适用范围；当前材料不支持推断临床康复效果。代码、被试构成与复现配置尚未验证。

  2. OpenReview · State space models67

    VMambaMorph：基于带 cross-scan 模块的 Visual State Space Model 的多模态可变形图像配准框架

    基于摘要分析。VMambaMorph 面向三维多模态医学图像的可变形配准，探索如何利用 VMamba 的全局依赖建模能力，将源体积与目标体积对齐到统一坐标系。其核心贡献是混合 VMamba-CNN 配准网络、面向三维体积特征改造的 cross-scan 模块，以及用于处理多模态复杂运动与结构的微调式递归配准框架。 机制方面，网络采用 U 形架构，根据源体积和目标体积计算形变场；作者将 VMamba 模块中的二维 cross-scan 改造用于三维特征处理。摘要未说明三维扫描路径、特征融合方式、配准损失、形变约束，以及递归过程的训练与推理细节，这些内容尚未验证。摘要以 CNN-based VoxelMorph、ViT-based TransMorph 和 SSM-based MambaMorph 作为研究背景，但不能据此确认实际实验包含全部这些对照。 作者报告，在一个公开的脑部 MR-CT 配准基准上，与当前先进方法比较时，VMambaMorph 获得了具有竞争力的配准质量。摘要未给出基准名称、样本规模、数据划分、评价指标或数值，因此尚不能判断优势大小及统计可靠性；实验协议、消融及统计信息尚未验证。作者称 VMambaMorph 与全部基线方法的代码已在 GitHub 提供，但材料未给出仓库地址，代码可访问性及复现条件尚未核对。 该研究的主要对象是医学影像空间配准，而非 EEG 解码或 BCI。脑部 MR-CT 数据的使用本身不构成 BCI 有效性证据；摘要未提供与 EEG 时序建模、跨被试差异或通道结构对应的具体机制，因此不据此提出 EEG 迁移实验。已有 EEG 相关工作尚未检索确认。

  3. 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条件下，通过模型重编程增强其对对抗性或噪声输入扰动的鲁棒性。核心贡献是重新审视表征学习中的特征变换机制，提出非线性稳健模式匹配技术作为替代，并引入三种模型重编程范式，以适应不同效率要求下的鲁棒性控制需求。 机制与证据：论文以稳健统计为设计视角，将重编程作为改善模型鲁棒性的路径，而非直接修改原模型参数。摘要未披露模式匹配的数学定义、三种范式的具体结构、优化目标或额外训练需求，因此不能据此认定该方法无需训练或无需标签。作者报告，在基础线性模型、MLP、浅层及现代深层 ConvNets 上的实验与消融支持方法有效性；但摘要未提供数据集、扰动类型与强度、对照方法、评价指标及数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设该模式匹配机制能够迁移到 EEG 特征变换，它可能用于检验冻结解码器在输入噪声下的稳健性，而不是直接解决跨被试域偏移。可考虑复用重编程思路，但输入表示、时序与通道处理需按 EEG 数据结构改造；方法对监督信息、数据规模及扰动分布的依赖仍需核对。低信噪比条件下，稳健处理可能同时抑制任务相关弱信号，被试差异、通道变化及小数据也可能使重编程效果失稳。一个可证伪的小实验是：在固定被试内训练与测试划分下冻结同一 EEG 解码器，比较原模型与重编程模型在干净输入及预先定义噪声条件下的 Accuracy 和推理成本，检查鲁棒性增益是否以干净性能下降为代价。该方案仅是迁移假设，已有 EEG 相关工作尚未检索确认。复现原论文仍需全文中的算法、训练和评估细节。

    阅读价值：值得核对其非线性稳健模式匹配如何在不改变模型参数的条件下提升输入扰动鲁棒性，以及三种重编程范式的效率权衡；其对 EEG 的适用性尚未验证。

  4. OpenReview · State space models69

    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。该研究针对遥感图像语义分割中 CNN 长程建模能力受限、Transformer 计算复杂度较高的问题，提出双分支网络 RS3Mamba，以视觉状态空间（VSS）辅助分支为卷积主分支补充全局信息，并通过 collaborative completion module（CCM）细化和融合双编码器特征。 核心机制是结合卷积分支的特征提取与 VSS 分支的长程关系建模。摘要将 Mamba 所代表的 VSS 模型描述为能够以线性计算复杂度建模长程关系；CCM 则针对两分支的不同特性采用自适应机制完成特征融合。具体扫描方式、模块结构、损失函数及训练配置尚未验证，不能据此判断实际计算和存储开销。 作者报告，在遥感语义分割实验中，相对所比较的先进方法，RS3Mamba 在 ISPRS Vaihingen 和 LoveDA Urban 上的 mIoU 提升分别记为 0.66% 和 1.70%。摘要未明确这两个数值属于相对百分比还是绝对百分点，也未提供基线名称、数据划分和分数明细，因此不宜扩大比较结论。实验协议、消融及统计信息尚未验证。摘要提供了源码地址，但实现完整性与复现条件尚未核验。 平台推测（待验证）：局部卷积特征与长程状态空间特征互补的机制，可作为 EEG 时序建模的迁移假设，但原研究依赖遥感图像及语义分割监督，不构成 BCI 有效性证据。可考虑复用双分支融合思路，改造输入编码、序列组织和任务输出；EEG 的低信噪比、通道差异、跨被试分布变化及小数据条件可能使辅助分支收益消失。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，比较卷积基线、加入 VSS 分支、再加入 CCM 的表现，并分别报告被试内和跨被试结果及计算开销。已有 EEG 相关工作尚未检索确认。

  5. OpenReview · EEG66

    EEG-DCNet：一种快速且准确的运动想象 EEG 空洞卷积神经网络分类方法

    基于摘要分析。该研究针对 BCI 中运动想象（MI）EEG 分类的准确性与计算效率问题，提出多尺度空洞卷积神经网络 EEG-DCNet，旨在提取 EEG 的非线性特征与多尺度信息，并降低模型计算资源需求。 方法上，EEG-DCNet 引入 1×1 卷积层和多分支并行空洞卷积架构；作者将滑动窗口用于增强时间一致性，并通过注意力机制改善用户意图识别。摘要未说明各分支的空洞率、1×1 卷积的具体作用、窗口长度与步长、注意力形式，以及损失函数和训练流程，这些实现细节尚未验证。 作者报告，在 BCI-IV-2a、BCI-IV-2b 和 High-Gamma 数据集上的实验中，EEG-DCNet 的分类 Accuracy 与 Kappa 优于所比较的现有方法，并将这些对照描述为 SOTA；但摘要未提供具体分数、基线名单、被试数量或被试内／跨被试等评估协议，不能据此判断提升幅度或跨被试泛化能力。作者还报告模型参数更少，训练效率与内存消耗得到改善，但参数量、训练耗时及内存测量条件尚未验证，也不能据此确认在线推理延迟。 摘要提供了实验代码开源地址，可作为复现入口，代码完整性与运行条件尚未核查。复现时应重点核对数据划分、预处理、滑动窗口与划分的先后关系、对照训练条件，以及各模块的消融和统计信息；这些事项目前属于待验证内容，而非已确认的研究缺陷。研究直接面向 MI-EEG 分类，但摘要中的辅助功能障碍患者恢复活动能力属于应用背景，不构成临床效果验证。

  6. OpenReview · State space models72

    SSUMamba：用于高光谱图像去噪的空间—光谱选择性状态空间模型

    基于摘要分析。本文研究高光谱图像（HSI）去噪中长程空间—光谱相关性建模与计算开销之间的矛盾，提出基于 Mamba 的 SSUMamba，以连续扫描、双向状态空间模型（SSM）和局部三维卷积结合建模空间—光谱依赖；主要研究对象是高光谱图像，而非 EEG 或 BCI。 核心模块为空间—光谱连续扫描（SSCS）Mamba：以行、列和光谱波段的六种不同顺序生成序列，并在相邻扫描之间重排图像，以维持空间—光谱连续性；双向 SSM 用于提取长程依赖，嵌入的 3D 卷积增强局部空间—光谱建模。摘要未说明完整网络结构、损失函数、训练配置及具体扫描实现，这些尚需正文核对。 作者报告，在文中实验条件下，SSUMamba 相较基于 Transformer 的方法取得更好的去噪结果，且每批次显存消耗更低。摘要未提供数据集、噪声类型、划分、评价指标、数值及具体对照模型，因此不能判断改进幅度或不同设置下的稳定性；实验协议、消融及统计信息尚未验证。材料提供了源码地址，但代码内容、依赖与可复现程度尚未核验。 平台推测（待验证）：迁移假设是，将连续扫描与双向 SSM 用于具有明确电极拓扑和时间顺序的 EEG 去噪，可能兼顾局部结构与长程依赖。可复用的是序列建模思路；需改造的是扫描路径与局部卷积，因为高光谱波段不能直接等同于 EEG 通道，电极排列也不天然构成规则图像网格。低信噪比、跨被试差异、通道配置变化和小数据训练可能使扫描邻接关系失真或导致过度平滑。一个可检验的小实验是：在固定 EEG 数据划分和相同污染条件下，对比拓扑连续扫描与任意通道顺序，核对去噪质量、任务相关信号保留情况及同批次条件下的显存消耗；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其连续扫描与双向 SSM 如何兼顾长程依赖建模和显存效率，但高光谱图像的空间—光谱结构与 EEG 的通道—时间结构不同，迁移有效性尚未验证。

