跳到正文
只看一手#论文/研究
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 · EEG58

    基于互信息的 EEG 生物特征识别特征选择

    基于摘要分析。该研究关注 EEG 生物特征身份认证，提出利用互信息选择能够表征个体身份的 EEG 特征集合，并通过基于 Bhattacharyya distance 的最近邻方法进行认证验证。其主要研究对象是身份识别，而非运动想象等 BCI 控制任务。 数据与机制：研究从 7 名被试采集闭眼静息状态下的 EEG，每名被试记录 2 分钟，使用 21 个干电极。各通道计算七类特征：alpha/theta、alpha/beta、theta/beta 功率比，以及 sample entropy、permutation entropy、entropy 和分布中位数。随后针对每名被试计算特征两两之间的互信息，选择被试内互信息最大的特征。摘要描述的筛选依据是特征间依赖关系，并非直接计算特征与身份标签之间的互信息；它如何兼顾个体内一致性与个体间可分性，需要全文进一步解释。 结果与边界：作者报告，在上述 7 名被试的闭眼静息 EEG 数据上，使用最佳九个特征、基于 Bhattacharyya distance 的最近邻方法及留一交叉验证，Accuracy 达到 95%。摘要未明确留一的样本单位、信号分段方式、训练与测试划分细节，以及特征选择是否在每个训练折内独立完成，因此不能将该结果解释为已验证的跨会话或长期身份认证性能。 复现需核对互信息估计方法、特征计算参数、最佳九个特征的具体组成、距离计算与认证决策方式，以及交叉验证中筛选步骤的位置。实验协议、对照、消融及统计信息尚未验证；小样本与单次短时静息采集条件也限制了对更大人群及不同采集条件的外推。该方法对 EEG 身份特征筛选具有直接研究价值，但摘要结果不构成 BCI 解码性能提升的证据。

  3. 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。

  4. OpenReview · EEG72

    使用耳内 EEG 检测驾驶员困倦

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

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

  5. OpenReview · EEG55

    基于可穿戴 EEG 的心理状态识别

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

  6. OpenReview · State space models73

    高斯过程状态空间模型的稳定性

    基于摘要分析。本文研究 Gaussian Process State Space Models（GP-SSMs，高斯过程状态空间模型）的动力学稳定性，核心贡献是在确定性视角下分析模型的平衡点及稳定性条件，并讨论这些性质与所选协方差函数的关系。 GP-SSMs 是用于表示非线性动力学的非参数模型，适合缺乏基于物理机理模型的数据驱动建模场景。本文的研究对象是模型所描述的系统动力学，而非预测精度或 BCI 解码性能。作者重点考察非线性回归中常用的平方指数协方差函数，先计算 GP-SSM 的平衡点，再给出稳定性条件。摘要未提供具体定理、条件表达式及适用边界，因而不能据此断言任意采用该核函数的 GP-SSM 都具有稳定性，也不能将确定性分析直接等同于完整随机动力学的稳定性保证。 全文尚未取得，状态转移的具体定义、训练与推理方式、理论假设及证明尚未验证；实验协议、消融及统计信息也尚未验证。摘要没有提供可核对的数据集、样本规模、对照基线或数值结果。 平台推测（待验证）：若将 GP-SSM 用于 EEG 潜在状态动力学建模，本文的分析可能帮助检查多步状态演化是否出现不稳定行为；这是机制层面的假设，不是已验证的 EEG/BCI 效果。可复用部分是平衡点与稳定性分析思路，需结合全文核对状态表示、协方差函数和监督数据结构，再改造 EEG 观测与状态估计模块。低信噪比、跨被试变化、通道差异及小样本可能使学得的动力学与真实过程不一致。一个可检验的小实验是在固定被试内训练与测试划分下，对 EEG 潜在状态拟合 GP-SSM，核对理论条件与多步轨迹行为是否一致，并同时检查预测误差，避免将稳定性误当作预测有效性。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其在确定性视角下对 GP-SSM 平衡点与稳定性条件的分析，以核对平方指数协方差函数如何影响所建模的非线性系统动力学，但其对 EEG/BCI 的适用性尚未验证。

  7. 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。

  8. 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。

  9. 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。

  10. 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。

4月18日周六
  1. OpenReview · EEG55

    利用小波特征相关性的运动想象 EEG 判别

    基于摘要分析。该研究针对运动想象（MI）EEG 分类，提出先通过连续小波变换构建时频表示，再利用双样本 t 统计量选择并加权感兴趣区域，最后以归一化互相关判别测试 MI 数据的方法。 技术机制上，连续小波变换用于提取 EEG 的时频特征；双样本 t 统计量同时承担感兴趣区域的自动预选与特征加权，使分类流程能够利用类别间的统计差异。归一化互相关则用于最终判别。摘要未说明具体小波、区域选择阈值、权重计算细节，以及互相关所用参考表示的构建方式，这些实现条件尚未验证。 作者报告，在 MI 数据上与未加权版本比较，所提系统取得了令人满意的 BCI 应用结果。摘要未提供 Accuracy、其他评价指标或改善幅度，因此不能量化其优势，也不能据此推断跨被试或跨会话泛化能力。数据集、被试数量、数据划分、对照的完整配置、消融及统计信息尚未验证。 复现时应重点核对 t 统计量估计、区域选择及参考表示构建在训练与测试流程中的位置，并在相同数据划分下比较加权与未加权版本。需要依据全文确认这些步骤如何拟合和应用，而不能仅凭摘要判断是否存在数据泄漏或评估偏差。

