跳到正文
只看一手#论文/研究
1月1日周五
  1. OpenReview · EEG68

    学习多种认知注意力任务间的 EEG 泛化表征

    基于摘要分析。该研究考察 Stroop、Eriksen Flanker 和 Psychomotor Vigilance Task（PVT）虽然任务内容不同，但是否因共同依赖视觉注意力而具有可共享的 EEG 表征。作者通过三类任务数据上的任务内及任务间注意力分类实验，比较 SVM、EEGNet 与 TSception，探索深度学习方法的跨任务泛化能力。 技术上，研究以不同任务间的分类迁移作为检验表征通用性的依据，而非仅考察单一任务内的识别效果。摘要未披露输入预处理、注意力标签定义、模型训练细节及任务间训练与测试的具体组合，因此尚不能确定模型学到的是哪些注意力相关特征，也不能将任务间泛化直接等同于跨被试或跨会话泛化。 作者报告，在任务内交叉验证条件下，TSception 的 Accuracy 显著高于其他比较方法，在 Stroop、Flanker 和 PVT 上分别达到 82.48%、88.22% 和 87.31%。作者报告，在任务间实验中，深度学习方法优于 SVM，且多数 Accuracy 下降未达到统计显著性；摘要未给出各迁移方向的具体数值、下降的参照条件及统计检验细节。差异未达到统计显著性也不等于已证实任务间性能等效。 作者据此认为，不同认知注意力任务间存在共同知识，深度学习方法能够更好地学习泛化表征。该结论的适用范围目前限于摘要所述三类任务与比较方法。被试数量、数据划分是否按被试隔离、交叉验证设置、基线配置、实验协议、消融及统计信息尚未验证；复现前需取得全文并核对这些条件。现有材料不支持进一步宣称其在实际 BCI 场景中的有效性。

  2. OpenReview · EEG52

    基于经验模态分解和卷积神经网络的 EEG 癫痫发作预测

    基于摘要分析。该研究针对 EEG 癫痫发作预测，提出结合 Empirical Mode Decomposition（EMD，经验模态分解）、熵特征与深度卷积神经网络的 EMD-CNN 方法，在 CHB-MIT Scalp EEG 数据集上进行评估。作者报告，相较于部分既有 EEG 分类模型，该方法有助于提高癫痫发作预测的 Accuracy，但摘要未提供具体数值及对照模型名称。 技术流程包括：先以 30 s 滑动窗口对原始 EEG 分段，再将各段分解为 Intrinsic Mode Functions（IMF，固有模态函数）与残差；随后从分解成分中提取熵特征，最后使用深度卷积神经网络构建预测模型。其可核对的设计重点是以 EMD 分解后的熵表征作为 CNN 建模的基础，而非仅直接使用原始 EEG。熵的具体类型、分解成分选择、特征组织方式、网络结构、损失与训练配置尚未验证。 任务与评估需重点核对：标题及主要描述使用“预测”，但摘要的实验段落又将模型称为“检测”模型。仅凭摘要无法确认分类目标是否为发作前期与其他状态，也无法确定预测时间范围。CHB-MIT 上的被试选择、窗口步长、标签定义、训练测试划分，以及属于 Within-subject 还是 Cross-subject 评估均尚未验证；因此，不能将其定性性能描述解释为已验证的跨被试预测能力。 复现需要进一步取得完整预处理流程、EMD 与熵计算参数、窗口划分规则及对照配置，并核对相邻窗口与同次发作的数据如何分配到训练和测试集合。实验协议、消融及统计信息尚未验证，现有材料不足以量化 EMD、熵特征或 CNN 各自带来的贡献。

  3. OpenReview · State space models80

    深度状态空间高斯过程

    基于摘要分析。研究针对深度高斯过程（DGP）回归的状态空间建模与计算问题，通过层级随机微分方程表示，将回归转化为可序贯求解的状态估计问题，并提出状态空间 MAP、贝叶斯滤波与平滑方案。 核心机制是在层级结构中，对下一层 GP 的长度尺度和幅度赋予经过变换的 GP 先验，使这些参数能够随输入变化。作者将该结构表示为由线性随机微分方程（SDE）组成的非线性层级系统，其中每个 SDE 对应一个条件 GP；利用状态空间 DGP 的马尔可夫性质进行序贯估计。作者报告计算复杂度随观测数量线性增长，但摘要未提供状态维度、计算常数及具体运行时间，不能据此判断相对其他 DGP 实现的实际加速幅度。 作者报告在合成非平稳信号上展示模型与方法的表现，并将其用于 LIGO 测量中的引力波检测。摘要未给出定量指标、数据划分或对照结果；具体核函数、状态空间表示条件、推断近似、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 中局部平滑程度与幅度随时间变化的非平稳建模需求。迁移假设依赖时间序列结构、观测模型和可用数据规模，可复用层级先验及滤波／平滑框架，但需要改造多通道观测与噪声模型，并核对所选 GP 的 SDE 表示条件。低信噪比可能使幅度变化与伪迹混淆，通道增加可能抬高状态估计成本，小数据与跨被试差异也可能造成先验失配。可先在固定被试内划分下，比较该方法与平稳状态空间 GP 对遮蔽 EEG 片段的重建误差、预测不确定性及运行时间，检验非平稳层级建模是否带来收益；这不等同于验证 BCI 解码效果。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将层级非平稳 GP 回归转化为序贯状态估计的机制；作者报告计算复杂度随观测数量线性增长，但其在 EEG 上的适用性与效率收益尚未验证。

  4. OpenReview · State space models71

    状态空间人工神经网络的改进初始化方法

    基于摘要分析。本文研究黑箱非线性状态空间系统辨识中的参数初始化问题，提出针对递归人工神经网络状态空间模型的改进初始化方法，并强调在模型结构中保留显式线性项的重要性。核心目标是降低非线性优化收敛到性能较差局部极小值的风险。 机制上，人工神经网络用于灵活表示状态方程与输出方程，待优化参数包括网络权重和偏置。所提方法从非线性系统的线性近似出发初始化部分网络权重，其余权重使用随机值或零初始化。摘要未说明线性近似的获取方式、各类初始化对应的具体参数、显式线性项的位置，以及损失函数和优化流程，相关细节尚未验证。 作者报告，在两个基准示例上，相较此前提出的方法，该初始化方案展现了有效性。摘要未提供基准名称、数据划分、对照方法名称、评价指标或数值，因此尚不能判断提升幅度及适用范围；实验协议、消融及统计信息尚未验证。复现需进一步核对模型方程、线性模型辨识过程、随机初始化设置，以及是否在相同模型容量和优化预算下比较。 平台推测（待验证）：若 EEG 任务可表述为连续时序的状态演化与观测预测，该方法可能对应小数据下递归模型训练不稳定的问题。可复用的是以线性近似初始化非线性模型及保留显式线性项的思路；需改造的是 EEG 观测方程、通道组织与任务目标。迁移依赖足够的连续序列及可辨识的线性动态，低信噪比、跨被试差异或通道变化可能使线性近似失配。一个可检验的小实验是在固定 EEG 被试内预测协议下，对比随机初始化与该初始化，并分别控制显式线性项的有无，考察多次随机运行的预测误差与收敛稳定性；这属于迁移假设，不是已证实的 BCI 效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何将系统的线性近似用于递归状态空间神经网络初始化，以及显式线性项是否改善优化；摘要仅报告两个基准示例，EEG/BCI 适用性尚未验证。