  7. 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。该研究针对 3D 生物医学图像分割、分类与标志点检测中的长程依赖建模问题，提出结合 CNN 与状态空间序列模型（SSMs）的 nnMamba，旨在兼顾局部表征与全局上下文处理。原论文的主要研究对象是 3D 生物医学影像，而非 EEG 解码或 BCI。 核心机制是 Mamba-In-Convolution with Channel-Spatial Siamese learning（MICCSS）模块，用于建模体素之间的长程关系；作者还针对密集预测与分类任务设计了 channel-scaling 和 channel-sequential learning 方法。摘要将 CNN 的局部感受野限制与 Transformer 在高维医学图像上的计算负担作为设计动机，但未提供模块内部结构、损失形式、训练流程或复杂度测量，相关细节尚未验证。 作者报告，在 6 个数据集上开展的分割、分类与标志点检测实验中，nnMamba 优于所比较的先进方法。摘要未列出数据集名称、划分协议、对照方法及具体指标，因此不能据此量化优势或比较不同任务的效果。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现完整性、运行依赖与结果可复现性仍需核对。 平台推测（待验证）：其局部特征提取与长程状态建模的组合，可能对应 EEG 中局部波形与较长时间上下文联合建模的需求；这是迁移假设，不是本文已验证的结论。可考察 CNN–SSM 组合，但需将体素组织方式改为时间与 EEG 通道结构，并重新审视 channel-spatial 学习方式。低信噪比、通道布局差异、跨被试分布变化及小样本训练可能削弱效果。一个可检验的小实验是在固定 EEG 数据划分和训练预算下，对比 CNN 基线与加入 SSM 的版本，并通过移除长程模块检验其增益；已有相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 nnMamba 如何通过 MICCSS 将 CNN 的局部表征与 SSM 的长程建模结合，以及这一设计在不同 3D 医学影像任务中的贡献；其对 EEG 的适用性尚未验证。

  8. OpenReview · EEG64

    基于时间—空间—频谱注意力的 EEG 自动癫痫发作分类域适应方法

    基于摘要分析。该研究针对 EEG 被试内及被试间变异造成的癫痫发作分类困难，提出结合时间—空间—频谱（temporal-spatial-spectral，TSS）注意力与域适应的深度卷积神经网络，旨在改善模型向新被试迁移时的性能。 核心机制是联合优化特征提取器、癫痫发作分类器和域判别器：特征提取器通过注意力模块提取多层级 TSS 特征，域判别器区分特征来自源域还是目标域，并借助梯度反转层推动特征提取器学习域不变表示。分类器则利用源域学到的知识进行癫痫发作分类。这一设计将 EEG 多维特征提取与源域—目标域对齐结合，但注意力的具体实现、各训练目标的形式与权重尚未验证。 作者报告在 Temple University Hospital EEG Seizure Corpus（TUSZ）v1.5.2 上进行了评估，并称取得癫痫发作分类的 state-of-the-art 性能。摘要未提供具体指标、数值、对照方法、被试数量或数据划分，因此该结论目前只能作为作者报告，不能据此判断提升幅度或与其他协议下的结果直接比较。 复现时需重点核对源域与目标域的被试划分、训练阶段使用哪些目标域数据及是否使用标签，并确认“未见被试”的评估含义，以区分域适应与完全不接触目标域数据的域泛化。材料提供了代码地址，但代码内容、运行条件、实验协议、消融及统计信息尚未验证；尤其需要核对 TSS 注意力和域对抗训练各自的贡献。该工作属于 EEG 癫痫发作分类方法研究，摘要中的诊断与治疗应用动机不等同于已完成临床验证。

  9. OpenReview · EEG66

    通过重构与挖掘味觉相关 EEG 的时空特征解码人类味觉感知

    基于摘要分析。该研究针对人工味觉感官评价主观性强、重复性较差，以及电子舌灵活性不足的问题，提出从味觉相关 EEG 中识别酸、甜、苦、咸四类刺激的方法。核心贡献是结合时空重构数据增强（TSRDA）与多视图通道注意力（MVCA），以缓解 EEG 样本有限带来的训练困难并提取重要特征。 研究流程包括：按作者提出的实验范式采集不同味觉刺激下的 EEG；使用 TSRDA 在时间与空间维度重构重要特征，扩充训练数据；在设计的卷积神经网络中引入 MVCA 模块，对增强后的 EEG 进行特征提取与分类。摘要未说明时空重构的具体操作、多视图的定义、注意力计算方式、网络结构或训练损失，这些机制细节尚未验证。 在摘要所述的酸、甜、苦、咸四分类实验中，作者报告 Accuracy 为 99.56%、F1 为 99.48%、Kappa 为 99.38%（沿用摘要的百分比写法）。但被试数量、样本规模、被试内或跨被试协议、训练测试划分及对照基线未提供，因此这些数值不能直接用于判断跨被试泛化能力，也不能与其他协议下的结果直接比较。 复现时需核对味觉刺激与 EEG 采集流程、预处理、数据增强与训练测试划分的先后关系，以及 TSRDA 和 MVCA 的独立增益；实验协议、消融及统计信息尚未验证。作者认为该方法可支持客观、有效的食品味觉感官评价，但四类刺激分类表现能否进一步支持主观味觉体验测量或实际食品评价，仍需结合完整实验设计与外部验证判断。代码及数据可用性尚未验证。

  10. OpenReview · State space models67

    HRVMamba：用于密集预测的高分辨率视觉状态空间模型

    基于摘要分析。该研究针对 Mamba 在人体姿态估计和语义分割等密集预测任务中归纳偏置不足、长程遗忘及输出表示分辨率偏低的问题，提出 Dynamic Visual State Space（DVSS）模块，并结合 HRNet 的多分辨率并行设计构建 HRVMamba。 机制上，DVSS 使用多尺度卷积核提取不同尺度的局部特征，以增强视觉归纳偏置；使用可变形卷积进行依赖输入与任务信息的自适应空间聚合，作者将其作用解释为缓解长程遗忘。HRVMamba 在整个处理过程中保留高分辨率表示，同时促进多尺度特征学习。摘要以 Mamba 对 token 长度的线性计算复杂度和全局感受野为背景，但未给出 HRVMamba 的实际计算量、内存占用或速度测量，不能直接据此认定新模型具有相同的效率表现。 作者报告，HRVMamba 在人体姿态估计和语义分割等密集预测实验中取得了相对现有基准模型有竞争力的结果。摘要未列出数据集、划分、基线名称、评价指标及具体数值，因而尚不能判断收益幅度或不同任务中的一致性。实验协议、消融及统计信息尚未验证；复现时应重点核对多尺度卷积、可变形卷积和多分辨率并行设计的独立贡献及计算成本。摘要提供了代码仓库地址，但代码内容、运行环境及结果可复现性尚未验证。 平台推测（待验证）：迁移假设是，多尺度局部建模与高分辨率表示保留可能有助于 EEG 时间序列中的短时事件定位，但原方法面向具有规则空间结构的视觉密集预测，不能直接视为已验证的 BCI 方法。可复用的是多尺度特征提取思路；空间聚合及高分辨率分支需依据 EEG 的时间轴、电极布局和目标监督重新设计。低信噪比、跨被试差异、通道配置变化及小样本可能使自适应聚合学习到不稳定模式。一个可检验的小实验是在固定 EEG 事件定位任务及相同被试划分下，比较基础 SSM 与加入多尺度卷积的版本，核对定位指标和计算成本，再评估可变形聚合是否带来增益。已有 EEG 相关工作尚未检索确认。

  11. OpenReview · State space models73

    MambaAD：探索用于多类别无监督异常检测的状态空间模型

    基于摘要分析。本文研究多类别无监督异常检测，提出 MambaAD，以预训练编码器和包含多尺度 Locality-Enhanced State Space（LSS）模块的 Mamba 解码器，联合建模特征中的长程依赖与局部信息。原研究对象是特征图上的异常检测，而非 EEG 或 BCI。 方法机制：摘要将 CNN 的长程依赖建模限制与 transformer 的二次计算复杂度作为动机，利用 Mamba 的长程建模与线性效率。LSS 模块结合并行级联的 Hybrid State Space（HSS）块和多卷积核操作；HSS 使用 Hybrid Scanning（HS）编码器，将特征图按五种扫描方式、八个方向编码，再通过 State Space Model（SSM）增强全局联系。作者报告，Hilbert 扫描与八方向设计能够改善特征序列建模。具体编码器、损失函数、训练监督形式及异常分数计算方式尚未验证，不能仅由“无监督”推定其训练样本构成。 结果与复现：作者报告，在六个异常检测数据集、七项指标上取得领先性能，但摘要未给出数据集名称、指标定义、分数、划分及对照基线，因此无法判断提升幅度或跨协议比较。作者提供了代码与模型入口；实验协议、消融、统计信息及实际复现条件尚未验证。 平台推测（待验证）：假设 EEG 异常检测需要同时捕获局部波形变化和长时间依赖，LSS 的局部卷积与 SSM 组合可能具有方法参考价值；但其多方向扫描依赖特征图结构，不能直接等同于 EEG 时间序列建模。可复用候选是局部特征与长程状态建模的组合，需改造输入编码、通道组织及扫描顺序，并核对预训练数据与目标信号的匹配程度。低信噪比、跨被试差异、通道变化和小数据均可能削弱效果。一个可检验的小实验是在固定被试独立划分、训练数据和异常评分协议下，比较单向时间扫描与适配后的多方向扫描，检查检测收益及计算开销；该方案不是已证实的 BCI 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其多尺度局部卷积与多方向状态空间扫描如何协同支持多类别无监督异常检测，但摘要中的领先性能主张及其向 EEG 的迁移价值均需进一步验证。