  2. OpenReview · EEG56

    用于单试次 EEG 分析的人工蜂群算法

    基于摘要分析。本研究针对单试次 EEG 分类，提出结合预处理、多类特征提取、人工蜂群（ABC）算法特征选择和支持向量机分类的分析系统，旨在提高分类准确率。研究对象是从感觉运动皮层获取的事件相关脑电位数据；摘要未明确具体任务，不能据此认定为运动想象或某类 ERP 范式。 技术流程上，系统先分别利用独立成分分析和表面拉普拉斯滤波自动去除伪迹与背景噪声，再提取频带功率、自回归模型、相干性和相位锁定值等候选特征。ABC 算法从组合特征中选择子集，随后由支持向量机完成分类。方法的核心在于对多类候选特征进行搜索与筛选，而不是提出新的 EEG 采集方式或神经网络模型；具体特征编码、搜索目标、停止条件及分类器配置尚未验证。 作者报告，在 6 名被试的单试次 EEG 数据上，比较了有无伪迹去除、有无特征选择的设置，并涉及遗传算法对照，结果提示该系统具有用于 BCI 的潜力。摘要未提供分类准确率数值、各条件的具体差异、数据划分或被试内／跨被试评估方式，因此不能量化性能提升，也不能推断跨被试或跨会话泛化能力。 复现需核对任务范式、通道配置、预处理参数、特征计算窗口、ABC 与遗传算法的搜索预算，以及特征选择和分类器训练在数据划分中的执行流程。全文未取得，实验协议、消融及统计信息尚未验证；作者对 BCI 适用性的判断不等于已验证在线应用效果。

  3. OpenReview · EEG59

    利用相位特征提升运动想象 EEG 分类性能

    基于摘要分析。该研究针对运动想象 EEG 分类，提出将相位特征纳入特征组合，并结合特征选择与分类器构建识别系统。作者报告，在两个运动想象数据集上，相较于不使用相位特征的方案及线性判别分析（LDA），所提系统获得了更好的分类表现。 方法流程包括：首先使用表面拉普拉斯滤波去除背景成分；随后提取包含相位信息在内的多种候选特征；再通过遗传算法从特征组合中选择特征子集；最后使用极限学习机（extreme learning machine，ELM）进行分类。其具体研究价值在于考察相位信息能否为运动想象识别提供补充，而不只是更换分类器。 摘要未给出两个数据集的名称、被试数量、运动想象类别、数据划分及被试内或跨被试评估协议，也未提供具体指标数值，因此目前只能保留作者报告的性能改善结论，不能判断增益大小或跨协议泛化能力。作者认为该系统适用于 BCI 应用，但摘要不足以确认在线使用效果。 复现时需核对相位特征的定义与计算方式、其他候选特征、表面拉普拉斯滤波配置、遗传算法的适应度与搜索设置，以及 ELM 的训练配置；还需确认特征选择与模型评估的数据划分关系，以及含相位、不含相位和 LDA 对照之间的配置是否一致。实验协议、消融及统计信息尚未验证。

1月1日周四
  1. OpenReview · State space models78

    高维状态空间模型中用于贝叶斯参数估计的粒子滤波

    基于摘要分析。本文研究大规模随机动态模型中的固定参数贝叶斯估计与动态状态跟踪，核心贡献是将一种新的嵌套粒子滤波方案应用于高维状态空间模型，并提供算法性能的理论保证。主要研究对象是气象与气候科学常用基准——随机版本的双尺度 Lorenz 96 混沌系统，而非 EEG 或 BCI 数据。 方法以嵌套粒子滤波联合处理固定模型参数的不确定性和随时间变化的动态变量。作者报告，理论结果包括固定参数后验概率密度近似的一致收敛速率。摘要未给出嵌套层的具体更新方式、粒子数量、系统维度、收敛速率表达式及其成立假设，因此尚不能判断理论保证如何随维度、观测噪声和计算预算变化。实验协议、对照方法、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能够明确构建具有隐状态、固定未知参数和观测模型的随机状态空间表示，该方案可能用于同时估计潜在动态状态与模型参数；这只是机制对应假设，不代表 Lorenz 96 上的理论或结果能够直接迁移。可考虑复用联合参数与状态推断框架，但状态转移、观测模型和噪声假设需按 EEG 场景改造。EEG 的低信噪比、通道相关性、跨被试差异及有限观测可能造成参数不可辨识或粒子退化。 一个可检验的小实验是在参数真值已知、含 EEG 式观测噪声的低维模拟状态空间模型中，将嵌套方案与预先指定的标准粒子滤波参数估计方案比较，在相同计算预算下检查参数后验误差与状态跟踪误差，并改变观测噪声检验稳定性。该实验建议尚未实施，已有 EEG 相关工作也尚未检索确认；复现原论文仍需取得全文以核对模型方程、算法细节和理论条件。

    阅读价值：值得阅读的具体原因是其将嵌套粒子滤波用于高维混沌状态空间模型中的参数与状态联合估计，并给出固定参数后验近似的一致收敛速率保证；理论成立条件及其对 EEG 的适用性尚未验证。