  5. OpenReview · State space models76

    非线性状态空间模型的高斯变分状态估计

    基于摘要分析。本文研究非线性状态空间模型中的滤波与平滑：由于非线性函数积分通常难以求解，状态后验分布往往没有闭式解，作者采用基于变分推断的假设高斯近似，并将状态估计重新表述为优化问题。 核心机制是以高斯分布近似所需的状态分布，再使用具有精确一阶和二阶导数的标准优化程序求解。摘要称，该方法所需假设较少，可直接用于具有高斯或非高斯概率模型的非线性系统；但这不意味着近似后验能够完整保留非高斯分布的多峰性或尾部特征。具体变分目标、高斯分布参数化、滤波与平滑的计算流程及导数计算方式尚未验证。 作者报告，在一个具有挑战性的标量系统、一个简单机器人系统模型，以及采用 von Mises-Fisher 分布的目标跟踪问题中，该方法优于其他假设高斯状态估计方法。摘要未提供具体指标、数值或对照算法名称，实验协议、消融及统计信息尚未验证，也不能据此判断实时计算成本或优势的适用范围。 平台推测（待验证）：若 EEG 问题可以明确建模为潜在状态的非线性动态演化及带噪观测，该优化式状态估计机制可能用于潜在神经状态跟踪。它依赖可计算的状态转移与观测概率模型，而不是直接面向 EEG 分类的训练框架；可考虑复用变分优化求解部分，但需要重新设计 EEG 观测模型、动态模型及参数辨识过程。低信噪比、跨被试差异、通道变化和小数据下的模型失配，均可能削弱估计稳定性；高斯近似也可能难以描述多峰后验。 一个可检验的小实验是：先在具有已知潜在状态的模拟 EEG 观测上固定同一动态模型与噪声条件，对比该方法与其他假设高斯滤波、平滑方法的状态估计误差和计算耗时，再逐步降低信噪比以检验优势是否保持。这仅是迁移假设，不构成已验证的 EEG 或 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将非线性滤波与平滑统一表述为可使用精确一阶、二阶导数求解的高斯变分优化问题的机制；作者报告的性能优势及其对 EEG 状态估计的适用性仍需分别核对与验证。

  6. OpenReview · EEG72

    基于三维特征表示与空洞全卷积网络的 EEG 情绪识别

    基于摘要分析。针对高维 EEG 情绪识别中稳健且具有代表性的特征学习问题，研究提出结合三维特征表示与空洞全卷积网络的框架 3DFR-DFCN，将电极空间关系及频带相关信息组织为输入，并引入谱范数正则化以降低模型对受扰动 EEG 特征的敏感性。 方法首先将一维特征序列扩展为不同频带的二维电极网格，以利用通道间与频带间相关信息；再将多个激活模式下的电极网格构建为三维 EEG 数组，捕捉其互补信息。DFCN 对该数组进行跨频带、跨通道特征学习，谱范数正则化项（SNR）用于约束扰动敏感性。摘要未明确激活模式的定义、原始特征类型、三维数组各轴的具体组织方式及正则化的数学形式，这些细节尚未验证。 作者报告在 DEAP 和 DREAMER 上开展了被试依赖与被试独立实验。DEAP 上，两类实验按被试依赖／被试独立顺序，valence 分类平均 Accuracy 为 94.59%／81.03%，arousal 为 95.32%／79.91%，dominance 为 94.78%／80.23%。这些数值属于不同评估协议，不能混为单一性能结论；摘要未提供具体数据划分、分类标签设置、对照基线或 DREAMER 的结果数值。 研究的可核对价值在于检验空间与频带信息联合组织、空洞卷积及谱范数正则化各自的贡献，以及其在被试独立条件下的有效性。复现需核对特征提取流程、电极网格映射、激活模式构造、训练配置与划分协议；实验协议、消融及统计信息尚未验证。摘要提出该信息整合对实际或临床情绪评估有意义，但不能据此视为已完成临床有效性验证。

    阅读价值：值得核对其三维 EEG 特征组织与谱范数正则化如何支持跨通道、跨频带学习，以及 DEAP 上被试依赖与被试独立评估结果的差异，但具体划分和稳健性证据尚未验证。

  7. OpenReview · EEG65

    一种用于去除 EEG 肌肉伪迹的新型卷积神经网络模型

    基于摘要分析。该研究针对 EEG 中肌电（EMG）伪迹去除效果受限及模型过拟合的问题，提出一种特征维度逐渐增加、同时对时间序列进行下采样的卷积神经网络（CNN），探索网络架构对去噪性能与泛化能力的影响。 核心机制是沿网络处理过程逐步提高特征维度，并降低时间序列分辨率。摘要明确给出了这两项结构设计，但未提供具体层数、卷积配置、下采样方式、损失函数及训练细节，因此尚不能确定各设计对效果的独立贡献，也不能将作者观察到的改善归因于某一单独模块。 作者报告，在 EEGdenoiseNet 上，该模型显著优于四个基准网络，并相较其他类型的卷积网络大幅缓解过拟合。摘要未给出基准名称、评价指标、数值、数据划分或被试内／跨被试等协议背景，因而目前不能量化改进幅度，也不能确认其对真实采集 EEG 或跨被试场景的适用性。实验协议、消融及统计信息尚未验证。 复现时值得核对训练与测试数据的构建及划分方式、肌电污染条件、过拟合的判定依据，以及去除伪迹后是否保留有效 EEG 成分。作者将结果解释为深层网络架构可能有助于避免过拟合并改善 EMG 伪迹去除；这一解释仍需结合全文中的对照与消融证据评估。代码、模型配置及完整复现条件尚未验证。

8月1日周六
  1. OpenReview · EEG69

    利用 Wasserstein 生成对抗网络建模 EEG 数据分布以预测 RSVP 事件

    基于摘要分析。研究针对 EEG 采集流程复杂、长时间佩戴舒适度下降所造成的数据获取限制，提出带梯度惩罚的 Wasserstein Generative Adversarial Network（WGAN-GP）合成 EEG，并扩展为带分类分支的类别条件模型，用于快速序列视觉呈现（RSVP）目标事件分类。 核心方法是通过生成对抗建模学习 EEG 数据分布。作者将频率伪影与训练不稳定性列为时序 EEG 合成中的建模挑战，并提出 WGAN-GP 加以应对；摘要未给出针对频率伪影的具体处理机制。类别条件变体进一步引入类别信息和分类分支，但条件注入方式、分类分支结构、损失组合及训练流程尚未验证，不能据此认定分类提升来自合成数据增强。 作者报告，所提网络可生成类似 RSVP 实验中 EEG 信号的单通道与 64 通道数据，并验证了生成样本的有效性；摘要未提供验证指标或具体结果。分类评估采用被试内、跨会话协议，作者报告类别条件 WGAN-GP 的 RSVP 目标事件分类表现优于 EEGNet，但未给出指标名称、提升幅度、被试数、数据划分或基线配置，不能外推至跨被试或跨数据集场景。 复现时需核对生成样本有效性的评价标准、频谱与时序特征保真度、训练和测试会话划分，以及生成任务与分类任务如何协同训练。实验协议、消融及统计信息尚未验证；网络实现、预处理设置和代码可用性也需通过全文或补充材料确认。

1月12日周日
  1. OpenReview · Representation learning66

    基于低秩表示的半监督极限学习机用于自动视盘检测

    基于摘要分析。该研究面向糖尿病视网膜病变自动筛查中的视盘检测，提出 low-rank representation based semi-supervised extreme learning machine（LRR-SSELM），旨在应对可靠标注成本高、标注样本比例较小，以及视网膜图像中复杂血管结构具有非线性关系的问题。 方法将低秩表示（LRR）与半监督极限学习机结合。作者将其贡献概括为：利用半监督学习处理仅部分样本有标签的情形，引入非线性分类器刻画高维观测空间中的非线性关系，并通过 LRR 保持原始数据的局部与全局结构。摘要未给出低秩表示的构建方式、结构约束、目标函数及优化流程，这些机制细节尚未验证。 作者报告在 DIARETDB0、DIARETDB1 和 Messidor 三个公开数据库上进行了验证，并称实验结果显示方法的优势与有效性。摘要未提供具体指标、结果数值、标注比例、数据划分或对照基线，因此无法判断性能增益大小，也无法比较不同数据库上的泛化表现。实验协议、消融及统计信息尚未验证，代码与复现条件亦需核对全文。 本文的主要研究对象是眼底图像中的视盘检测，而非 EEG 解码或 BCI。低秩表示与半监督学习可作为通用方法线索，但当前材料不足以建立其对神经信号任务的具体有效性；已有 EEG 相关工作尚未检索确认。