  12. OpenReview · EEG62

    EEG-EMG FAConformer：用于 EEG 与 EMG 融合的频率感知卷积 Transformer

    基于摘要分析。该研究面向运动功能康复 BCI 中的运动模式识别，提出融合 EEG 与 EMG 的 EEG-EMG FAConformer，通过与时间、频率信息相关的注意力模块提取多模态特征。研究背景是在基于运动想象（MI）的康复训练中鼓励患者同时执行真实动作，利用 EMG 提供动作执行的生理信息；摘要并未说明实验样本是否来自康复患者。 方法的主要设计包括用于 EEG 编码的频带注意力模块，以及 Multi-Scale Fusion Module、Independent Channel-Specific Convolution Module（ICSCM）和 Fuse Module。作者认为这些模块有助于抑制 EEG 与 EMG 中的无关信息，并挖掘信号的潜在动态特征。摘要未提供各模块的具体连接方式、频带定义、时间对齐策略、损失函数及训练配置，因此尚不能据此还原实现。 作者报告，在 Jeong2020 dataset 上，EEG-EMG FAConformer 优于已有方法，并表现出较好的鲁棒性与稳定性。摘要未给出具体指标、数值、对照方法，以及被试内、跨被试或跨会话等评估协议，故目前不能判断优势幅度或不同条件下的泛化能力；实验协议、消融及统计信息尚未验证。 复现时应重点核对 EEG 与 EMG 的同步和预处理、数据划分单位、频带注意力及各融合模块的独立贡献，并比较单模态与多模态条件下的表现。还需区分模型识别运动相关脑活动与利用 EMG 中动作执行信息的贡献，不能将多模态运动模式识别结果直接等同于纯 MI 解码性能或临床康复有效性。代码、数据获取条件与完整复现配置尚未验证。

  13. OpenReview · EEG58

    利用数据增强与语言模型改进 SSVEP BCI 拼写器

    基于摘要分析。该研究针对 SSVEP BCI 拼写器中 EEG 变异较大、深度学习解码准确率及对未见被试泛化能力受限的问题，提出结合数据增强与语言建模的混合方法，分别从信号鲁棒性和语言上下文利用两方面改善拼写解码。 SSVEP 拼写器通过头皮 EEG 识别用户正在注视的屏幕字母或目标。研究使用清华大学的 Benchmark 数据集，探索 frequency masking（频率掩码）、time masking（时间掩码）和 noise injection（噪声注入）等增强策略；同时将 CharRNN 与 EEGNet 结合，以语言上下文辅助字词解码。摘要未说明增强施加于何种信号表示，也未说明两个模型的融合方式、损失函数、训练流程及推理时如何使用上下文，这些细节尚未验证。 作者报告，相对其基线，准确率提升最高为原文所述的“2.9 percent”，其中时间掩码与语言建模最有潜力；作者还报告语言模型显著改善词级解码准确率。但摘要未明确该数值是相对百分比还是百分点，也未明确它对应字母级还是词级 Accuracy、何种基线及数据划分，不能据此补写具体比较结果。摘要同样未提供被试数、被试内或跨被试评估协议，因此不能将该提升直接视为跨被试泛化已获验证。 复现时需核对数据划分、信号预处理、增强参数、EEGNet 与 CharRNN 的接口、语言模型训练语料，以及基线是否使用相同语言上下文。还应分别核对信号解码与语言纠错的贡献，以界定收益适用于字词拼写还是任意目标选择。实验协议、消融及统计信息尚未验证；摘要未提供 ITR，准确率收益不能直接等同于通信效率提升。

  14. OpenReview · EEG74

    面向可穿戴 BCI 低功耗实时 EEG 分类的优化 EEGNet 处理器

    基于摘要分析。该研究针对既有 EEGNet 处理器采用高精度定点数所带来的功耗和资源开销，提出低精度 EEGNet（LPEEGNet）处理器，通过算法量化与硬件架构协同优化，支持可穿戴 BCI 的低功耗实时 EEG 分类。 算法方面，作者通过低精度量化将 EEGNet 重构为 LPEEGNet；摘要未提供量化位宽、量化训练方式或各层精度配置。硬件方面，处理器采用数据驱动处理流程，以层融合构建异构流式架构，利用全局特征图存储改善访存效率，并结合层间并行与层内流水线提升推理效率。其可核对的技术重点是低精度计算、数据搬运与并行调度的联合设计，而不只是压缩模型。 作者报告，在 FPGA 实验中，相比摘要所称的最先进 EEGNet 处理器，该实现的功耗、LUT 利用量和推理延迟分别降低 52.6%、36.2% 和 25.8%；作者另报告，在一个 ERP 数据集上的 Accuracy 为 93.06%。摘要未明确数据集名称、被试数、被试内或跨被试评估协议、数据划分及对照处理器配置，因此这些结果只能在原文所述实验范围内理解，不能直接与其他协议下的分类结果比较。作者据此认为该处理器更适合可穿戴 BCI，但实际可穿戴系统中的收益仍需结合完整实验条件核对。 复现时需确认量化配置及精度变化、FPGA 型号与运行频率、功耗测量范围、延迟计量口径，以及对照实现是否采用可比的网络与硬件条件。实验协议、消融及统计信息尚未验证；摘要也不足以确认端到端在线 BCI 的实时性表现。

    阅读价值：该研究将 EEGNet 低精度量化与 FPGA 流式架构联合优化，值得核对其分类精度、功耗和延迟之间的权衡，尤其是量化配置与硬件对照条件。

  15. OpenReview · State space models75

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

    基于摘要分析。该研究面向视觉状态空间模型（SSMs）中多扫描策略带来的冗余，提出 Multi-Scale Vision Mamba（MSVMamba），通过多尺度 2D 扫描与通道混合模块，改善视觉任务中的效率与性能权衡。 核心机制：作者将多扫描策略的有效性与长程依赖建模联系起来，在原始及下采样特征图上执行多尺度 2D 扫描，以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。摘要未给出扫描路径、尺度配置、下采样方式、参数量或计算量，具体效率收益与各模块贡献尚未验证。 作者报告：MSVMamba-Tiny 在 ImageNet 上取得 82.8% top-1 Accuracy；在 COCO 上采用 Mask R-CNN 框架和 1x 训练日程，取得 46.9% box mAP 与 42.2% instance mAP；在 ADE20K 上采用单尺度测试，取得 47.6% mIoU。这些结果分别对应图像分类、目标检测、实例分割与语义分割，不能跨任务直接比较。摘要未提供具体对照模型与完整训练配置，实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：假设多尺度扫描可用于缓解 EEG 长序列建模的计算负担，可复用的部分是多尺度 SSM 扫描思路，需改造的是视觉 2D 特征布局、下采样与通道混合方式。原方法处理具有二维空间结构的图像特征；EEG 的时间—电极结构不能直接等同于图像，低信噪比、跨被试差异、通道配置变化及小数据训练都可能使收益失效，下采样也可能丢失短暂事件。一个可检验的小实验是在固定 EEG 数据划分与相同训练预算下，对比单尺度和多尺度扫描，分别报告被试内与跨被试性能、计算开销，并检查短时信息保留情况；这不是本文已验证的结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对多尺度 2D 扫描能否减少视觉 SSM 的多扫描冗余，同时保留长程依赖建模能力；摘要提供了多个视觉任务的结果，但效率收益及其对 EEG 的适用性尚未验证。