  2. OpenReview · EEG64

    基于多通道 EEG 的人员身份识别：条件熵方法

    基于摘要分析。该研究面向以多通道 EEG 作为生物特征的人员身份识别，提出使用 Conditional Entropy（CEN，条件熵）提取通道间关系特征，旨在利用分布于头皮不同位置的信号信息改善身份识别，而非进行运动想象或其他 BCI 指令解码。 核心机制是量化在已知一个 EEG 通道取值的条件下，另一个通道仍具有多少不确定性。作者以 EEG 的复杂、非线性和随机特性作为采用熵方法的依据，通过成对通道的条件关系构建多通道特征。摘要未提供条件熵的估计方式、信号离散化或概率估计流程，也未说明通道对选择、特征汇总及后续分类器，具体实现尚未验证。 作者报告，在来自 80 人的 EEG 身份识别实验中，CEN 相较 Autoregressive modelling（自回归建模）基线取得更高识别率，同时使用更少特征。摘要未给出具体识别率与特征数，也未说明采集任务、通道配置、训练与测试划分或是否跨会话评估，因此该结论只能限定于作者所述实验，不能据此判断长期身份稳定性或跨会话泛化能力。实验协议、消融及统计信息尚未验证。 复现时需核对预处理、条件熵估计参数、通道对构造及基线特征设置，并确认训练与测试样本的组织方式。该方法提供了多通道 EEG 关系特征的研究线索，但身份识别效果并不等同于 BCI 任务解码效果；对其他 EEG 任务的适用性尚未验证。

  3. OpenReview · State space models72

    用于声学回声削减与去混响的变分贝叶斯状态空间模型

    基于摘要分析。研究针对 A/D 与 D/A 转换器不同步时的语音去混响、声学回声削减和降噪问题，提出基于变分贝叶斯的联合优化方法，利用两个状态空间模型分别描述时变回声滤波器和无噪多通道语音信号。 核心机制是将转换器异步条件下的声学回声削减滤波器视为时变状态向量；第二个模型则将无噪多通道语音信号视为状态向量，使去混响滤波器能够在含噪环境中更新。作者通过变分贝叶斯框架优化这两类模型，交替执行两个基于 Kalman smoother 的参数优化阶段。具体状态转移、观测模型、概率分布与优化目标尚未验证。 作者报告，在真实远程会议室录制的数据上，即使 A/D 与 D/A 转换器异步，所提方法也比作者此前的传统方法更有效地削减声学回声、语音混响和背景噪声。摘要未提供数值指标、数据规模或划分方式，实验协议、消融及统计信息尚未验证；因此无法判断收益大小及不同噪声条件下的稳定性。 平台推测（待验证）：迁移假设是，时变干扰参数与潜在干净多通道信号的联合状态估计，可能用于 EEG 非平稳伪迹抑制。原方法依赖多通道时序观测及声学回声、混响的结构假设，具体参考信号和监督需求需查正文；可复用的是双状态建模与交替平滑优化思路，需改造的是 EEG 观测模型、伪迹动力学及通道耦合关系。低信噪比、跨被试差异、通道变化和小数据可能导致状态估计不稳定，或把任务相关脑活动误当作干扰。一个可证伪的小实验是在固定被试内划分的 EEG 上注入已知时变伪迹，对比单状态与双状态估计，并同时检查伪迹残留和原始 ERP 波形保真度。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以两个状态空间模型及交替 Kalman 平滑优化联合处理时变回声与含噪多通道信号的机制，其对 EEG 伪迹建模的可迁移性尚未验证。

  4. OpenReview · EEG51

    基于 EEG 的网页兴趣区域检测

    基于摘要分析。该研究关注如何识别用户在单个网页中的兴趣区域，以及在多个网页之间更感兴趣的页面，提出将 EEG 注意水平与网页浏览位置同步映射的方法。其贡献主要是把这一流程集成到移动网页浏览器架构中，用于估计页面内不同位置及不同页面的平均注意水平。 方法上，作者使用 NeuroSky MindWave 头戴设备实时获取用户注意水平，由移动设备浏览器中的后台脚本记录页面滚动百分比，再以时间戳为键关联两类数据。摘要未说明注意水平的具体计算方式，也未说明如何从滚动百分比确定当前浏览区域的范围，因此不能将该方法等同于视线定位或精确的元素级兴趣检测。 作者将人工排序和页面区域停留时间作为现有兴趣判断方式，并提出浏览时的注意水平可能更可靠；这属于研究假设，摘要未提供直接比较的证据。作者报告在多个网站和用户上进行了同一页面内及不同页面间的平均注意水平映射，但网站与用户数量、评估划分、兴趣参照标准、性能指标及统计结果尚未验证，无法据此判断兴趣检测的准确性或相对优势。 复现时需核对设备输出的注意指标、EEG 与浏览器事件的采样及时间同步方式、滚动位置到页面区域的映射规则，以及平均注意水平的聚合窗口。还需验证注意与兴趣的对应关系，并区分页面布局、阅读难度及滚动行为等因素的影响。作者提出网页设计、网站或视频排序及广告区域选择等潜在用途，摘要并未提供这些应用的效果验证；实验协议、消融及统计信息尚未验证。

  5. OpenReview · EEG67

    用于基于 EEG 的个人身份识别的局部度量学习

    基于摘要分析。本文研究基于 EEG 的个人身份识别，针对不同记录条件下欧氏距离难以准确刻画 EEG 样本相似性的问题，提出基于 Large Margin Nearest Neighbor 的局部度量学习方法 L-LMNN。其主要贡献是为不同样本学习局部距离度量，并通过少量锚点样本的加权线性组合近似这些度量，兼顾局部适应能力与计算效率。 机制上，常见方法使用基于欧氏距离的 Nearest Neighbor（NN）搜索；L-LMNN 则为每个 EEG 样本学习独立的局部度量，使同类样本间距离缩小、异类样本间距离增大。这里的类别对应个人身份，而非运动想象等 BCI 任务类别。锚点近似旨在降低逐样本局部建模的计算负担，但锚点选择、权重求解、具体损失及新样本推理方式尚未验证。 作者报告，在摘要所述的 EEG 身份识别实验中，该方法相较所比较的先进方法具有竞争力，并总体提高了识别 Accuracy，尤其在较短 EEG 时长下更明显。摘要未提供数据集、被试数、时长范围、准确率数值或具体对照名称，因此无法量化提升，也不能据此认定其具有跨会话或跨记录条件的泛化能力。 复现时需核对 EEG 预处理与特征表示、训练测试划分、是否涉及跨会话评估、局部度量及锚点的学习流程，以及不同信号时长下的对照设置和计算开销。实验协议、消融及统计信息尚未验证；该研究的直接对象是 EEG 生物特征身份识别，其结果不等同于已验证的 BCI 意图解码效果。