1月1日周三
  1. OpenReview · EEG63

    利用 EEG 进行语音合成

    基于摘要分析。本文研究能否从 EEG 特征预测声学特征并合成语音，采用循环神经网络（RNN）回归模型建立 EEG 到声学特征的直接映射。作者报告了四名被试的 EEG 语音合成结果，并据此认为直接从 EEG 特征合成语音具有可行性。 方法方面，研究使用此前工作 [1] 提出的不同 EEG 特征集，而非摘要中明确提出的新特征提取机制。RNN 的预测目标是声学特征，但特征定义、时间对齐方式、损失函数、训练细节以及从声学特征生成波形的流程尚未验证，不能据此将其描述为直接输出语音波形的端到端系统。 数据包含两类记录条件：被试说话时同步记录的 EEG，以及被试听语音时同步记录的 EEG。这两种条件对应不同的神经活动与任务背景，结果应分别理解；摘要未涉及运动想象、想象语音或无声表达条件，因此不能把其可行性结论直接推广为无声语音 BCI 的有效性。 摘要没有提供定量指标或对照结果，当前只能确认作者报告了四名被试的合成结果，无法判断语音可懂度、声学重建质量或泛化能力。实验协议、数据划分、被试内或跨被试设置、消融及统计信息尚未验证。复现时需核对 [1] 中 EEG 特征的定义、同步 EEG 与语音的处理流程、训练与测试划分、语音重建方法及评价标准；说话条件下肌电等非脑源成分的处理也属于需核对事项，不能仅凭摘要断言存在混杂。

  2. OpenReview · Representation learning67

    双重图表示学习

    基于摘要分析。本文研究图节点表示如何适应未见节点及不同节点上下文，提出上下文感知的无监督双重编码框架 CADE，将实时邻域与邻居注意力表示结合，并保留已知节点的额外记忆。 原论文的主要对象是通用图表示学习，而非 EEG 或 BCI。作者指出，多数图嵌入框架具有直推式特征，难以推广到未见节点或在不同图之间学习表示；已有归纳式方法虽能处理未见节点，但对节点上下文及双重表示学习的考虑不足。CADE 的机制线索是结合当前邻域信息与已知节点记忆，但摘要未说明两种编码的具体定义、注意力计算、记忆更新方式、损失函数以及训练和推理流程，尚不能据此重建实现。 作者报告，通过与当时的先进方法比较验证了方法有效性。摘要未提供数据集、划分协议、对照名称或数值指标，因此不能确认未见节点与跨图泛化分别获得了怎样的收益；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 被表示为以通道为节点、以功能连接为边的图，实时邻域与节点记忆的组合可能用于建模连接变化及相对稳定的通道特征。可考虑复用邻域聚合思路，但图构建、节点身份对应及记忆更新需适配 EEG；该假设依赖有意义的图结构和可对应的节点身份。低信噪比可能使邻域不稳定，跨被试或通道配置变化可能使记忆失配，小数据也可能限制表示学习。可检验的小实验是在同一 EEG 数据与固定划分下，对比包含记忆和不包含记忆的实现，并观察通道缺失时下游性能的变化；实施前须取得全文并核对方法定义。已有 EEG 相关工作尚未检索确认。

  3. OpenReview · State space models65

    通过抽象状态空间动态专门化实现自动策略分解

    基于摘要分析。本文研究深度强化学习中 options（面向子目标的策略或动作宏）可能扩大动作搜索空间的问题，提出在 DQN 的高层引入多个专门化头，分别学习状态空间局部区域的动力学与最优策略，并根据状态预测质量确定各头对当前策略的贡献。 核心机制是利用状态空间的连接结构：作者认为，状态空间通常存在内部连接较密集、区域间连接较少的局部区域。模型据此分解策略学习任务，以各头的状态预测质量判断其是否为当前状态的局部专家。与将 options 作为各处均可选择的动作相比，该方法尝试通过局部专家的贡献分配组织策略，而非单纯增加候选动作。摘要未说明区域如何形成、预测目标与损失如何定义，以及专家贡献如何组合，相关实现尚未验证。 作者报告，该方法能够学习类似 options 和 generalized value function 的行为或表示。摘要未提供任务、环境、对照基线或量化指标，因此不能据此判断其性能优势、样本效率或泛化能力；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 驱动的交互控制任务具有可重复的局部状态结构，这种基于动力学预测质量的专家加权机制可能用于策略切换，但原论文研究的是强化学习策略分解，并非 EEG 解码。迁移依赖可定义的状态、动作、奖励及连续交互数据；可复用的是多头策略和专家加权思路，需改造 EEG 状态表征与预测目标。低信噪比、跨被试差异、通道变化和小数据可能使预测质量更多反映观测噪声，而非专家对局部动力学的掌握。一个可检验的小实验是在固定 EEG 状态表征及相同交互预算下，对比单头 DQN 与该多头机制的任务回报和专家分配稳定性。相关 EEG 工作尚未检索确认。

  4. OpenReview · EEG65

    基于堆叠可微分神经计算机的 EEG 数据分析

    基于摘要分析。研究围绕如何扩展可微分神经计算机（Differentiable Neural Computer，DNC）的学习能力并用于 EEG 数据分析，提出堆叠增强版 DNC 的架构。核心贡献是将原有 Long Short-Term Memory（LSTM）控制器替换为循环卷积网络控制器，并调整记忆访问结构，以处理 EEG 地形图数据。 机制方面，作者先通过与常规循环神经网络对比，对 DNC 的架构本质给出直观解释，并讨论其可堆叠性；随后提出面向 EEG 的堆叠架构。摘要明确涉及控制器、记忆访问与堆叠三个设计环节，但未提供堆叠层数、模块连接方式、记忆读写细节、损失函数或训练流程。循环卷积控制器如何利用 EEG 地形图的空间结构，以及不同改造分别贡献多少性能，尚需核对正文。 结果方面，作者报告在一个开源 EEG 数据集上获得比较中的最高平均 Accuracy；在一个专有 EEG 数据集上，经参数微调后获得比较中的最低平均误差。摘要未给出数据集名称、具体任务、数值、对照基线、被试数量或数据划分，也未说明属于被试内、跨被试还是跨会话评估，因此不能据此判断提升幅度或泛化能力，两种指标也不能直接互换比较。作者还通过分析训练后模型的行为特征，讨论堆叠 DNC 用于 EEG 信号处理的适用性与潜力；具体分析证据尚未验证。 复现时应优先核对 EEG 地形图构建方法、控制器与记忆访问实现、微调协议及基线设置，并确认开源数据的获取条件和专有数据结果的可复核范围。实验协议、消融及统计信息尚未验证；摘要提及数据集开源，不等于模型代码或权重已公开。

  5. OpenReview · EEG47

    基于 EEG 的源定位与功能连接分析

    基于摘要分析。该研究关注单试次运动想象（MI）任务中的 EEG 源定位与功能连接估计，使用 Brainstorm 工具箱开展分析，旨在从头皮 EEG 进一步刻画信号来源及其功能连接。 作者指出，源定位与连接估计的准确性受到头模型和逆建模方法影响。摘要明确了分析任务及工具，但未说明具体头模型、逆解算法、功能连接指标，也未交代预处理、源空间构建及单试次分析的实现方式，因此尚不能判断其方法创新或各模块对结果的贡献。 数据方面，作者报告使用原文称为“nature dataset”的数据，涉及 12 名被试、29 次记录和 19 通道 EEG，并使用 MATLAB；该数据集的正式身份尚未验证。摘要未提供被试内或跨被试评估协议、任务细节、对照基线及量化结果，不能据此判断定位精度、连接稳定性或 BCI 解码收益。实验协议、消融及统计信息尚未验证。 复现时需核对数据来源、通道坐标、参考方式、头模型与逆解参数，以及连接分析如何处理源泄漏和体积传导影响。19 通道采集条件下源定位的空间分辨能力，以及单试次连接估计的可靠性，是值得进一步验证的问题，而非摘要已证实的局限。该材料主要支持对 EEG 源空间分析流程的了解，不构成已验证的 BCI 性能提升证据。

  6. OpenReview · Representation learning70

    AttrE2vec：无监督属性边表示学习

    基于摘要分析。该研究面向带属性网络中的边表示学习，提出无监督归纳式方法 AttrE2Vec，将边编码为低维向量，补充以节点或整图为中心的图表示学习方法。其核心贡献是联合捕获边的拓扑邻近性、属性亲和性与特征相似性，为边分类和边聚类提供表示。 机制与证据：方法依赖图的连接结构及属性信息，摘要将其定位为不依赖监督标签的归纳式学习，但未说明具体编码器、邻域采样、损失函数或对未见边与未见图的处理方式。作者报告，相较同期方法，所得边表示在下游任务的 AUC、accuracy 等质量指标上更优，并以低维嵌入投影分析作为补充证据。摘要未给出数据集、划分方式、基线名称、具体数值及指标与任务的对应关系，因此不能判断提升幅度或跨协议可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为以通道为节点、以连接关系为边且附带连接特征的图，边表示学习可能对应连接特征难以同时利用局部拓扑与属性的问题。这一假设不同于原论文已验证的网络任务。可考虑复用其边编码思路，但需适配 EEG 连接估计、边属性定义及不同被试的通道对应关系。低信噪比可能造成不稳定边，跨被试连接差异、通道缺失及小数据规模也可能使表示失效。 一个可检验的小实验是：在固定连接估计方法和严格跨被试划分下，仅以训练被试数据学习边表示，比较原始连接特征与 AttrE2Vec 表示在同一简单下游分类器中的效果，并检验结果对连接扰动的稳定性。该方案尚属迁移假设，需先取得全文核对归纳式实现与训练条件；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将边的拓扑邻近性与属性信息结合为无监督归纳式表示，但具体实现、对照协议及向 EEG 连接图迁移的有效性尚未验证。