  16. OpenReview · State space models72

    SSUMamba：用于高光谱图像去噪的空间–光谱选择性状态空间模型

    基于摘要分析。该研究针对高光谱图像（HSI）去噪中长程空间–光谱相关性建模复杂度较高的问题，提出基于 Mamba 的 SSUMamba，以连续扫描和双向状态空间模型（SSM）建模长程依赖，并结合 3-D 卷积增强局部建模。其主要研究对象是高光谱图像，而非 EEG 或 BCI 信号。 核心组件为空间–光谱连续扫描（SSCS）Mamba：按照行、列、波段三个维度的六种不同顺序生成序列，通过双向 SSM 捕获长程空间–光谱依赖；在各顺序中，对相邻扫描之间的图像排列进行调整，以保持空间–光谱连续性。嵌入的 3-D 卷积则用于增强局部空间–光谱关系建模。摘要未提供损失函数、训练策略及完整网络配置。 作者报告，在高光谱图像去噪实验中，SSUMamba 相比基于 Transformer 的方法取得更好的去噪结果，且每批次显存消耗更低。摘要未给出数据集、噪声设置、评价指标、具体数值及对照模型，因此尚不能判断优势的适用范围；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核对。 平台推测（待验证）：可考察的迁移假设是，将具有明确邻接结构的 EEG 时频–通道表示组织为连续序列，用双向 SSM 建模长程关系，并以局部卷积保留邻域信息。然而，EEG 通道并不天然构成规则图像网格，频率轴也不等同于高光谱波段；扫描顺序、通道拓扑和卷积邻域需要改造，训练所需的去噪监督及数据规模亦尚未验证。低信噪比、跨被试差异、通道配置变化与小样本可能使该机制失效，去噪也可能削弱任务相关神经成分。一个可检验的小实验是在固定被试内划分和相同噪声设置下，对比连续扫描与普通序列化的 EEG 去噪模型，同时检查信号重建质量和下游任务表现，以检验连续性设计是否有效。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其通过连续扫描与双向 SSM 联合建模局部和长程空间–光谱依赖的机制，以及作者报告的相对 Transformer 去噪与显存优势；这些优势的具体评估条件及 EEG 迁移有效性尚未验证。

  17. OpenReview · EEG64

    通过二分类分层与基于置换的通道选择改进睡眠阶段分类

    基于摘要分析。该研究面向 EEG 睡眠阶段分类，使用 CNN 模型 EEGNeX 提取并分类不同睡眠阶段的波形特征，将睡眠阶段组织为二分类任务，并通过基于置换的通道选择探索减少输入通道的可行性；其主要研究对象是睡眠分期，而非直接验证 BCI 控制任务。 方法与对照：摘要描述了使用 128 个 EEG 通道的 EEGNeX，以及根据置换式通道选择结果保留排名前三通道的方案。对照包括 AASM 推荐的三个通道和随机选择的三个通道。置换操作的具体方式、通道重要性计算、二分类任务组合，以及多个二分类模型如何形成完整睡眠分期结果，尚未验证。 结果：作者报告，在摘要所述睡眠阶段二分类评估中，所选前三通道的 Accuracy、Fscore、precision、recall、AUROC 和 Kappa 整体表现较高，原文将这些指标表述为超过 80%；但 N1 与 N2 分类的平均 Kappa 为 0.52。Kappa 并非百分比指标，相关量纲与各任务的具体结果需核对全文，不宜将这些指标混同为同一种性能。作者报告，采用 AASM 推荐三通道或随机三通道时性能下降，所选三通道模型的计算成本则远低于使用 128 通道的模型；摘要未提供成本测量方式或降幅。 验证与复现：数据集、被试数量、被试内或跨被试划分、训练与测试协议、类别分布、消融及统计信息尚未验证。复现时需核对通道选择是否限定于训练数据、选择结果在不同被试或会话间是否稳定，以及二分类表现能否支持实际多阶段睡眠分期；这些是待核对事项，不能据摘要认定存在协议问题。

  18. OpenReview · EEG73

    EEG-Deformer：用于脑机接口的密集卷积 Transformer

    基于摘要分析。EEG-Deformer 针对 BCI 中 EEG 时间动态难以有效学习的问题，在 CNN-Transformer 中引入分层粗到细时间建模和多层时间信息净化，旨在改善脑活动解码。作者认为，现有多数 CNN 与 Transformer 结合的方法虽具备长程序列学习能力，但不足以捕获 EEG 从粗粒度到细粒度的时间模式。 核心机制包括两个组件：Hierarchical Coarse-to-Fine Transformer（HCT）块将 Fine-grained Temporal Learning（FTL）分支融入 Transformer，以学习粗到细时间模式；Dense Information Purification（DIP）模块利用经过净化的多层时间信息提升解码准确性。摘要未说明 FTL 的具体运算、各层信息如何连接与净化，也未提供损失函数、训练流程和推理配置，这些实现细节尚未验证。 作者报告，在三项代表性认知任务上的实验中，EEG-Deformer 的表现优于或可比于现有最先进方法，并据此主张其具有泛化能力。但摘要未列出任务名称、数据集、被试数量、评价指标、具体数值或对照方法，也未明确采用被试内、跨被试或跨会话协议，因此不能将这一泛化结论直接解释为跨被试或跨数据集有效。实验协议、消融及统计信息尚未验证。 作者报告，可视化结果显示模型利用了与相应认知任务具有神经生理意义的脑区；这提供了解码依据的解释线索，但仅凭摘要不能确认其稳定性或因果意义。材料给出了源代码入口，复现时可重点核对 HCT、FTL 与 DIP 的独立贡献，以及不同时间尺度、被试差异和通道配置下的效果；代码可运行性、数据获取条件及完整配置尚未验证。

    阅读价值：值得核对 HCT 的粗到细时间建模与 DIP 的多层信息净化是否分别带来稳定增益；摘要提供了明确的机制方向和代码入口，但具体评估协议与消融结果尚未验证。

  19. OpenReview · EEG66

    使用 EEGNet 和 Siamese Network 在多任务 EEG 数据库中进行个人身份识别与认证

    基于摘要分析。该研究面向 EEG 生物特征识别，分别采用 EEGNet 进行个人身份识别、采用结合 EEGNet 与 Siamese Network 的 SiamEEGNet 进行身份认证，并建立多任务 EEG 数据库用于评估。身份识别旨在判定个体身份，身份认证则通过两段 EEG 的特征距离或相似度判断身份是否匹配。 机制方面，身份识别模块直接输入预处理后的 EEG，将信号映射到嵌入空间以提取身份特征，并通过分类模块完成识别。SiamEEGNet 包含两个参数相同的 EEGNet 子网络，移除 EEGNet 的分类模块，加入距离度量层比较两个子网络的输出。摘要未明确训练损失、配对采样策略、距离函数及认证阈值的确定方式，这些细节尚未验证。 数据库包含 24 名被试、五种心理任务；每名被试参加四次会话，每次会话包含 125 个试次，会话间隔从数天至数月。该采集设计提供了考察任务变化与时间变化下身份特征稳定性的条件，但摘要未交代训练与测试划分，不能据此认定结果属于 Cross-session 或跨任务评估。 作者报告，在该数据库的身份识别实验中，平均识别 Accuracy 为 99.84%，并描述 F1 较高，但未提供具体 F1 数值；在身份认证实验中，SiamEEGNet 的 False Rejection Rate（FRR）为 2.29%，False Acceptance Rate（FAR）为 4.75%。上述结果的具体划分、任务组合及阈值背景尚未验证，不能直接与其他协议下的结果比较。 复现与应用评估应重点核对 EEG 预处理、会话隔离、认证配对构建、阈值选择、对照基线及统计信息，数据和代码的可获得性也尚未验证。摘要以传统生物识别的活体检测风险作为研究动机，但所述识别与认证指标本身不能证明系统具备抗伪造或活体检测能力。

  20. OpenReview · State space models73

    探索视觉状态空间模型对后门攻击的鲁棒性

    基于摘要分析。该研究考察 Visual State Space Model（VSS）对后门攻击的鲁棒性，重点分析状态空间模型（SSM）机制与图像 patch 处理如何影响触发器的有效性，并据此研究一种在每个 patch 中重复出现、旨在抵抗 patch 扰动的后门触发方式。 后门攻击使受感染模型在特定触发器出现时输出目标标签，而在正常样本上保持正常行为。作者报告，在所考察的不同触发器与模型对照中，SSM 捕获 patch 内上下文信息的机制使 VSS 比不含 SSM 的模型更容易受到后门触发器影响；另一方面，所测试的 patch 处理方式能够有效破坏这些触发器。逐 patch 重复触发的设计针对这一现象，试图使后门在 patch 扰动下仍然有效。摘要未提供具体触发器形式、投毒过程或 patch 处理操作。 作者报告，在三个数据集及多种后门攻击的实验范围内，VSS 的后门鲁棒性与 Transformers（ViTs）相近，但低于仅堆叠 Gated CNN blocks、不含 SSM 的 Gated CNNs。数据集名称、模型配置、训练与评估划分、投毒比例、攻击成功率及正常样本性能尚未验证，因此不能据此作定量比较或推广到所有 VSS 架构。实验协议、消融及统计信息尚未验证，复现时应重点核对架构对照是否控制了训练条件，以及 patch 处理对正常任务性能的影响。 平台推测（待验证）：如果 EEG 分类模型也采用分段 token 与 SSM 上下文建模，重复的局部触发模式可能形成类似安全风险，但图像 patch 结论不能直接外推到 EEG。可复用的是局部触发、分段扰动与无 SSM 对照的评估思路；需改造的是适合 EEG 时间段及通道结构的触发方式。低信噪比、跨被试差异、通道布局变化和小数据条件均可能改变触发效果。一个可检验的小实验是在固定 EEG 数据划分和训练条件下，对比 SSM 与非 SSM 模型受到单段及重复分段触发时的攻击成功率和正常样本 Accuracy，同时评估分段扰动的影响。相关 EEG 后门研究尚未检索确认。