  6. OpenReview · EEG59

    触觉感受用户满意度的 EEG 相关特征

    研究考察 EEG 功率能否反映用户对触觉感受的满意度，尝试为消费电子 UI 设计提供一种基于脑电的体验评估指标。基于摘要分析，未取得论文全文。 方法与结果：材料明确涉及 EEG 频带功率与触觉满意度之间的相关性分析。作者报告，alpha、delta 和 high beta 频带功率与触觉满意度存在显著相关，尤其体现在早期时段。摘要未说明“早期”的具体时间窗口，也未提供相关方向、效应量、显著性阈值或多重比较处理方式，因此无法判断关联的强度与稳定性。 研究意义与边界：作者将结果解释为用于消费电子 UI 设计的新指标的可行性证据。这一证据属于满意度与 EEG 特征的关联，不等同于已验证的满意度预测模型，也不能据此认定构成可在线运行的 BCI 系统。 复现与验证：需核对触觉刺激及任务设置、满意度测量方式、被试数量、EEG 采集与伪迹处理、频带定义和分析时间窗口。实验协议、消融及统计信息尚未验证；被试内、跨被试或跨会话的评估情况亦尚未验证。若用于体验评估，还需检验相关特征能否区分满意度变化与刺激强度、注意或运动伪迹等可能的混杂因素。

  7. OpenReview · State space models75

    物体识别基准中数据集偏差的比较

    基于摘要分析。该研究考察物体识别基准中的分类表现是否可能来自数据集内的非对象线索，而非对象识别能力；核心方法是从每张图像中截取看似空白、且小到无法人工识别对象的区域，用这些子图进行分类，以检测并比较数据集偏差。 这一设计保留原图的类别归属，却大幅削弱可人工解释的对象信息。作者报告，在所有受测数据集中，子图分类的 Accuracy 均高于随机机会水平；在受测数据集范围内，PASCAL 的观测偏差最低，而在受控环境中采集的 COIL-20、COIL-100 和 NEC Animals 更易受到此类偏差影响，子图分类的 Accuracy 远高于随机机会水平。摘要未给出具体数值、分类器、图块大小与位置、数据划分或机会水平的计算方式，实验协议、消融及统计信息尚未验证。这些结果支持非目标线索可能驱动分类的解释，但不能据此断言相关基准上的所有算法都未识别对象。 平台推测（待验证）：该思路可用于检查 EEG 解码是否依赖采集条件或其他非目标信息，而非目标神经活动。原方法依赖样本级类别标签，以及能够削弱目标信息、同时保留部分采集特征的输入区域；迁移时可复用其负对照框架，但需重新界定 EEG 中的对照时间窗或信号片段，不能将视觉上的“空白”直接等同于没有神经信息。低信噪比、小样本以及标签与被试、会话或通道配置共变，均可能使结果难以解释。 一个可检验的小实验是假设任务前基线窗不含目标任务信息，在固定的 Cross-subject 划分下，对比基线窗与任务窗的解码表现，并用保持被试结构的标签置换估计机会水平；若基线窗仍可预测类别，再核查采集条件与标签的关联，而非直接判定泄漏。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究以不含可人工识别对象信息的小图块检验数据集偏差，为区分任务识别能力与非目标线索驱动的分类提供了可复现思路，但其向 EEG 评估的适用性尚未验证。

  8. OpenReview · State space models69

    电池荷电状态估计：一种 Switching Markov 状态空间模型

    基于摘要分析。该研究针对电池化学特性与不可控使用条件使荷电状态（State of Charge，SoC）难以估计的问题，提出利用瞬时电流和电压测量进行 SoC 估计的 Switching Markov State-Space Model。 方法以切换式 Markov 状态空间模型描述电池状态，未知参数通过 EM 算法的 Monte Carlo 近似进行批量学习。摘要未给出状态转移、观测方程、切换机制的具体形式，也未说明 Monte Carlo 近似的实现与推理流程，这些内容尚未验证。 作者报告，在电动汽车真实数据上的验证结果令人鼓舞，模型能够在不同使用条件下准确估计 SoC。但摘要未提供数据规模、训练与测试划分、对照基线或误差指标，因而尚不能判断精度提升幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可迁移机制是用离散状态切换配合连续隐状态估计，处理观测过程随运行条件改变的问题，对应 EEG 中状态变化与非平稳性的建模需求。原方法依赖电流、电压观测及潜在动态结构，而训练是否使用参考 SoC、需要何种数据规模尚不明确。迁移时可考虑复用切换状态建模与参数估计框架，但需重新定义 EEG 观测特征、隐状态及监督目标；低信噪比、跨被试差异、通道变化和小样本可能导致切换状态难以辨识或参数估计不稳定。一个可检验的小实验是在固定通道和统一划分的 EEG 数据上，对比切换与非切换状态空间模型的留出序列预测误差，检验切换机制是否带来稳定收益。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。