  7. OpenReview · State space models80

    深度状态空间高斯过程

    基于摘要分析。该研究针对深度高斯过程（DGP）回归的计算问题，通过状态空间表示，将层次化 GP 回归转化为可用序贯方法求解的状态估计问题，并提出状态空间最大后验（MAP）估计、贝叶斯滤波与平滑方案。 核心机制是在层次结构中，为下一层 GP 的长度尺度与幅度设置经过变换的 GP 先验，使这些特征能够随输入变化。作者将 DGP 表示为由线性随机微分方程（SDE）组成的非线性层次系统，其中每个 SDE 对应一个条件 GP，再利用状态空间 DGP 的马尔可夫性质进行序贯估计。这一区别于直接处理整体 GP 回归的计算路径，是理解该方法的重点；它不是通常意义上的深度神经网络结构。作者报告计算复杂度随测量数量线性增长，但具体适用的 GP 类别、状态维度及近似条件尚未验证。 作者报告在合成非平稳信号上展示了模型与方法的表现，并将方法用于 LIGO 测量中的引力波检测。摘要未提供具体指标、对照基线或数据划分，因此不能据此判断性能优势的幅度。实验协议、消融及统计信息尚未验证；复现还需核对先验变换、SDE 构造、离散化与推断设置，代码可用性尚未验证。 平台推测（待验证）：迁移假设是，随时间变化的长度尺度与幅度先验可能适合描述 EEG 的非平稳性，而序贯估计可能有助于长时序处理。可复用的是层次先验及滤波、平滑框架；需改造的是多通道观测模型、通道间关系及噪声模型。该方法依赖可构造状态空间表示的 GP 与序列观测，但摘要不足以确定其监督形式和数据规模要求。低信噪比、伪迹、跨被试差异和小数据条件可能使层次参数难以辨识。一个可检验的小实验是在固定被试内划分与相同观测条件下，比较该方法与平稳状态空间 GP 的 EEG 时序回归误差、预测不确定性校准及运行时间；滤波与平滑应分别评估。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将层次化非平稳 GP 回归转为状态估计的机制，以及作者所述计算复杂度随测量数量线性增长的适用条件；对 EEG 时序建模的价值尚待验证。

  8. OpenReview · EEG73

    使用深度编码器—解码器网络进行 EEG 通道插值

    基于摘要分析。本研究针对电极与皮肤表面连接自发失效产生的 electrode “pop” 伪迹，将 EEG 通道插值表述为自学习任务，使用深度编码器—解码器网络重建受损片段，旨在维持下游应用所需的数据连续性。 方法与评估：作者在一个公开 EEG 数据集上，将该方法与当时的插值方法进行比较，并在模型训练未使用的被试和任务上测试泛化能力。摘要未说明自学习任务如何构造、网络结构、损失函数、受损片段模拟方式，以及推理时可用的通道与时间上下文；因此尚不能判断模型主要利用空间通道关系、时间结构，还是二者结合。 结果：作者报告，在训练未见的被试和任务测试条件下，相对所比较方法的改进至少约为 15%。摘要没有给出该改进对应的指标、计算口径、具体基线与数据划分，不能将其解释为 Accuracy 提升或百分点增幅。作者另报告，迁移学习可进一步改善新被试与新任务上的表现，但适配数据量、监督条件及增益尚未验证。 复现与应用边界：作者称研究相关代码和数据均已开源；具体资源及运行条件尚未核验。全文需重点核对插值目标与评价指标、训练测试划分、迁移学习协议，以及重建后是否保留下游任务相关信息。平台推测（待验证）：信号重建改善可能有助于 BCI 数据连续性，但不等同于已验证的 BCI 性能提升。摘要所称“首次使用深度学习解决 EEG 插值问题”属于作者主张，尚未检索确认；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其在训练未见被试与任务上的 EEG 通道插值评估，以及迁移学习的适配条件，以判断深度编码器—解码器能否改善电极接触失效后的信号重建。

  9. OpenReview · EEG57

    从声学特征生成 EEG 特征

    基于摘要分析。研究探讨能否从声学特征预测 EEG 特征，采用基于 recurrent neural network（RNN）的回归模型和 generative adversarial network（GAN），并将这一映射方向与从 EEG 特征生成声学特征的语音合成任务进行比较。其主要研究对象是跨模态特征生成，而非直接的 BCI 控制或解码性能提升。 方法方面，摘要说明研究预测了多种 EEG 特征，但未列出特征类型、声学表示、RNN 与 GAN 的具体结构，也未说明两类模型是独立评估还是组合使用。训练目标、时间对齐方式及生成特征的生理解释尚未验证，不能将特征预测等同于原始 EEG 波形重建。 作者报告，在使用相同数据集测试时，从声学特征生成 EEG 特征的 RMSE 和归一化 RMSE 低于反方向的 EEG 到声学特征生成。摘要未提供具体数值、数据集名称、被试数量或被试内、跨被试及跨会话划分。两种方向的目标特征不同，因此需核对特征尺度、归一化定义、目标维度、数据划分与对照模型，才能判断误差差异的意义；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若配对语音与 EEG 数据中的映射在未见被试上仍成立，声学到 EEG 的预测可能用于研究与语音相关的 EEG 特征中哪些成分可由声学信息解释，但不意味着可以恢复全部脑活动或替代 EEG 采集。可检验的小实验是在严格配对、时间对齐的数据上采用跨被试留出，对比 RNN、GAN 与简单回归基线，并以打乱语音与 EEG 配对作为对照。EEG 低信噪比、被试差异、通道配置变化和小样本训练均可能削弱映射稳定性。相关 EEG 工作尚未检索确认。

  10. OpenReview · EEG65

    采用稀疏贝叶斯极限学习机的 BCI EEG 分类

    基于摘要分析。该研究针对运动想象（MI）任务中 mu 节律较弱、易受背景噪声污染而导致 EEG 分类困难的问题，提出基于稀疏贝叶斯极限学习机（SBELM）的分类算法，将 extreme learning machine（ELM）与稀疏贝叶斯学习结合，以改善 MI 分类性能。 核心机制是利用概率推断自动控制模型复杂度，并排除冗余隐含神经元。其可核对的研究价值在于：稀疏化是否能够在保留判别信息的同时降低模型冗余，以及这种复杂度控制是否带来稳定的分类收益。摘要未说明具体先验、推断步骤、特征提取方法或超参数设置，不能据此还原完整训练与推理流程。 作者报告，在 BCI Competition IV IIb 公共数据集上，与若干竞争算法比较时，SBELM 获得了更优的分类 Accuracy。摘要未给出具体数值、比较算法清单，也未说明采用被试内、跨被试还是跨会话协议，因此该结论只能限定于作者所述实验，不能扩展为其他数据集或部署场景下的优势。摘要关于 ELM 相对支持向量机效率的表述属于研究背景，不足以确认本研究的运行时间收益。 复现时需核对 EEG 预处理与特征构建、训练测试划分、模型选择过程、稀疏化前后隐含神经元的变化，以及各基线是否采用一致的输入和调参条件。实验协议、消融及统计信息尚未验证；现有材料也不足以判断性能改善主要来自复杂度控制、抗噪能力还是其他实现因素。