    阅读价值：该研究通过后门触发器与 patch 处理的对照分析考察 SSM 的安全风险，值得核对其能否区分 SSM 机制本身与其他架构、训练因素的影响。

12月31日周日
  1. OpenReview · EEG72

    基于频域深度学习的 EEG 多伪迹去噪

    基于摘要分析。该研究针对 EEG 中神经活动与眼动、肌肉等生理伪迹混杂的问题，提出在频域运行的深度学习去噪模型，利用噪声频谱特征先验自适应计算用于噪声分离的卷积滤波器。 机制方面，模型通过训练学习噪声及含噪信号的频谱特征与去噪非线性变换之间的经验关系。其值得关注之处在于将噪声的频谱知识用于滤波器适配，而不是仅将去噪描述为固定映射。摘要未说明频域表示方式、先验的具体形式、滤波器生成过程、损失函数或推理时所需的噪声信息，这些实现条件尚未验证。 作者报告，在 EEGdenoiseNet 数据集的评估中，该方法按时间域和频谱指标衡量的表现达到或超过基准模型，并能去除肌肉与眼动伪迹，无需针对特定伪迹类型进行训练。摘要未提供具体指标名称、数值、对照模型、训练与测试划分，也未明确该结论对应何种伪迹类型留出或混合设置，因此不能将其直接解释为已验证的跨被试、跨会话或未知伪迹泛化。 复现时需核对噪声频谱先验的获取方式、训练和推理的信息需求，以及“无需针对特定伪迹类型训练”的操作定义。实验协议、消融及统计信息尚未验证。该研究直接涉及 EEG 去噪，但摘要未提供下游 BCI 解码或临床诊断评估，因而去噪指标上的改善是否保留任务相关神经信息、是否带来下游性能提升，仍需验证。

    阅读价值：值得核对其利用噪声频谱先验自适应计算卷积滤波器的机制，以及作者报告的无需针对特定伪迹类型训练即可去除眼动与肌肉伪迹的评估条件。

  2. OpenReview · EEG65

    NeuroAiR：基于头皮记录神经信号的空中书写识别深度学习框架

    基于摘要分析。研究关注通过 EEG 识别使用手指在空中书写的英文字母，构建了记录英文大写字母书写过程 EEG 的 NeuroAiR 数据集，并探索多种特征表示与深度学习模型的组合，旨在提供人机交互的替代输入方式。这里的任务是实际手指运动中的字母识别，不能等同于运动想象（MI）或无动作文字解码。 技术上，研究比较了处理后的 EEG、Independent Component Analysis（ICA，独立成分分析）成分、源域 scout 时间序列，以及基于 spherical harmonic 和 head harmonic 分解的特征，并考察不同 EEG 频带对识别表现的影响。摘要未说明具体预处理流程、源域建模方法、特征维度、训练损失与各模型配置，因此尚不能据此还原完整实现。 作者报告，在所考察的特征与模型组合中，ICA 成分配合 EEGNet 获得最高 Accuracy，为 44.04%。摘要未交代该数值对应的被试内或跨被试协议、训练测试划分、类别分布及统计不确定性，因此不能将其解读为已验证的跨被试泛化能力，也不能直接与其他字母识别结果比较。 作者将结果视为 EEG 空中书写识别的基线与可行性证据。复现时需核对被试数、采集通道、试次数、字母书写时序、数据划分，以及 ICA 拟合和成分筛选过程；尤其需要核对如何区分神经活动与伴随手指运动的肌电、眼动等伪迹。实验协议、消融及统计信息尚未验证，数据和代码的可获取性也未由所给材料确认。摘要所述将识别字母拼接为词属于应用设想，未提供连续词输入或在线交互的验证结果。

  3. OpenReview · EEG64

    典型儿童癫痫综合征的区域头皮 EEG 分析与分类

    基于摘要分析。研究面向典型儿童癫痫综合征的鉴别，而非单次癫痫发作检测或 BCI 控制任务，分析区域头皮 EEG 时域、频域特征与综合征类型的关联，并采用基于深度迁移特征学习的 ResNet50 进行癫痫综合征与正常对照组（NCGs）分类。 研究材料包含患有四种典型癫痫综合征的 63 名儿童及 19 名正常对照儿童；摘要未列出具体综合征名称、各类人数或数据划分方式。作者报告，在这一样本中，各综合征的额极区与额区特征相似，顶区与枕区特征相似；偏度是区分综合征及正常对照最显著的特征，Lemp-Ziv complexity（LZC）的贡献最小；同一综合征的不同个体存在特征相似性，不同综合征之间的 EEG 特征则有显著差异。这些结论属于该研究样本中的特征分析，不宜直接视为普适诊断标志物。 分类方法使用 ResNet50 进行深度迁移特征学习，并依据特征显著性检验与相关性分析实施特征选择。作者报告，该筛选能够改善分类表现，但摘要未提供具体指标、数值、对照配置，也未说明预训练来源、EEG 输入表示、训练策略与推理流程。 复现时需核对 EEG 采集及预处理、区域与特征定义、迁移学习设置，以及是否按被试划分训练和测试数据、特征筛选是否仅在训练数据内完成。上述事项目前不能据摘要判断；实验协议、消融及统计信息尚未验证，数据和代码的可获取性也尚未验证。现有材料支持将其作为儿童癫痫综合征 EEG 特征与分类研究阅读，不支持推断其已具备临床诊断效用或 BCI 任务中的有效性。

9月24日周日
  1. OpenReview · Representation learning76

    梯度下降下多任务表征学习的能力分析

    基于摘要分析。本文研究多任务表征学习为何能优于单任务表征学习，核心贡献是在梯度下降训练的过参数化两层卷积神经网络设定下，基于同时包含任务共享特征与任务特有特征的数据模型给出理论分析。 技术重点是将跨任务可复用的信息与各任务独有的信息纳入同一分析框架，考察多任务训练相较单任务训练的优势。作者报告使用合成数据与真实数据实验来说明和验证理论发现；摘要未提供具体数据集、任务构造、指标或数值，因此不能据此量化收益。理论结论所需的数据分布条件、过参数化要求、梯度下降设置、具体损失及实验协议、消融与统计信息尚未验证，也不能将该结论扩展为任意网络或任意任务组合下的普遍优势。 平台推测（待验证）：该框架可能为 EEG 多任务学习中“共享表征与任务差异如何兼顾”提供分析视角，但依赖任务之间确有可共享结构，并且任务定义、监督信号与数据规模能支撑联合训练。可复用的是共享与特有特征的建模思路；卷积结构、输入组织及任务输出需按 EEG 的通道、时间结构与标签体系改造。低信噪比、跨被试差异、通道配置不一致及小样本条件可能削弱共享结构或引发负迁移，原领域结论不等于已验证的 BCI 效果。 一个可检验的小实验是假设相关 EEG 任务存在有益共享特征，在固定被试级训练与测试划分、匹配模型容量及训练预算的条件下，对比多任务与单任务学习，并加入相关性较弱的任务作为对照，观察各任务是否出现稳定收益或负迁移。该实验属于平台提出的验证方案；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其在任务共享与任务特有特征并存的数据模型下，对梯度下降训练的多任务表征学习相较单任务学习优势所作的理论分析，但其适用条件及向 EEG 的迁移价值尚待验证。

9月22日周五
  1. OpenReview · State space models81

    用于长程时空建模的卷积状态空间模型

    基于摘要分析。本文研究如何同时建模长时空序列中的复杂空间相关性与长程时间依赖，提出卷积状态空间模型 ConvSSM，并构建高效变体 ConvS5；主要研究对象是时空序列预测，而非 EEG 或 BCI。 核心机制是结合 ConvLSTM 的张量状态建模思路与 S4、S5 等状态空间方法的长序列建模能力。作者展示了如何将并行扫描用于卷积递推，以实现次二次复杂度的并行化及快速自回归生成；同时建立 ConvSSM 与 SSM 动力学之间的等价关系，据此设计面向长程依赖的参数化与初始化策略。其方法动机分别对应 ConvLSTM 顺序计算带来的训练瓶颈，以及 Transformer 注意力成本随序列长度二次增长的扩展性限制。具体状态结构、初始化公式及训练目标尚未验证。 作者报告，在长预测时域的 Moving-MNIST 实验中，ConvS5 的任务表现显著优于 Transformers 与 ConvLSTM，训练速度为 ConvLSTM 的 3 倍，样本生成速度为 Transformers 的 400 倍；摘要未提供具体预测指标、序列长度、硬件或计时设置，因此这些倍数不能直接推广至其他协议。作者还报告，在 DMLab、Minecraft 和 Habitat 预测基准上，ConvS5 达到或超过当时先进方法的表现。数据划分、对照实现、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 任务需要同时利用空间结构和长程时间依赖，卷积递推与并行扫描可能成为可测试的计算模块，但原领域结果不等于 BCI 有效性。迁移需要将电极拓扑映射为合适的空间表示，并适配输入、输出与监督目标；低信噪比、跨被试差异、通道布局变化和小样本条件均可能削弱收益。一个小规模可证伪实验是在固定数据划分与训练预算的 EEG 长序列任务上，对比 ConvS5 与 ConvLSTM，分别记录任务指标、训练耗时及显存占用，检验是否存在精度与计算效率的共同收益。已有 EEG 相关工作尚未检索确认，代码与完整复现条件尚未验证。