12月1日周一
  1. OpenReview · EEG55

    基于 EEG 的想象言语分类

    基于摘要分析。本研究评估利用 EEG 中的想象言语信息支持不同被试间交流的可能性，通过视觉刺激引导被试想象英语元音，并以基础统计特征和 bipolar neural network 进行分类；其贡献是对想象元音 EEG 可辨识性的初步探索，而非已验证的交流系统。 研究采集了 13 名被试想象英语元音 ‘a’、‘e’、‘i’、‘o’、‘u’ 时的 EEG。处理流程包括去除伪迹与噪声，计算平均功率、均值、方差和标准差，再将这些特征输入 bipolar neural network。摘要未说明具体去噪方法、特征计算窗口、通道配置及分类器结构，这些实现条件尚未验证。 作者报告，该方法在上述想象元音分类任务中的最高 Accuracy 为 44%，并认为 EEG 包含可用于 Cross-subject（跨被试）分类的区分性信息。不过，摘要未交代训练与测试如何按被试划分、最高值对应的实验条件，以及该结果是否来自严格的跨被试评估，因此不能将其直接视为对未知被试泛化性能的确认，也不能与不同协议下的结果直接比较。 进一步核对与复现应重点确认视觉刺激与想象阶段的时间安排、分类所用信号片段、按被试隔离的数据划分及对照基线，以区分想象言语相关信息与视觉诱发活动的贡献。实验协议、消融及统计信息尚未验证；当前材料不支持推断在线交流效果或实际 BCI 可用性。

7月1日周二
  1. OpenReview · EEG59

    利用遗传算法特征选择提高运动想象 EEG 分类准确率

    基于摘要分析。该研究针对运动想象（MI）EEG 分类，提出由特征提取、遗传算法特征选择和支持向量机（SVM）分类组成的分析系统，旨在通过筛选多类特征提高分类 Accuracy。 核心流程是先提取自适应自回归（AAR）参数、频谱功率、不对称比、相干性与相位锁定值，再利用遗传算法从这些特征的组合中选择子集，最终输入 SVM 分类。该方案的主要研究点是多类手工特征的组合与筛选，而非端到端学习；这些特征分别涉及信号动态、频谱及信号间关系，但具体计算方式和输入通道配置尚未验证。 作者报告，在两个 MI 数据集上，该系统相较不使用特征选择的方案及反向传播神经网络（BPNN）获得更高分类 Accuracy，并认为其适合 BCI 应用。摘要未提供数据集名称、被试数、任务类别、Accuracy 数值或被试内、跨被试、跨会话评估背景，因此无法判断收益幅度、泛化能力或实际在线 BCI 表现。 复现需核对 EEG 预处理、特征计算窗口、遗传算法的适应度函数与搜索设置、SVM 配置，以及特征选择与训练测试划分的关系。实验协议、消融及统计信息尚未验证，不能仅凭摘要确定性能提升主要来自特征筛选、分类器选择还是二者组合。

1月1日周三
  1. OpenReview · EEG68

    基于自适应子尺度熵的 EEG 量化

    基于摘要分析。该研究针对 EEG 在不同频谱模式下具有不同动力学、且信号呈非线性与非平稳性的问题，提出自适应子尺度熵，通过信号自适应分解与随时间变化的熵计算，量化 EEG 的多尺度动力学变化。 核心机制是先利用 empirical mode decomposition（EMD，经验模态分解）将 EEG 分解为其内在频谱分量，即 intrinsic mode functions（IMFs，本征模态函数）；再以随时间变化的方式计算各 IMF 的 Shannon entropy，并在多个自适应尺度上求和，形成 EEG 的自适应子尺度熵。其方法特点在于以信号自身分解所得的分量组织多尺度分析，而不是仅用单一尺度描述复杂性。摘要未给出熵的概率分布估计方式、时间窗口设置、IMF 选择及尺度求和的具体实现，这些均尚未验证。 作者报告，仿真与实验结果显示，该熵指标能够反映多个尺度上的动力学变化。摘要未提供仿真信号设置、实验 EEG 的采集条件、被试信息、数据划分、对照方法或定量指标，因此目前只能确认作者所报告的定性结论，不能判断其相较其他熵指标的优势，也不能推导出分类或 BCI 性能提升。实验协议、消融及统计信息尚未验证。 复现时需从全文核对 EMD 的实现与停止准则、熵估计流程、时间与尺度参数，以及验证动力学变化所采用的参照标准。当前证据支持将其理解为 EEG 多尺度特征量化方法，而非已验证的 BCI 解码算法。

  2. OpenReview · EEG53

    一种用于 EEG 伪迹去除的新时频方法

    基于摘要分析。本文研究便携式 EEG 身份识别中的伪迹去除问题，提出一种时频处理方法，目标是在去除干扰的同时尽可能保留神经活动，减少伪迹对身份识别系统的影响。其主要研究对象是 EEG 生物特征身份识别，而非运动想象或其他 BCI 控制任务。 摘要以便携式、单通道 EEG 的个人身份识别应用为背景，列举工频干扰、电极接触不良及眼球运动等噪声来源。作者将有效去除伪迹与保留神经活动作为方法设计的核心目标，但摘要未说明具体时频变换、伪迹判定规则、信号重建流程，也未确认本文实验是否采用单通道记录，因此尚不能判断其算法机制、通道依赖或部署条件。 作者报告，所提方法在实验中的表现优于常用的 EEMD-ICA 方法。不过，摘要未提供数据集、被试数、数据划分、对照参数或定量指标，无法确定这一优势具体体现为去噪效果、信号保真度还是身份识别性能，也不能将其直接解读为 BCI 解码性能提升。 复现与阅读正文时需核对：实验所用设备与通道配置、噪声及伪迹的构建或标注方式、神经活动保留的评价依据，以及 EEMD-ICA 的实现和参数设置。实验协议、消融及统计信息尚未验证；现有材料不足以形成具体的 BCI 迁移结论或复现实验方案。