  11. OpenReview · EEG74

    使用深度编码器—解码器网络进行 EEG 通道插值

    基于摘要分析。该研究针对电极与接触表面瞬时失去连接所产生的 electrode “pop” 伪迹，将受损 EEG 片段的插值表述为 self-learning 任务，使用深度编码器—解码器网络进行重建，旨在维持 EEG 数据连续性，为包括 BCI 在内的下游应用提供可用信号。 技术机制：摘要明确提出以编码器—解码器学习插值，但未说明输入通道配置、受损片段的构造方式、学习目标、损失函数或网络结构；“self-learning”也不足以确定其具体监督方式。研究进一步使用迁移学习适配新被试与新任务，具体更新策略及所需适配数据尚未验证。 评估与结果：作者报告，在一个公开 EEG 数据集上与当时的插值方法比较，在测试被试和任务均未用于模型训练的条件下，改进幅度至少约为 15%。摘要未给出对应指标、计算口径和基线名称，因此不能将该数字解释为 Accuracy 提升或百分点变化，也不能据此比较不同评估协议。作者还报告迁移学习可进一步改善新被试与新任务上的表现，但摘要没有提供具体数值。 复现与边界：作者称相关代码与数据均已开源，所给材料未提供具体仓库位置；作者将其定位为据其所知首个使用深度学习解决 EEG 插值问题的方案，该优先性主张尚未独立核实。全文阅读时需核对数据集、被试及任务划分、伪迹模拟与真实伪迹的关系，以及插值是否保留 EEG 时空特征和下游 BCI 所需信息。实验协议、消融及统计信息尚未验证；插值误差改善不等同于已验证的 BCI 解码收益。

    阅读价值：值得阅读的具体原因是作者在训练未见的被试与任务上评估 EEG 通道插值，并探索迁移学习对新被试和任务的适配，但改进幅度的指标定义与实验协议尚需核对。

12月31日周二
  1. OpenReview · EEG67

    用于学习多种智能任务的通用 EEG 编码器

    基于摘要分析。该研究针对 EEG 分类中依赖任务特定特征提取与分类、难以推广到其他 EEG 任务的问题，提出基于 GRU 的通用深度编码架构，在公开数据集上的五种不同 EEG 分类任务中提取特征，尝试形成不依赖任务与数据格式的表征。 核心机制是使用 GRU 进行 EEG 编码，以替代分别为各任务设计特征提取流程。摘要未提供输入组织方式、不同格式的适配方法、训练目标及分类器配置，也未明确五种任务采用联合训练、分别训练还是迁移评估。因此，“通用编码器”不能直接等同于已验证的跨任务预训练模型，任务与格式独立性也需结合具体协议判断。 作者报告，该架构在所开展的大多数实验中优于 EEGNet，并与 CNN 和 Autoencoder 网络进行比较；摘要将这些比较关联到局部、空间、时间及无监督分析。材料没有提供各任务名称、数据集名称、被试数、具体指标或提升幅度，也未说明被试内、跨被试、跨会话或跨数据集划分，因而不能据此量化优势或判断不同协议下的泛化能力。 复现时应重点核对各任务的数据预处理与输入格式、编码器参数是否共享、训练和测试的数据划分，以及各基线的配置与评估指标。这些信息决定性能提升能否支持“通用表征”的结论，而不只是同一架构适用于多个任务。实验协议、消融及统计信息尚未验证，代码与运行条件亦尚未验证。

6月6日周四
  1. OpenReview · EEG65

    用于精神分裂症检测的场景自由观看期间 EEG 分类

    基于摘要分析。该研究探索自然场景自由观看期间的 EEG 能否作为精神分裂症的候选生物标志物，并利用图像呈现起始时刻锁定的平均 EEG 活动，对精神分裂症患者与健康对照进行分类。 方法上，研究在患者自由观看自然场景时记录 EEG，分析与图像起始时刻对齐的平均活动。作者报告，患者与健康对照在图像呈现后约 500 ms 的枕区 EEG 活动上存在显著差异，并利用这些差异训练分类器。摘要未说明具体特征构建、分类算法、预处理及显著性检验方法，尚不能据此判断分类信息的稳定性或生理特异性。 结果方面，作者报告，在其患者与健康对照分类评估中，最佳分类器的患者检测敏感度为 81%，健康对照检测特异度为 59%，总体 Accuracy 为 71%。摘要未提供样本量、类别比例、训练与测试划分，也未说明采用被试内还是跨被试评估，因此这些指标仅能按原摘要所述协议范围理解，不能直接与其他研究比较。特异度提示健康对照的识别仍有明显改进空间，整体 Accuracy 也不能替代对两类识别表现的分别考察。 作者认为，自由观看范式下的 EEG 具有支持精神分裂症诊断的潜力；当前摘要证据支持的是患者与健康对照的分类可行性，而非已验证的临床诊断工具。复现与进一步评估需核对被试纳入条件、用药与疾病状态、眼动及其他伪迹处理、特征选择与数据划分的关系，以及独立样本泛化表现。实验协议、消融及统计信息尚未验证。

1月1日周二
  1. OpenReview · EEG66

    利用 EEG 的口语语音增强

    基于摘要分析。该研究关注背景噪声下已说出语音的增强，探索利用与语音同步记录的 EEG 特征清理带噪语音；其主要对象是 EEG 辅助的语音增强，而非仅凭 EEG 解码语音内容。 方法方面，作者使用基于 generative adversarial network（GAN）的模型、基于 gated recurrent unit（GRU）的回归模型、基于 temporal convolutional network（TCN）的回归模型，以及混合 TCN GRU 回归模型。摘要明确了这些建模路线，但未提供 EEG 特征定义、声学输入与输出表示、跨模态融合方式、损失函数或训练与推理流程，不能据此判断各模型如何利用 EEG 信息。 结果方面，在使用同步 EEG 与含背景噪声语音的增强任务中，作者报告所提方法相较传统 log minimum mean-square error（log MMSE）语音增强算法显著改善语音增强质量。摘要未提供具体评价指标、改善幅度、噪声条件或统计检验，因此这里的“显著”仅保留为作者报告，不能确定其统计含义。作者同时声称，据其所知，这是首次利用与口语语音同步记录的 EEG 特征展示口语语音增强；该优先性主张尚未独立核验。 复现时需核对同步采集与对齐方式、EEG 预处理及特征提取、带噪与目标语音的构造方式、被试与数据划分，以及 log MMSE 基线配置。还需确认是否通过相同模型下的有无 EEG 对照区分神经信号贡献与模型能力差异，并检查说话过程中的肌电或运动伪迹控制。数据集、被试数、被试内或跨被试协议、实验协议、消融及统计信息尚未验证，不能将摘要结论直接外推至跨被试或实际部署条件。

  2. OpenReview · EEG64

    使用 EEG 的先进语音识别及从 EEG 解码语音频谱的探索

    基于摘要分析。本文研究如何利用 EEG 进行含噪条件下的连续英语语音识别，并进一步探索从 EEG 特征解码语音频谱。核心贡献是在不同实验条件下考察端到端自动语音识别（ASR）模型，并以基于 LSTM 的回归模型和基于 GAN 的模型探索连续声学输出。 识别部分采用不同类型的先进端到端 ASR 模型处理 EEG 信号；摘要未说明具体模型名称、EEG 输入表征、训练目标或解码策略。频谱解码部分分别使用 LSTM 回归与 GAN 建模，但频谱表示、监督配对方式、GAN 的生成目标与损失形式尚未验证。文本识别与频谱预测属于不同输出任务，不能将其结果视为同一性能指标。 作者报告，在不同实验条件下，EEG 用于连续含噪语音识别具有可行性，并给出从 EEG 特征合成语音的初步结果。摘要未提供词汇规模、数据集、被试数、噪声类型与强度、评价指标或具体数值，因此无法核实标题中“State-of-the-art”的比较依据，也不能据此判断相对基线的优势。 复现与解释结果时，需要核对 EEG 对应的是听觉感知、实际发声还是其他任务，是否使用额外声学输入，以及 EEG 与语音的时间对齐方式、预处理和伪迹控制。还需确认被试内、跨被试或跨会话划分与评价协议，才能判断模型的泛化范围。实验协议、消融及统计信息尚未验证；摘要所述初步结果不足以证明对未发声语音的解码能力或实际 BCI 应用效果。