    阅读价值：值得阅读其卷积递推的并行扫描机制及基于 SSM 动力学的参数化思路，但摘要中的速度优势依赖原实验协议，迁移到 EEG 长序列建模的有效性尚未验证。

9月21日周四
  1. OpenReview · Representation learning79

    表征迁移在多任务模仿学习中的作用

    基于摘要分析。本文研究多任务模仿学习中，预先从源任务学习表征能否比从零训练更高效地学习新任务，并给出以源任务具有充分多样性为条件的统计保证；同时提出估计任务多样性的实用度量，以连接理论与经验分析。 理论机制是利用多样源任务训练的表征改善目标任务的样本效率。作者称，理论结果可在其所述的现实假设下扩展到 multilayer perceptrons 和 convolutional networks，但摘要未给出假设的具体内容、统计界的形式及其对任务数量、数据规模或表征容量的依赖。任务多样性度量的计算方法、训练损失与表征迁移流程尚未验证。 作者报告，在五个模拟环境中的经验分析与理论发现一致：利用更多源任务数据可以改善新任务学习的样本效率，所提出的任务多样性度量与模仿学习表现呈正相关。摘要未提供环境名称、数据划分、对照基线、具体指标或效应大小，因此不能量化相对从零训练的收益；实验协议、消融及统计信息尚未验证。相关性结果也不能直接解释为该度量对迁移收益的因果作用。 平台推测（待验证）：该机制为 EEG 小样本迁移提出一个可检验的假设——源任务覆盖的有效多样性可能比单纯增加数据量更有利于目标任务表征学习。但原研究依赖多任务模仿学习数据，不能直接等同于 EEG 分类监督。可考虑复用其多样性评估思想，需改造任务定义、EEG 编码器及目标损失；低信噪比、通道差异和被试差异可能使度量主要反映采集或个体特征，而非可迁移的任务结构。一个小实验是在固定源数据总量、被试划分和目标标注预算下，比较不同源任务组合的度量值与目标任务学习曲线，并设置从零训练对照。实施前需核对全文中的度量与理论条件；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其关于源任务多样性与目标任务样本效率的统计保证及实用度量，但该度量是否适用于 EEG 跨任务表征迁移尚未验证。

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。

6月1日周四
  1. OpenReview · EEG65

    典型儿童癫痫综合征的区域头皮 EEG 分析与分类

    基于摘要分析。该研究针对典型儿童癫痫综合征的辅助分类问题，分析不同头皮区域 EEG 时域与频域特征和综合征类别之间的关联，并采用基于深度迁移特征学习的 ResNet50 进行癫痫综合征及正常对照分类。其主要研究对象是临床 EEG 疾病分类，而非 BCI 控制任务。 数据与特征分析：摘要涉及患有四种典型癫痫综合征的 63 名儿童，以及正常对照组（NCGs）的 19 名儿童；具体综合征名称、采集条件、通道配置和样本划分尚未验证。在这一人群范围内，作者报告，额极区与额区的特征较为相似，各综合征的顶区与枕区也呈现特征相似性；偏度是区分类别最显著的特征，Lemp-Ziv complexity（LZC）的贡献最小。作者还报告，同一综合征的不同个体具有相似特征，不同综合征之间的 EEG 特征则存在显著差异；相关统计检验、效应量与不确定性尚未验证。 分类方法与结果：研究使用 ResNet50 的深度迁移特征学习，并结合特征显著性检验与相关性分析进行特征选择。作者报告，该特征选择策略能够提升综合征及正常对照分类表现，但摘要未提供具体指标、数值或对照配置，不能据此量化提升幅度。预训练来源、EEG 输入表示、微调方式、训练与推理流程尚未验证。 复现与解读边界：需要核对被试级训练测试划分、是否采用跨被试评估、特征选择与统计分析是否限定于训练数据，以及类别分布、对照基线、消融和统计信息。区域相似性和特征显著性的观察不能直接视为临床诊断有效性证据，也不能推导出已验证的 BCI 性能提升。

1月1日周日
  1. OpenReview · Representation learning76

    面向强化学习的掩码对比表征学习

    基于摘要分析。本文研究像素输入强化学习（RL）中的状态表征学习与样本效率，提出 masked contrastive representation learning for RL（M-CURL）：利用连续视频帧之间的相关性，通过掩码特征重建与对比学习辅助训练状态编码器。 核心机制：系统包含用于编码输入状态的 CNN、用于动作选择的策略网络，以及辅助 Transformer 编码器。训练时随机掩码若干帧的特征，由 CNN 与 Transformer 利用上下文帧重建这些特征；二者通过对比学习联合训练，使重建特征接近对应真实特征、远离其他特征。摘要未说明具体损失公式、负样本构造及掩码比例。策略评估时仅使用 CNN 与策略网络，移除 Transformer，因此辅助时序建模模块不参与评估阶段的动作选择。 结果与证据边界：作者报告，相较 CURL，M-CURL 在 DMControl suite 的 16 个环境中有 14 个环境取得改善，在 Atari 2600 Games 的 26 个环境中有 23 个环境取得改善。这些数字是改善的环境数量，并非性能提升幅度；具体交互预算、评价指标、随机种子、统计不确定性及各环境结果尚未验证。摘要提供了代码仓库，但实现与论文设置的一致性尚未核验，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，EEG 相邻时间窗的时序关联也可能为掩码特征预测提供监督信号，但视频 RL 中有效不等于 EEG/BCI 中有效。可复用的是辅助上下文编码器、特征级掩码与对比目标；需将图像 CNN 改造为适配 EEG 时间与通道结构的编码器，并重新设计窗口、正负样本及掩码策略。低信噪比、跨被试差异、通道变化和小数据可能使模型学习伪迹或局部冗余，而非任务相关表征。一个可检验的小实验是在固定数据划分和标注预算下，对比相同 EEG 编码器的普通对比预训练与加入掩码上下文重建的预训练，分别评估被试内与跨被试表现，并确保相邻窗口不跨越训练与测试边界。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用相邻帧上下文进行掩码特征重建、并在策略评估时移除辅助 Transformer 的设计，但作者报告的 RL 改善尚不能证明其对 EEG 表征学习有效。

  2. OpenReview · State space models80

    用于长程时空建模的卷积状态空间模型

    基于摘要分析。本文研究长时空序列中复杂空间相关性与长程时间依赖的联合建模，提出卷积状态空间模型 ConvSSM，并形成高效变体 ConvS5；原研究对象是时空序列预测，而非 EEG 或 BCI。 核心机制是结合 ConvLSTM 的张量状态建模与 S4、S5 等状态空间方法的长序列建模思路。作者将并行扫描用于卷积递推，以实现次二次复杂度的并行计算和快速自回归生成，并建立 ConvSSM 动力学与 SSM 的等价关系，据此设计面向长程依赖的参数化及初始化策略。其针对的对照瓶颈分别是 ConvLSTM 的顺序计算，以及 Transformer 注意力成本随序列长度二次增长；具体状态结构、参数化形式和训练目标尚未验证。 作者报告，在长预测跨度的 Moving-MNIST 实验中，ConvS5 的表现显著优于 Transformers 和 ConvLSTM，训练速度为 ConvLSTM 的 3 倍，样本生成速度为 Transformers 的 400 倍；这些倍数仅对应摘要所述实验，序列长度、硬件、批量大小及具体计时口径尚未验证。作者还报告，在 DMLab、Minecraft 和 Habitat 预测基准上，其性能达到或超过所比较的先进方法，但摘要未提供具体指标及数值。实验协议、数据划分、消融及统计信息尚未验证，代码与复现配置亦需核对全文。 平台推测（待验证）：假设 EEG 可被组织为具有合理空间邻接关系的多通道时间序列，卷积空间建模与状态空间长程递推可能对应多通道相关性和长时窗计算成本两个瓶颈。并行扫描及长程初始化思路可能复用，但输入表示、空间卷积和任务输出需适配电极布局与 EEG 监督方式；原任务的数据规模及监督细节尚未验证。低信噪比、跨被试分布差异、通道布局变化及小数据可能使视觉预测中的优势无法迁移。可在固定 EEG 数据划分与训练预算下，用同一空间前端比较 ConvS5 与非卷积 SSM 的长时窗任务性能、训练和推理耗时，检验卷积状态是否带来稳定增益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将卷积递推转化为可并行扫描的机制及长程依赖参数化策略，但作者报告的预测性能与速度优势仍需结合全文实验协议核对，EEG 迁移价值尚未验证。