  3. OpenReview · State space models71

    基于区间数据的 MIMO 系统阶数与状态空间模型辨识

    基于摘要分析。本文研究测量误差未知但有界时，如何辨识多输入多输出（MIMO）线性时不变系统的阶数及状态空间模型，将此前面向单输出系统的方法扩展到 MIMO 情形。核心贡献是利用特定排列的数据矩阵确定模型阶数，并将初步辨识得到的 ARX 模型转换为状态空间模型。 方法以采样测量数据的区间表示为起点，用区间覆盖未知但有界的测量误差，最终得到参数为区间形式的离散时间模型，以表示测量误差引起的参数不确定性。这属于系统辨识与不确定性表征方法，不是预训练模型或神经网络架构。作者指出，阶数确定和模型转换两个步骤不能从多输入单输出（MISO）情形直接推广。摘要称论文讨论了方法的优缺点并提供示例，但具体矩阵构造、区间运算、辨识条件、误差界设定及示例结果尚未验证，无法据此判断其精度、计算代价或相对优势。 平台推测（待验证）：假设某段多通道 EEG 可近似为线性时不变系统，且输入可观测、测量误差存在可信界限，这一框架可能用于研究动力学参数对测量误差的敏感性。可考虑复用区间数据表示与参数不确定性传播思路，但需重新定义 EEG 的输入输出关系、噪声界限及局部平稳时间窗。低信噪比、突发伪迹、跨被试差异、通道变化和短记录可能使误差界过宽或模型难以辨识；区间参数也不等同于统计置信区间。 一个可检验的小实验是先使用已知阶数和参数的多通道线性仿真系统，在明确有界噪声下检验阶数恢复及参数区间覆盖，再评估与目标 EEG 场景的对应关系。这仅是机制验证建议，不构成 EEG 或 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其将有界测量误差传播为模型参数区间，并针对 MIMO 系统提供阶数确定与 ARX 到状态空间模型转换方法；其适用于 EEG 的误差假设与辨识条件尚未验证。

  4. OpenReview · EEG60

    利用伪迹进行基于 EEG 的用户身份认证

    基于摘要分析。本文研究基于 EEG 的用户身份认证，提出利用刻意设计的自主面部肌肉动作所产生的 EEG 伪迹构建认证信号，而不是优先去除这些成分。其核心思路是：身份认证更关心信号模式是否稳定、可重复，对信号是否源自脑活动本身的要求不同于以纯净 EEG 为目标的应用。 机制上，作者通过自主面部肌肉动作诱发伪迹，并提出可根据安全需求使用单一动作或组合动作，服务于多级安全认证。摘要未说明具体动作、采集通道、特征提取、分类或匹配方法，也未提供不同动作组合与安全等级之间的定量关系。因此，这项工作应理解为利用 EEG 记录中的肌肉相关伪迹进行身份认证，不能据此视为脑活动解码或 BCI 控制方法。 作者报告，实验显示利用 EEG 伪迹进行多级安全系统的用户认证具有潜力；但摘要未给出被试数、数据划分、被试内或跨会话协议、对照基线及具体认证指标，无法判断识别效果与长期稳定性。实验协议、消融及统计信息尚未验证。 阅读全文时应重点核对动作重复性、记录条件变化对认证的影响，以及是否评估模仿动作等攻击情景。摘要将难以伪造、难以观察或截获等作为 EEG 认证的动机，不能将这些表述视为该伪迹认证方案已获得验证的安全保证。复现所需的动作定义、采集配置、处理流程与认证阈值尚未验证。

  5. OpenReview · EEG52

    基于 EEG 的多因素用户身份认证

    基于摘要分析。本文研究 EEG 作为生物特征用于用户身份认证，提出利用 EEG 信号所携带的年龄、性别等丰富信息，为多级安全系统构建多因素认证方法。其主要研究对象是身份认证，而非运动想象解码或设备控制；摘要中的 BCI 应用属于背景介绍。 方法思路是将 EEG 中与用户属性相关的信息用于认证，但摘要未说明年龄、性别如何提取，如何与身份特征结合，也未说明这些因素如何对应不同安全级别。因此，尚不能判断该方法采用分级判定、特征融合还是其他认证机制，也不能将“多因素”直接等同于多个相互独立的安全凭据。 作者报告，其实验为所提方法提供了有前景的结果，但未给出具体认证指标、数据集、被试规模、采集任务、训练与测试划分或对照基线，无法据此量化认证效果或比较不同方案。实验协议、消融及统计信息尚未验证。 阅读全文时需核对年龄、性别信息对身份认证的增益，以及认证性能是否在跨会话采集和不同信号质量条件下保持稳定；还需确认威胁模型及误接受、误拒绝等评估方式。摘要关于 EEG 认证兼具密码与生物特征认证优势且不受其缺点影响的表述属于作者主张，现有材料不足以验证。该工作直接涉及 EEG，但不应据此推断其已改善 BCI 解码性能或具备可部署的安全性。