  3. OpenReview · EEG68

    EEGNAS：用于 EEG 数据分析与解码的神经架构搜索

    基于摘要分析。EEGNAS 研究如何自动寻找适合 EEG 分析与解码的神经网络架构，以减少手工设计所需的专业知识与人力投入。其核心方法是采用遗传算法优化多个 EEG 处理任务的网络架构，并针对每位被试标注数据量少、被试间信号模式差异大这两个问题开展研究。 技术机制方面，遗传算法用于架构搜索，候选架构围绕具体任务与数据进行优化。摘要特别强调一种面向所有被试的优化方式：将所有被试的数据混合，用于架构演化与模型训练。搜索空间、架构编码、遗传操作、适应度定义、训练损失及计算预算均尚未验证，不能据此推断具体网络结构。 作者报告，搜索得到的架构可与文献中的先进架构竞争，其中面向所有被试、使用混合数据进行演化和训练的架构尤其成功。摘要未提供具体任务、数据集、被试数量、评价指标、分数或对照名称，因此该结论只能保留为作者的定性报告。混合多被试数据训练不等于已验证对未见被试的泛化；结果究竟来自被试内还是跨被试评估，尚需查阅全文。 复现时应重点核对架构搜索与最终评估的数据划分、搜索阶段使用的验证数据、各基线的训练条件，以及混合被试方案与单被试方案的比较协议。实验协议、消融及统计信息尚未验证，代码可用性与复现资源需求也尚未验证。本文的可核对价值在于探索 EEG 专用自动架构设计，而非仅凭摘要确认其达到 SOTA 或解决了跨被试泛化问题。

  4. OpenReview · State space models73

    基于多通道非负矩阵分解的状态空间模型语音去混响快速收敛算法

    基于摘要分析。本文研究多通道语音去混响中状态空间模型的参数优化效率，提出一种省去 Kalman smoother 步骤的迭代算法，以降低传统期望最大化（EM）优化中的计算负担。研究对象是声学语音去混响，并非 EEG 解码或 BCI。 核心机制是在参数优化阶段固定潜在状态向量的部分充分统计量，据此构造原始状态空间模型对数似然的近似代价函数，并采用类似多通道非负矩阵分解的辅助函数方法优化参数。所需充分统计量由 Kalman filter 部分估计，算法交替执行 Kalman filter 与近似代价函数最小化，无需传统方法使用的 Kalman smoother。具体固定哪些统计量、辅助函数形式及近似成立条件尚未验证。 作者报告，在摘要所述实验中，该方法比传统方法更快地提高原始似然；在含噪环境下的语音去混响实验中能够有效降低混响。摘要未提供数据集、通道配置、噪声与混响条件、定量指标或运行时间，因此不能将似然提升更快直接等同于已证实的实时处理收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究采用具有可估计潜在状态及充分统计量的状态空间模型，该优化思路可能用于检验能否减少平滑步骤的计算开销，而不是直接复用语音去混响模型。可考虑复用滤波与辅助函数优化框架，但观测模型、噪声假设及目标函数需按 EEG 数据重建；语音多通道结构与 EEG 通道混合并不等价，低信噪比、通道相关性和小数据可能使近似优化偏离有效解。一个可检验的小实验是在固定模型、初始化与数据划分下，对比传统 EM 与该近似优化的原始似然、运行时间及状态估计误差。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其以辅助函数近似优化替代 Kalman smoother 的计算收益，以及近似目标与原始似然之间的关系；摘要支持语音去混响用途，但尚未验证 EEG/BCI 适用性。

12月31日周一
  1. OpenReview · EEG68

    深度 EEG 超分辨率：利用生成对抗网络提升 EEG 空间分辨率

    基于摘要分析。本文针对高通道数 EEG 采集设备成本较高的问题，提出基于 Generative Adversarial Networks（GANs）的 EEG 超分辨率方法，由低空间分辨率 EEG 生成通道上采样数据，插值补全缺失通道，并评估重建数据对原分类任务的影响。 核心机制是沿 EEG 通道维度进行空间上采样，而非提高时间采样率。摘要未说明生成器与判别器结构、损失函数、通道布局编码方式，以及低密度输入与高密度目标如何配对，相关实现细节尚未验证。 作者报告，在一个 mental imagery 任务 EEG 数据集上，相较 bicubic interpolation 基线，所提 GAN 方法的均方误差（MSE）与平均绝对误差（MAE）分别降低约 104 倍和约 102 倍，数值按所给摘要记载。摘要未提供数据集名称、被试数量、输入及目标通道数，也未交代被试内或跨被试划分，因此不能将该结果外推到其他通道配置或评估协议。作者还报告，通过训练原任务分类器进行验证，使用超分辨率数据时 Accuracy 损失较小，但未给出具体数值及训练、测试配置。 该方法直接面向低密度 EEG 的空间重建，但生成通道不等同于新增的独立实测信号，也不能仅据摘要确认其可替代高密度设备。复现时需核对通道降采样与配对规则、数据划分、误差计算及归一化方式，以及分类器使用重建数据的具体流程；实验协议、消融及统计信息尚未验证。

  2. OpenReview · EEG67

    使用卷积神经网络的基于 EEG 的驾驶员困倦程度估计

    基于摘要分析。该研究针对 EEG 驾驶员困倦程度估计这一回归问题，将用于 BCI 分类的 EEGNet 扩展到连续值预测，并通过 spectral meta-learner for regression（SMLR）聚合多个 EEGNet。其贡献集中于分类模型向回归任务的扩展，以及 EEG 功率谱密度（PSD）输入与多模型聚合的结合。 技术路径上，摘要将原始 EEGNet 描述为三层 CNN，但未说明回归版本的具体结构改动、输出设计、损失函数或训练流程。模型以 EEG 的 PSD 而非原始时域信号作为输入，SMLR 则用于聚合多个 EEGNet 的回归预测；其聚合权重如何估计、是否依赖标签及多个模型如何构建，尚未验证。 作者报告，在驾驶员困倦程度估计实验中，PSD 输入相较原始 EEG 输入显著降低计算成本，并取得更好的回归表现；作者也报告所提出方法表现突出。摘要未提供数据集、被试数量、困倦标签定义、被试内或跨被试划分、评价指标、数值结果及完整对照，因此不能据此量化提升，也不能判断其跨被试或跨会话泛化能力。 复现时需核对 PSD 的频段、窗口与归一化方式，回归目标的构造，EEGNet 的回归适配，以及 SMLR 的实现与训练数据使用范围。实验协议、消融及统计信息尚未验证。PSD 表征与模型聚合各自贡献多少、计算成本比较采用何种条件，均需通过全文确认。

11月1日周四
  1. OpenReview · Representation learning68

    统计流形上的潜在主题文本表征学习

    基于摘要分析。该研究针对文本表征中词语语义相似性与主题多样性难以兼顾的问题，提出 Latent Topic Text Representation Learning，将文本表示为潜在主题的混合，并利用统计流形度量文本距离以支持分类。 核心机制是：假设同一主题下的词语服从高斯分布，将文本建模为多个主题组成的 Gaussian mixture model。相比摘要讨论的词向量平均表示，该方法试图保留文本内部的主题多样性，而不只用单一平均向量概括文本。统计流形用于比较这种分布型表征，但摘要未说明具体距离、主题估计方式、混合成分选择或训练与推理流程，不能据此确定所用算法。 作者报告，文本表征、分类及 topic coherence 实验支持该方法的有效性。摘要未提供数据集、数据划分、对照基线、指标数值或运行时间，因此尚不能量化效果提升，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。 平台推测（待验证）：其可迁移思路是将复杂样本表示为多个潜在状态的分布混合，再比较分布而非仅比较均值。原方法依赖可用于高斯建模的词语数值表征与主题混合结构；若 EEG 特征窗口存在可分辨的潜在状态，该机制或可用于保留非平稳活动的多状态信息。可复用的是混合分布表征与统计流形距离，需改造的是 EEG 特征提取、时间窗口、成分估计及通道对齐。低信噪比、小样本、跨被试差异和通道变化可能使混合成分不稳定，且高斯假设未必适用。一个可检验的小实验是在固定 EEG 特征与被试内划分下，对比均值表征和混合分布表征，检查分类表现及成分稳定性；这只是迁移假设，不是本文已验证结果。相关 EEG 工作尚未检索确认。