  3. OpenReview · EEG64

    用于基于 EEG 的运动想象分类的特征重加权

    基于摘要分析。本文研究非侵入式 EEG 运动想象（MI）分类中，无关特征干扰 CNN 训练的问题，提出特征重加权模块，通过生成权重分数抑制无关的时间与通道特征图，降低这些信息对分类的影响。 作者将方法动机归结为 EEG 的低信噪比、非平稳性、非线性与高复杂度：CNN 从含噪 MI-EEG 中提取的特征可能保留无关信息，进而干扰训练。所提模块在特征图层面进行重加权，而非摘要已明确的原始信号去噪；其作用是调整不同特征的贡献。权重如何生成、时间与通道维度如何处理、模块插入位置、基础 CNN 结构及训练目标均尚未验证。 作者报告，在 Physionet EEG-MMIDB 和 BCI Competition IV 2a 上，相较其所称的最先进方法，分类表现分别提升 9.34% 和 3.82%。摘要未明确指标名称、比较基线、数据划分或被试内／跨被试等评估协议，也未说明这些数值是相对提升还是百分点差，因此不能直接解读为 Accuracy 的百分点增益，或与其他协议下的结果比较。摘要使用了显著改善的表述，但统计检验依据尚未验证。 复现时需核对输入预处理、MI 任务与类别设置、被试及会话划分、基线训练条件，以及重加权模块的参数开销和消融结果。核心待验证问题是：性能收益是否确实来自对无关时间与通道特征的抑制，以及这种收益能否在一致的数据划分和训练条件下保持。实验协议、消融及统计信息尚未验证。

  4. OpenReview · EEG69

    你听到了吗？使用 EEGNet 检测听觉事件

    基于摘要分析。本研究针对纯音测听（PTA）依赖行为配合、部分受试者难以参与的问题，探索用 EEGNet 从 EEG 中检测纯音刺激引发的听觉事件，为基于脑信号的听阈测量提供方法依据。 研究使用在模拟纯音听力图测试过程中采集的数据训练 EEGNet。摘要将 EEGNet 描述为紧凑的卷积神经网络，并在相同任务与训练范式下训练 Support Vector Machines（SVMs）及 Common Spatial Patterns + Linear Discriminant Analysis（CSPLDA）作为对照。研究难点在于：随着刺激幅度接近个体听阈，相关神经响应更难稳定识别；传统 ERP 在成人受试者中的应用也受到限制。摘要未提供网络配置、预处理、刺激参数或具体训练细节。 作者报告，在未见过的被试上，EEGNet 检测听觉事件的 Accuracy 为 81.5%，体现了跨被试评估，而非被试内结果。作者报告其优于 SVMs，原文将优势表述为“略高于 5%”，但摘要未明确这是相对百分比还是百分点，因此不能进一步换算。EEGNet 也优于 CSPLDA，但相较这些对照的提升并非总是具有统计显著性；各评估条件与统计检验尚待全文核对。 作者对预测结果的进一步分析提示，在测试重复次数充分时，EEGNet 有望用于准确确定听阈。这是潜力判断，不能等同于已完成临床听阈测量验证，也不应将听觉事件检测 Accuracy 直接解释为听阈估计准确率。作者指出，测试设置复杂度、测试时长和准确率仍需改进。被试数量与人群特征、数据划分、重复测试与预测汇总方式、听阈误差指标、消融及统计信息尚未验证；复现时尤其应核对未见被试的划分协议，以及事件检测如何转化为听阈估计。

  5. OpenReview · EEG76

    基于 EEG 的阻塞性睡眠呼吸暂停事件检测的多实例学习

    基于摘要分析。本文研究基于 EEG 的阻塞性睡眠呼吸暂停（OSA）事件自动检测，提出 EEG multi-instance learning network（EEG-MIL），针对同一 EEG 帧内可能同时包含正常片段和 OSA 片段的特征歧义，以多实例学习替代将整段信号作为单一整体处理的方式。 核心机制：EEG-MIL 由 subframe multi-resolution convolution extractor（S-MRCNN）和 MIL mapping function 组成。S-MRCNN 从子帧提取特征，MIL 映射函数建模实例（子帧）与包（帧）之间的交互关系，以进一步区分 OSA 事件片段。摘要未给出具体卷积结构、聚合规则、损失函数及训练所需的标注粒度，这些实现细节尚未验证。 任务与对照：作者认为 OSA 事件检测不同于一般睡眠分期分类，直接移用睡眠分期方法可能忽略帧内事件混杂。为对应临床需求，作者定义 instance-level task 与 bag-level task，并重新定义评估标准。这使论文的阅读重点不仅是分类模型，也包括不同时间粒度的事件检测与评价；但具体指标定义及其临床适用性仍需核对全文，不能据摘要认定已完成临床验证。 实验与结果：作者报告在两个公开数据集及一个私有数据集上，采用五折被试独立交叉验证，并提供详细消融实验。在这一评估背景下，作者报告相较其他工作的性能增益为 2–8.6%，并声称达到新的 SOTA。摘要未明确该增益对应的指标、相对百分比或百分点，也未列出数据集名称、被试数量和对照方法，因此不能将其解释为 Accuracy 提升或跨数据集泛化收益。 复现与局限：需进一步核对子帧长度与重叠、事件与帧标签的对应关系、MIL 映射实现、五折被试划分、各数据集的单独结果及消融统计。全文、代码与数据访问条件尚未验证。本研究的直接对象是睡眠呼吸事件检测，而非 BCI 控制任务，现有摘要不支持将其性能结论外推为 BCI 有效性。

    阅读价值：值得阅读的具体原因是 EEG-MIL 将整段 EEG 中正常片段与 OSA 片段混杂的问题显式建模为多实例学习，并区分子帧级与帧级检测任务；作者报告的性能增益及评估标准仍需全文核对。

  6. OpenReview · State space models81

    用于长程时空建模的卷积状态空间模型

    基于摘要分析。本文研究长时空序列中复杂空间相关性与长程时间依赖的联合建模，提出卷积状态空间模型（ConvSSM），并据此构建高效变体 ConvS5；主要研究对象是时空序列预测与生成，而非 EEG 或 BCI。 核心机制是结合 ConvLSTM 的张量状态建模思路与 S4、S5 等状态空间方法的长序列建模能力。作者将并行扫描用于卷积递推，以实现次二次复杂度的并行化与快速自回归生成，并建立 ConvSSM 与 SSM 动力学之间的等价关系，用于指导长程依赖建模的参数化和初始化。摘要未提供具体状态结构、损失、训练流程或复杂度推导细节。 作者报告，在长预测时域的 Moving-MNIST 实验中，ConvS5 的表现显著优于 Transformers 和 ConvLSTM，训练速度为 ConvLSTM 的 3 倍，样本生成速度为 Transformers 的 400 倍；这些倍率仅对应所述实验背景，硬件、序列长度、模型规模及计时口径尚未验证。作者还报告，在 DMLab、Minecraft 和 Habitat 预测基准上，其表现达到或超过当时先进方法；具体指标、数据划分、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 通道间关系能够表示为适合卷积的空间结构，张量状态与长程递推可能用于联合建模通道相关性和长时间上下文。可考虑复用卷积状态递推与并行扫描，但需改造通道空间表示、输入编码及任务输出；不规则电极布局、跨被试差异、低信噪比和小数据可能削弱其优势。一个可检验的小实验是在固定 Cross-subject 划分与训练预算下，对比 ConvS5、ConvLSTM 和 Transformer 在不同 EEG 窗口长度上的同一任务指标、训练耗时及推理耗时，并核对空间卷积是否带来稳定增益。此为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其卷积递推的并行扫描及与 SSM 动力学的等价关系，这为兼顾空间结构与长程依赖提供了具体方法路径，但摘要中的效率优势及其 EEG 适用性仍需分别验证。

  7. OpenReview · EEG70

    基于个体差异弱化的双分支图卷积网络用于运动想象 EEG 分类

    基于摘要分析。该研究针对运动想象 EEG 分类中不同被试性能差异较大的问题，提出 Double-branch Graph Convolutional Attention Neural Network（DGCAN）及损失函数 EegLoss，分别从空间特征处理和难样本训练入手，尝试缩小被试间分类 Accuracy 的差距。 核心机制：作者将个体差异归因于不同被试数据的空间特征与训练难度差异。DGCAN 使用图神经网络筛选受空间位置因素干扰较小的通道，再通过时空域卷积提取所选通道的特征，以弱化空间特征差异的影响。EegLoss 聚焦难样本训练，旨在减少不同被试数据中模型难以有效学习的部分。摘要未提供双分支的具体分工、图构建方式、通道筛选规则、注意力实现及损失数学形式，相关机制仍需正文核对。 结果：作者报告，在 BCI Competition IV datasets 2a 和 2b 上分别取得 84% 和 86% 的 Accuracy，并报告相较此前模型缩小了被试间 Accuracy 差距、提高了稳健性。摘要未说明这些结果采用被试内、跨被试还是跨会话协议，也未明确数据划分、结果汇总方式及对照基线，因此不能直接与其他协议下的分数比较。摘要提及主流深度学习方法在同一数据集不同被试间的 Accuracy 最大差异超过 20%，但其统计口径尚未验证，不应直接当作本方法的改进幅度。 阅读与复现重点：应核对平均 Accuracy 提升与被试间差距缩小是否同时成立，以及低性能被试是否确实获益；还需核对 DGCAN 与 EegLoss 各自的贡献、难样本的定义和权重分配，以及通道筛选是否稳定。实验协议、消融及统计信息尚未验证，代码与复现配置的可用性也尚未验证。该研究聚焦不同被试的性能均衡，不能仅据摘要将其解释为已验证的跨被试域泛化能力。