10月1日周二
  1. OpenReview · EEG59

    在 Hopfield 神经网络中嵌入灰色关联理论

    基于摘要分析。研究针对运动想象（MI）EEG 的无监督分析，提出基于灰色关联理论的 Hopfield 神经网络（GHNN），并结合片段选择与特征提取识别左右手 MI。其贡献是将降噪、有效片段选择、小波相干性特征和 GHNN 判别整合为一个面向 BCI 的处理流程。 方法上，作者提出 Gaussian-like 滤波器以降低噪声、改善有效片段选择；随后从小波数据中提取相干性特征，再由 GHNN 进行判别。摘要将 GHNN 描述为适用于非平稳生物医学信号在线分类的无监督方法，但未说明灰色关联如何嵌入 Hopfield 网络，也未给出网络动力学、优化目标、更新规则，以及无监督输出与左右手类别的对应方式，这些细节尚未验证。 作者报告与不进行片段选择的 EEG 处理方案、若干常用特征及分类器进行了比较，并据此认为该系统具有 BCI 应用潜力。摘要未提供具体性能数值或指标，因此不能量化收益，也不能确认在线分类已得到实际验证。数据集、被试数、被试内或跨被试划分、片段选择是否使用标签、对照配置、消融及统计信息尚未验证。 复现时需从全文核对 Gaussian-like 滤波器与片段选择的参数、小波和相干性计算方式、GHNN 的初始化与收敛条件，并区分整体流程的效果与各模块的独立贡献。该工作直接研究 MI EEG，无需借助跨领域迁移推断来说明其 BCI 关联。

4月1日周一
  1. OpenReview · EEG64

    用于脑机接口的独立成分分析与多分辨率不对称比

    基于摘要分析。本研究针对单试次 EEG 的左右手指抬起或运动想象识别，提出结合独立成分分析（ICA）、多分辨率不对称比与支持向量机（SVM）的 BCI 系统，串联自动 EOG 伪迹去除、特征提取和分类。 方法上，先利用 ICA 与相似性度量自动去除眼电（EOG）伪迹，再从小波数据中通过不对称比提取特征，最后以 SVM 区分左右类别。摘要未说明相似性度量的具体定义、伪迹成分判定规则、小波类型与尺度、不对称比公式或 SVM 配置，因此尚不能据此完整复现流程。 作者报告，与未去除 EOG 伪迹的 EEG、频带功率特征及原文称为 adoptive autoregressive（AAR）的参数特征相比，该系统取得了有前景的 BCI 结果。但摘要未提供具体指标、数值、数据集、被试数或数据划分，也未明确手指抬起与运动想象是否分别评估；不能据此量化改进，或推断被试内、跨被试及跨会话效果。 阅读全文时需核对各对照是否采用相同数据划分与分类设置，以及去伪迹步骤和不对称特征各自的贡献。实验协议、消融及统计信息尚未验证；复现所需的通道配置、预处理、小波参数、特征定义与分类器训练细节也尚未验证。

1月1日周二
  1. OpenReview · EEG64

    EEG 数据中的模式发现与可视化

    基于摘要分析。本文研究如何直接从 EEG 数据中提取并可视化潜在神经活动模式，提出一个支持频谱动态探索与交互式查询的系统。其主要贡献是帮助研究人员检查单个电极或传感器组的信号，并探索不同时间和频率上共同出现的活动模式，而非提出 BCI 解码算法。 系统允许用户交互式构建查询，再据此揭示可能具有共同激活模式的脑区。摘要将这一功能置于探索远距离神经群体协同活动的背景下，但未说明频谱计算、模式提取、相似性度量或电极信号到脑区的映射方法，因此不能将查询结果直接视为功能连接或神经通信的证据。 作者报告，通过分析工作记忆实验中采集的 EEG 数据的案例研究展示了系统用途。摘要未提供被试数量、任务细节、采集配置、数据划分、对照方法或定量效果，因而目前只能确认其展示了探索性分析应用，无法判断模式发现的准确性、稳定性或跨被试泛化能力。 复现需进一步核对交互式查询的定义与处理流程、预处理及伪迹控制、时频分析参数、模式结果的验证方式，以及系统实现和数据的可获得性；实验协议、消融及统计信息尚未验证。该工作的价值主要在 EEG 数据的可视分析与假设生成，不能据此推断其改善了 BCI 分类性能或信息传输率。

  2. OpenReview · EEG54

    多级安全系统中基于 EEG 的用户身份认证

    基于摘要分析。本文研究如何将 EEG 用作多级安全系统中的身份认证信号，提出让用户执行运动想象任务以提供认证所需的 EEG，并根据所需安全级别采用单一任务或任务组合。其主要研究对象是 EEG 生物特征身份认证，而非运动想象指令解码性能的提升。 机制上，运动想象任务是认证信号的获取条件，任务的单独执行或组合用于适配不同安全级别。摘要未说明任务类别、组合方式、安全等级的定义，以及 EEG 特征提取、分类或身份判定方法，因此尚不能判断系统如何区分用户，也不能确定任务组合是否提高了认证可靠性。 作者主张 EEG 认证能够结合密码认证与生物特征认证的优势，并避免二者的缺点；这一表述属于作者提出的优势判断，摘要没有给出足以核验该判断的量化结果。作者表示将通过实验结果展示运动想象 EEG 的分析与处理，但所给材料未提供被试数、采集条件、数据划分、对照方法或认证指标，不能据此确认实际性能。 复现与价值评估需核对注册和认证流程、被试内与跨被试数据如何使用、是否进行跨会话测试，以及误接受、误拒绝和任务组合带来的操作负担。实验协议、消融及统计信息尚未验证；尤其需要区分安全等级的设计意图与经过攻击测试或长期稳定性测试支持的安全效果。