12月31日周日
  1. OpenReview · EEG66

    使用卷积神经网络的基于 EEG 的驾驶员困倦程度估计

    基于摘要分析。研究针对基于 EEG 的驾驶员困倦程度估计，将原用于 BCI 分类的 EEGNet 扩展到回归任务，并通过 spectral meta-learner for regression（SMLR）聚合多个 EEGNet 的预测，以改善连续值估计性能。 技术机制上，模型以 EEG 信号的功率谱密度（PSD）而非原始 EEG 为输入。摘要将原始 EEGNet 描述为三层 CNN，但未说明回归版本的具体结构改动、输出设计、损失函数或训练方式，不能据此确定扩展后模型的层数。SMLR 用于多模型聚合，其权重估计方式、监督需求及各 EEGNet 的差异来源尚未验证。 作者报告，在驾驶员困倦程度估计实验中，相比原始 EEG 输入，PSD 输入显著降低计算成本，并获得更好的回归性能；摘要未提供具体指标、数值或计算成本的测量口径。数据集、被试数量、困倦程度标签来源、被试内或跨被试划分、对照基线、消融及统计信息尚未验证，因此不能判断该优势的适用范围。 复现时需核对 PSD 的频段、窗长与预处理设置，EEGNet 的回归适配及 SMLR 聚合实现，并在一致的数据划分下比较 PSD 与原始 EEG 输入的回归误差和计算开销。跨被试、跨会话及实际驾驶条件下的泛化能力，也需依据全文证据进一步评估。

1月1日周日
  2. OpenReview · EEG68

    基于普适 EEG 与 EEG 分割准则的新型抑郁检测方法

    基于摘要分析。该研究针对便携式抑郁检测问题，使用三电极设备采集闭眼静息态 EEG，以 Support Vector Machine（SVM）分析信号，并提出普适 EEG 的分割准则。其主要研究对象是抑郁患者与正常被试的 EEG 分类，不是 BCI 控制任务。 方法与数据：摘要将 EEG 的复杂性、非线性和非平稳性作为研究背景，采用 Fp1、Fpz、Fp2 三个头皮电极位置。作者报告共采集 170 名被试的闭眼静息态 EEG，其中抑郁患者 81 名、正常被试 89 名。摘要未说明信号预处理、特征提取、SVM 核函数与超参数，也未给出分割准则的具体定义。 结果与统计：在上述样本的分类实验中，作者报告平均 Accuracy 为 83.07%，但摘要未说明该平均值对应的交叉验证方式、训练测试划分或被试内／跨被试协议，因此不能将其直接视为对新被试的泛化表现。作者提到采用 Friedman Test 和事后双侧 Nemenyi Test，并据此提出 EEG 分割准则；被比较的方案、显著性结果及分割准则的收益尚未验证。 局限与复现条件：作者认为该方法有效、便捷，并认为三电极设备具有抑郁检测与诊断应用前景；这些属于作者结论，不等同于已完成临床诊断效用验证。复现需核对抑郁诊断依据、采集时长与设备参数、伪迹处理、片段划分与被试划分的先后关系，以及分类评估协议。实验协议、消融及统计信息尚未验证，当前不能判断其相对其他方法的优势或临床适用范围。

  3. OpenReview · State space models68

    用于心电图的线性随机状态空间模型

    基于摘要分析。该研究面向心电图信号处理与分析，将 Wiener process acceleration model 离散化为线性随机状态空间模型，并结合固定滞后 Rauch-Tung-Striebel smoother，实现在线信号去噪、特征提取和心搏分类。 核心机制是通过状态空间模型描述信号动态，再利用固定滞后平滑估计状态。作者指出，该框架可采用闭式解求解最优滤波与平滑问题，具有快速适应心搏形态及心率突变、初始化简便快速、无需预处理、系统状态易于解释等特点。摘要未给出状态变量定义、噪声假设、参数估计方式、平滑滞后长度及分类规则，在线运行的实际延迟与计算代价尚未验证。 作者报告，在其心电图实验中，该方法相较传统 FIR filter 获得更好的信噪比，并可高准确度地在线区分正常心搏与室性早搏。摘要未提供具体数值、数据集、被试数、数据划分或 FIR 配置，因此不能判断优势幅度、跨被试泛化能力或临床适用性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设线性随机动态模型能够近似部分 EEG 信号变化，其闭式状态估计和固定滞后平滑可作为低延迟 EEG 去噪的候选模块；这不等于已验证的 BCI 效果。迁移需改造状态定义、噪声模型与多通道处理，并明确可容忍的滞后。EEG 的低信噪比、非平稳伪迹及被试和通道差异可能使模型假设失效，平滑也可能损伤 ERP 或振荡特征。一个可检验的小实验是在相同 EEG 数据与延迟约束下，对比该平滑器和 FIR 的去噪表现，同时检查任务相关波形或频谱特征是否保留；参数应在训练数据上确定。已有 EEG 相关工作尚未检索确认。

  4. OpenReview · State space models76

    用于学习非线性动力系统的灵活状态空间模型

    基于摘要分析。该研究针对非线性动力系统的学习，将状态转移函数与观测函数表示为基函数展开，并从数据中学习展开系数。核心贡献是利用与 Gaussian processes 的联系构造系数先验，以调节模型灵活性、抑制过拟合，同时设计基于序贯 Monte Carlo 的参数学习算法。 机制上，基函数展开承担非线性函数表示，系数先验则可视为正则化，用于在表达能力与泛化之间取得平衡。作者将这一设计与 Gaussian process state-space model 联系起来，但摘要未给出基函数类型、先验具体形式或二者的精确对应。学习算法用于估计展开系数及其他未知参数；作者称其具有理论保证，保证的条件与范围尚未验证。 作者报告，该方法在一个经典基准及真实数据上获得了有前景的结果。摘要未提供基准名称、数据规模、划分协议、对照方法或量化指标，因此尚不能判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。复现需进一步核对基函数选择、先验设置、隐状态推断流程、序贯 Monte Carlo 的计算配置及参数学习细节。 平台推测（待验证）：若 EEG 时序中的潜在动态可由该类非线性状态空间模型近似，基函数表示与系数正则化可能有助于限制小数据条件下的模型复杂度；这是迁移假设，而非已证实的 BCI 效果。原方法依赖时序观测及隐状态建模，具体监督需求与数据规模要求尚未验证。可考虑复用函数展开、先验与学习框架，但需适配 EEG 的多通道观测、噪声特性及跨被试差异。低信噪比、通道配置变化和有限训练数据可能使隐状态难以辨识，或导致先验约束不合适。一个可证伪的小实验是在固定通道、固定划分的被试内 EEG 数据上，以留出时段的预测误差比较该模型、线性状态空间模型与弱正则化版本，检验非线性表示及先验是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何通过与 Gaussian processes 相联系的系数先验约束非线性状态空间模型的灵活性，以及配套序贯 Monte Carlo 学习算法；其对 EEG 动态建模的适用性尚未验证。

1月1日周五
  1. OpenReview · EEG69

    EEG 特征选择及 Lyapunov 指数在 EEG 生物特征识别中的应用

    基于摘要分析。本研究面向智能设备环境中的 EEG 生物特征识别，提出兼顾被试内低变异与被试间高区分度的特征选择准则，并评估最大 Lyapunov 指数作为个体身份特征的可行性。 数据来自七名被试的十六通道 EEG：每次进行两分钟闭眼静息态记录，每名被试在数天内至少记录五次。作者提取功率谱密度与最大 Lyapunov 指数，前者描述频域特征，后者用于表征信号的非线性动力学特性。特征选择采用由三类方差构成的 criteria index（CI），但摘要未提供三类方差的具体定义、组合公式或筛选阈值。 作者通过统计 t 检验及线性 SVM 的初步分类测试评估特征选择，报告在该七名被试身份识别实验中 Accuracy 为 94.9%；仅使用 T4、F4 两个 EEG 通道的最大 Lyapunov 指数时，作者报告 Accuracy 为 85.5%。摘要未明确前一结果对应的具体特征组合，也未说明训练与测试如何按记录时段或日期划分，因此不能将这些结果直接认定为 Cross-session 性能；多日采集本身不等于跨天独立测试。 其可核对的技术价值在于将特征的重复记录稳定性与身份区分能力共同纳入筛选，并探索低通道数非线性特征的识别潜力。复现需核对 EEG 预处理、最大 Lyapunov 指数估计参数、CI 计算方式、特征选择与数据划分的先后关系，以及 SVM 设置。样本仅覆盖七名被试，面向更多用户或更长时间跨度的适用性尚未验证；完整实验协议、消融及统计信息尚未验证。本研究任务是个体身份识别，不能据此推断运动想象等 BCI 任务的解码效果。