    阅读价值：值得核对 DGCAN 的通道筛选机制与 EegLoss 的难样本训练是否能在提高运动想象分类 Accuracy 的同时缩小被试间性能差距，但具体评估协议及稳健性证据尚未验证。

  8. OpenReview · Representation learning75

    通过张量化自编码器改进表示学习

    基于摘要分析。本文研究具有内在簇结构的数据应如何获得有意义的表示，提出张量化自编码器（TAE）元算法，将任意自编码器（AE）架构扩展为同时学习簇分配与簇特定嵌入的形式，使不同簇的均值与协方差结构能够在表示中得到体现。 核心机制是从标准 AE 的统一表示转向簇特定表示。作者认为，对于由不同均值和协方差刻画的簇，仅学习整体数据表示不足以保留这些结构。在线性情形下，作者报告理论证明：TAE 可以恢复不同簇各自的主成分，而标准 AE 恢复的是整体数据的主成分。摘要未提供张量化的具体参数组织、簇分配更新方式、损失形式或理论成立条件，这些均需查阅全文核对。 作者报告在具有预设结构的模型（planted models）上进行验证，并在一般非线性 AE 与卷积 AE 上通过实验展示张量化对聚类和去噪任务的益处。摘要未给出数据集、样本规模、划分、对照配置及具体指标，因此无法判断收益幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中存在可稳定辨识、具有不同协方差结构的潜在子群，簇特定表示可能比统一表示更适合描述这种异质性。这一假设依赖足够的每簇样本量，以及潜在簇与目标任务之间的关系；聚类也可能主要反映被试、会话或伪迹，而非任务相关神经活动。可复用部分是联合簇分配与表示学习的思路，需改造输入表示和编码器以适应 EEG 的时间与通道结构。低信噪比、小样本及通道差异可能导致簇不稳定或过拟合。一个可检验的小实验是在固定 EEG 数据划分与相同编码器配置下比较 AE 和 TAE，分别检查重构误差、下游任务表现以及簇与被试身份的关联；跨被试评估应将测试被试与训练过程隔离。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：值得核对其线性情形下的簇主成分恢复条件，以及联合学习簇分配与簇特定嵌入的机制；这为研究异质数据的表示提供了具体切入点，但其对 EEG 的适用性尚未验证。

  9. OpenReview · EEG67

    GSCNN：基于卷积神经网络的性别敏感 EEG 情绪识别

    基于摘要分析。本文研究 EEG 情绪识别中的性别相关个体差异，提出性别敏感卷积神经网络 GSCNN，通过性别信息提取和情绪相关频带加权改善分类。研究面向人机交互中的情绪识别，不能据此认定已验证实际 BCI 系统的有效性。 核心机制包括两个信息提取模块：性别信息提取器帮助网络在分类时学习个体差异；情绪信息提取器依据各频带的分类表现，为关键频带分配不同权重。摘要未说明性别信息如何输入、是否需要额外监督、两个模块如何融合，以及频带权重的计算与训练方式，这些实现细节尚未验证。作者将纳入性别因素作为方法动机，但其关于既有模型未涉及性别因素的表述仍需文献核对。 作者报告，在公开 EEG 情绪识别数据集 SEED 和 SEED-IV 上，识别 Accuracy 分别为 85.6% 和 63.3%。摘要以 Cross-subject 问题为研究背景，但未明确上述数值对应的数据划分、被试留出方式、会话设置、对照基线及统计汇总方法，因此不能将其直接视为已核实的 Cross-subject 性能，也不能据此量化相对基线的提升。 复现时应核对性别信息的使用方式、训练与测试被试的划分、频带权重的估计范围，以及性别分组表现与两个信息提取模块的贡献，以判断收益是否能泛化到不同被试和会话。实验协议、消融及统计信息尚未验证；代码可用性与完整复现条件也未由摘要提供。

  10. OpenReview · EEG74

    EEG Conformer：用于 EEG 解码与可视化的卷积 Transformer

    基于摘要分析。该研究针对 EEG 解码中 CNN 感受野有限、可能难以捕获长期依赖的问题，提出紧凑的 EEG Conformer，将局部特征提取与全局关联建模整合到统一的 EEG 分类框架，并提供脑地形图可视化策略。 核心机制是先通过一维时间卷积和空间卷积学习低层局部特征，再直接连接自注意力模块，提取局部时间特征之间的全局关联，最后使用基于全连接层的分类器预测 EEG 类别。其方法价值在于将卷积与自注意力作为互补模块，而非单独依赖局部卷积；具体网络深度、参数量、损失函数、训练配置与推理成本尚未验证。 可视化方面，作者将类激活映射投影到脑地形图，以增强分类结果的可解释性。摘要未提供该投影的具体计算流程或解释性验证结果，因此不能据此认定可视化已经揭示了可靠的神经生理机制。 作者报告，在涵盖 EEG 运动想象与情绪识别范式的三个公开数据集上，方法取得了当时的 state-of-the-art 性能，并提出其有潜力成为通用 EEG 解码的新基线。摘要未列出数据集名称、被试数量、数据划分、被试内或跨被试等评估协议、对照方法与具体指标，故目前无法核对性能提升的幅度或跨协议可比性；实验协议、消融及统计信息尚未验证。 作者说明代码已公开，可作为复现入口。复现时需结合全文与实现核对 EEG 预处理、输入窗口、卷积和注意力配置、训练策略及评估划分，并分别检验全局关联模块的增益与脑地形图可视化的稳定性。摘要尚不足以确定其跨被试、跨会话泛化能力。

    阅读价值：值得核对其局部卷积特征与全局自注意力的组合机制，以及类激活映射到脑地形图的可视化策略；摘要提供了公开代码入口，但性能优势及解释性仍需结合完整实验协议验证。

  11. OpenReview · EEG59

    面向情感计算界面的基于变分模态分解与卷积神经网络的 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 的正向、中性和负向三类情绪识别，提出两阶段变分模态分解（VMD）处理与卷积神经网络（CNN）分类流程，并比较网络深度及激活函数，以寻找适合该任务的超参数配置。 机制方面，作者提出使用两阶段 VMD 去除 EEG 中的伪迹与噪声，并将信号分解为 delta、theta、alpha、beta 和 gamma 五类脑波；随后从 1 秒脑波片段提取微分熵特征作为 CNN 输入，而非直接输入脑波。作者将这种特征输入设计用于减小 CNN 模型规模，但摘要未提供参数量或计算开销对照。研究组合了 2、5、7 层 CNN 与四种激活函数，构建十二个模型；除 ReLU 外，其余激活函数及具体网络结构尚未验证。 结果方面，作者在标准 SEED 数据库上训练并测试模型，报告 ReLU 架构在四种激活函数中取得较高的总体 Accuracy，为 90.33%。按正向、负向、中性类别的顺序，作者报告 2 层 ReLU CNN 的类别 Accuracy 分别为 100%、94.44%、78.2%，7 层 CNN 分别为 100%、94.40%、89.13%。这些数值均来自摘要所述 SEED 评估，但被试内、跨被试或跨会话协议、训练测试划分、类别指标计算方式，以及总体 Accuracy 对应的具体网络深度尚未验证，不能据此推断跨被试性能。 复现时需核对两阶段 VMD 的参数与处理顺序、频带对应方式、微分熵计算细节、1 秒片段生成及划分规则，并确认各模型是否采用一致的训练与评估条件。摘要中的类别结果提示中性情绪识别值得进一步分析，但其差异的统计可靠性及原因尚未验证；实验协议、消融及统计信息需结合全文核查。

  12. OpenReview · EEG68

    基于卷积神经网络与有限元分析的 EEG 源分析

    基于摘要分析。该研究针对 EEG 源分析中逆问题不适定、神经网络训练所依赖的正向建模可能不够准确的问题，提出利用更真实的头模型生成模拟 EEG，训练 CNN 重建脑电活动，并在模拟数据和真实体感诱发电位上评估源定位。 核心机制是改进训练数据的物理建模基础：作者采用经过颅骨电导率校准、考虑白质各向异性的头模型，生成模拟 EEG 作为 CNN 的训练数据。正向问题用于由脑内源活动计算头皮电位，逆问题则从 EEG 估计源活动；本文将真实头模型与学习式逆解结合。标题涉及有限元分析，但摘要未展开其具体实现、CNN 架构、训练目标或源空间表示，相关细节尚未验证。 作者报告，在真实体感诱发电位应用中，CNN 将 P20/N20 成分定位至被试特异的 Brodmann area 3b；与 single dipole scans 和 sLORETA 比较时，呈现相近的定位表现。摘要未提供定位误差、统计检验、被试数量及具体评估划分，因此不能据此判断性能优势或跨被试泛化能力。作者还提出该方法可能定位更深部的源，但摘要未提供支持这一潜力的定量结果。 复现时需核对头模型构建与电导率校准流程、白质各向异性参数、模拟源分布及噪声设置，以及模拟数据向真实 EEG 迁移的评估方式。训练与测试是否使用同一头模型、传统逆解的比较条件、实验协议、消融及统计信息尚未验证。现有材料支持将其视为 EEG 源定位方法研究，而非已验证的 BCI 解码方案。