  2. OpenReview · EEG48

    基于小波变换与 SVM 方法的 EEG 检测

    基于摘要分析。该研究面向癫痫相关 EEG 异常波形难以通过目视识别的问题，提出结合小波变换与支持向量机（SVM）的信号分析及预测方法，核心是将异常 EEG 数据纳入后续训练的动态循环流程。 方法先在给定数据集上训练并获得参数，再对新个体的 EEG 信号进行多次小波分解，预测其是否具有癫痫特征波。按照摘要描述，若发现癫痫异常信号，则将该个体的 EEG 数据加入 SVM 训练模型，与此前异常数据合并后重新训练。小波变换承担信号分解，SVM 承担分类，但具体小波类型、分解层级、特征构造、核函数及参数选择尚未验证。 摘要将方法称为分析与预测技术，但所描述的目标是识别癫痫特征波，不能据此认定其实现了发作前预测。动态更新是值得核对的机制：新增样本的异常标签由谁确认、更新是否依赖模型自身预测，以及重训练后的性能如何在独立数据上评估，均需查阅全文。 作者提出该方法可能用于患者初步诊断并提高医生效率，但摘要未提供可核对的定量结果，不能视为已验证的临床收益。数据集、被试数量、被试内或跨被试划分、对照基线、实验协议、消融及统计信息尚未验证。复现需要确认数据来源、预处理与特征提取细节，以及动态更新的触发条件和训练／测试隔离方式。该工作属于癫痫 EEG 检测研究，材料不足以支持其对 BCI 解码任务的有效性。

  3. OpenReview · State space models75

    用于学习非线性动力系统的灵活状态空间模型

    基于摘要分析。该研究面向非线性动力系统学习，将状态转移函数和观测函数表示为基函数展开，并从数据中学习展开系数。其核心贡献是利用与 Gaussian processes 的联系构建系数先验，以调节模型灵活性、抑制过拟合，并设计基于 sequential Monte Carlo 的参数学习算法。 机制上，基函数展开承担非线性函数的表示，系数先验则可理解为正则化：作者希望保留展开形式的表达能力，同时改善泛化。学习算法用于估计展开系数及其他未知参数；摘要称其具有学习方面的理论保证，但保证的具体对象、成立条件和收敛性质尚未验证。基函数类型、先验形式、隐状态设定、训练流程与推理成本也需查阅全文。 作者报告，该方法在一个经典 benchmark 和真实数据上取得有希望的结果，但摘要未给出数据名称、划分协议、对照方法或量化指标，因而不能判断收益大小，也不能与其他协议下的结果直接比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时序变化可由低维隐状态及非线性观测关系近似，该框架可能用于潜在动力学建模；这是假设，不是已证实的 EEG/BCI 效果。可复用部分是基函数表示、系数先验和序贯推断思路，需改造的是多通道观测关系、噪声假设及被试差异处理。低信噪比、通道变化和小数据可能使隐状态难以辨识，跨被试非平稳性也可能削弱泛化。一个可检验的小实验是在固定通道的单被试 EEG 上，采用互不重叠的训练与测试时间段，在匹配基函数规模和推断预算的条件下，对比带该先验与弱正则化版本的留出预测误差及稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将基函数展开、Gaussian processes 关联先验与 sequential Monte Carlo 学习结合，以兼顾非线性动力学表达能力和正则化；具体理论保证及实验收益仍需全文核对。

  4. OpenReview · State space models80

    非线性状态空间模型的结构化推断网络

    基于摘要分析。本文研究线性与非线性状态空间模型的高效学习，提出统一算法，联合训练生成模型与推断网络，覆盖以深度神经网络建模发射分布和状态转移分布的变体。 核心机制是使用循环神经网络参数化具有结构的变分近似，以逼近潜在状态的后验分布，同时学习生成模型与编译式推断网络（compiled inference network）。其方法重点在于推断端的后验结构，而非仅以神经网络替换生成端的分布。摘要未给出具体后验依赖关系、分布族、损失表达式或训练与推理流程，这些细节尚未验证。 作者报告在合成及真实数据集上展示了方法的可扩展性与适用性，并报告结构化后验近似带来了显著更高的留出数据似然。摘要未提供数据集名称、划分方式、对照基线、具体数值及统计检验信息，因此不能判断收益大小或直接比较不同实验协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 序列可由潜在状态及其转移过程描述，该机制可能用于非线性潜在动态建模和时序推断，但原领域的似然提升不等于 BCI 解码效果提升。可考虑复用状态空间生成模型与结构化推断思路，需针对 EEG 的通道观测、噪声和序列切分改造发射模型与训练流程；摘要未说明是否依赖任务标签或需要多大数据规模。低信噪比、跨被试分布差异、通道变化及小数据可能使模型拟合非任务相关动态。一个可检验的小实验是在固定被试内划分与相同生成模型下，对比结构化和非结构化变分近似，分别评估留出似然及固定下游解码器的表现，检验生成建模收益是否转化为任务收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何用具有结构的变分后验联合学习推断网络与状态空间生成模型；作者报告该近似提升了留出数据似然，但其对 EEG 潜在动态建模的价值尚未验证。

  5. OpenReview · EEG63

    亚急性卒中患者执行运动任务时的 EEG 模式与运动功能结局相关：初步结果

    基于摘要分析。该研究探讨亚急性卒中阶段的 EEG 模式能否为后续运动功能恢复提供早期预测线索，核心方法是分析实际上肢运动后的运动皮层频谱功率与后续运动恢复之间的相关性。 研究纳入九名亚急性卒中患者，EEG 在卒中发生后 22.9 ± 7.1 天记录，运动恢复率在发病后 100.2 ± 8.9 天测量。任务涉及实际上肢运动，不是运动想象；摘要未提供具体动作、EEG 采集配置、beta 频段边界或特征提取流程。 作者报告，在上述九名患者中，实际上肢运动后双侧运动皮层的 beta 频段谱功率与基于 Fugl-Meyer assessment（FMA）评分的运动恢复率显著相关，采用 Pearson 线性相关检验，p < 0.05。作者还报告，FMA 评分与 EEG 特征的回归模型 R² 为 0.89；摘要未说明该数值来自拟合数据、交叉验证还是独立测试，也未明确恢复率的计算方式，不能将其直接解释为泛化预测性能。 作者认为这些结果支持运动区 EEG 模式作为卒中后运动功能结局早期预测指标的可能性。证据目前属于小样本初步关联研究，相关性不等于因果关系或已验证的临床预测能力。后续阅读应核对基线功能与其他临床变量的处理、多重比较、回归验证方式及不确定性估计；实验协议、消融及统计信息尚未验证。该研究关注卒中预后评估，摘要未涉及 BCI 控制或闭环康复干预，也不足以构成临床实践建议。

  6. OpenReview · State space models80

    非线性状态空间模型的结构化推断网络

    基于摘要分析。本文研究如何高效学习线性与非线性状态空间模型，提出统一学习算法，将结构化变分推断网络与生成模型联合训练，适用于发射分布和状态转移分布由深度神经网络建模的情形。 核心机制是用循环神经网络参数化结构化变分近似，以逼近潜在状态的后验分布，同时学习可直接执行推断的 compiled inference network 与生成模型。其方法重点不仅在于使用非线性生成函数，也在于通过结构化后验近似处理序列推断。摘要未说明后验的具体因子分解、循环网络结构、损失形式或训练与推理流程，这些细节尚未验证。 作者报告，该算法在合成与真实数据上展现了可扩展性和适用性，并且采用结构化后验近似所得模型具有显著更高的留出数据似然。摘要未提供数据集名称、划分方式、对照方法、似然数值或显著性检验信息，因此不能据此判断提升幅度，也不能将似然改善等同于下游分类性能提升；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法原本面向具有潜在动态状态的序列生成建模，依赖观测序列及其时间结构。若 EEG 的潜在动态能被状态转移与观测发射机制合理描述，结构化后验近似可能用于时序表征学习。可复用的是生成模型与推断网络联合学习的框架；需改造的是多通道 EEG 的观测模型、噪声假设及跨被试处理。低信噪比、通道差异和小样本可能使潜在状态主要拟合伪迹或被试特征。一个可检验的小实验是：固定 EEG 数据划分、生成模型与训练预算，仅比较结构化和非结构化后验近似，核对留出似然及下游任务指标是否同时改善。该假设不是已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用循环神经网络参数化结构化变分后验、联合学习推断网络与状态空间生成模型的机制；作者报告留出数据似然有所提高，但具体对照、统计证据及 EEG 适用性尚未验证。