  3. OpenReview · EEG66

    EEG 信号的新分类技术与基于实时 EEG 的机器人控制

    基于摘要分析。该研究考察 EEG 信号分类方法，研究 Fuzzy Functions Support Vector Classifier、Improved Fuzzy Functions Support Vector Classifier，并提出结合 Particle Swarm Optimization 与 Radial Basis Function Networks 的 PSO-RBFN。其贡献包括在公开 EEG 数据集上比较分类性能，以及将所提出的分类器用于实时 BCI 移动机器人控制。 技术上，PSO-RBFN 将粒子群优化与径向基函数网络结合，但摘要未说明 PSO 优化的具体对象、网络结构、训练目标及推理流程。研究同时比较 Fuzzy C-means、K-means 与 PSO 聚类算法在相同数据集上的聚类表现；聚类结果如何参与分类器构建，尚未验证。 评估采用 BCI 研究者使用的公开标准 EEG 数据集，并加入非 EEG 数据集进行比较。具体数据集名称、EEG 任务、被试数、预处理、特征提取、数据划分，以及被试内、跨被试或跨会话评估协议均未在摘要中给出。作者报告，PSO-RBFN 可能达到当时先进分类器的分类表现，并可能成为实时 EEG 分类的替代方法；这一结论在摘要中保留了不确定性，不能据此认定其显著优于对照方法。 作者还报告已在实时移动机器人 BCI 控制应用中实现该分类器。该实现提供了从分类方法到控制应用的验证线索，但摘要未给出控制指令类型、在线准确率、延迟、ITR 或任务完成情况，因此尚不能量化其实时性与控制可靠性。复现需核对数据集及划分、特征处理、PSO 与 RBFN 参数、对照方法配置和在线控制流程；实验协议、消融及统计信息尚未验证。

  4. OpenReview · EEG65

    特征提取中的嵌入式预测

    基于摘要分析。该研究面向 BCI 中左、右运动想象（MI）的 EEG 分类，提出将神经模糊时序预测嵌入特征提取的方法，以预测信号与实际信号的多分辨率分形特征差异构建分类输入，再使用支持向量机完成判别。 核心机制是分别利用左、右 MI 数据训练两个自适应神经模糊推理系统（ANFIS），执行时序预测。随后，在 EEG 信号窗口内计算预测信号与实际信号之间的多分辨率分形特征向量（MFFV）差异，将小波—分形特征与神经模糊预测结合。其方法特点在于将预测与特征提取耦合，而非仅对原始 EEG 直接提取特征；具体差异计算方式、特征组合及推理流程仍需全文核对。 作者报告，在来自两个数据集的六名参与者数据上，将该方法与线性自适应自回归（AAR）模型及 AAR 时序预测方法进行比较，结果表明其在 MI 分类中具有潜力。摘要未提供具体数据集名称、Accuracy 等指标数值或差异的统计信息，因此不能量化收益，也不能判断结果对应被试内还是跨被试协议。 复现需核对 EEG 预处理、通道选择、窗口设置、小波与分形特征参数、ANFIS 训练配置，以及支持向量机的参数选择。还需确认类别相关预测器在训练与测试阶段的使用方式、数据划分及基线配置。实验协议、消融及统计信息尚未验证，现有材料不足以判断预测模块的独立贡献或跨会话泛化能力。

12月31日周一
  1. OpenReview · EEG73

    无精确事件时间锁定的 EEG 记录分类

    基于摘要分析。该研究针对刺激呈现时刻与 EEG 波形无法精确时间锁定的分类问题，提出先利用具有时序信息的 EEG 数据刻画目标事件的脑响应模式，再在待分类记录中搜索可能的响应位置并汇总事件概率的方法。其贡献在于降低分类阶段对精确刺激时刻的依赖，而不是完全免除建立响应模式时对时序信息的需求。 核心机制分为三步：首先从已知时序的 EEG 数据中刻画目标事件响应模式；随后以滑动窗口遍历 EEG 记录，检测从各个候选位置开始的目标图像响应；最后汇总不同位置的检测信息，估计整个 EEG epoch 内出现目标图像事件的概率。摘要未说明响应模式的具体表示、分类器、窗口长度与步长，以及位置概率的汇总形式，相关实现尚未验证。 作者报告，在长度为 5 s 的 EEG epoch 分类中，该方法获得中位数 ROC 曲线下面积（AUC）0.96，并称其结果与使用精确刺激时刻信息的方法相当。摘要未给出该中位数的统计单元、被试数、数据集、数据划分、被试内或跨被试协议，以及对照方法的具体设置，因此不能据此推断跨被试泛化或在线 BCI 性能。 该方法直接涉及 EEG 事件分类中的时间不确定性，尤其关注刺激时刻不可用及响应潜伏期变化带来的定位困难。复现时需核对响应模式构建数据与评估数据的划分、潜伏期变化范围、记录中目标事件的设置，以及滑动搜索和概率汇总的实现。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其将已知时序下学习的目标事件响应模式与滑动窗口位置汇总结合，为刺激时刻不精确的 EEG 分类提供了可核对的方法路径，但其适用范围与复现条件尚待全文验证。

4月1日周日
  1. OpenReview · EEG64

    用于单试次 EEG 分类的增强活动片段选择

    基于摘要分析。该研究针对运动想象（MI）与手指抬起任务的单试次 EEG 分类，提出由增强活动片段选择、特征提取和分类组成的分析流程，核心贡献是在原有片段选择方法中加入二维各向异性 Gaussian 滤波，并利用改进分形维数提取多分辨率特征。 技术机制：研究使用来自感觉运动皮层的事件相关电位（ERP）数据。活动片段选择以连续小波变换（CWT）和 Student 两样本 t 统计为基础，再通过二维各向异性 Gaussian 滤波进一步细化选择；随后从小波数据中提取基于改进分形维数的多分辨率分形特征，最终使用支持向量机（SVM）分类。摘要未说明片段选择的阈值、滤波参数、分形维数的具体定义或 SVM 配置，相关实现细节尚未验证。 评估与结果：作者报告，在两个数据集的 MI 与手指抬起 EEG 数据上，与原始活动片段选择方法以及若干常用特征和分类器进行比较，结果提示所提方法具有应用潜力。摘要未提供数据集名称、被试数、被试内或跨被试协议、数据划分、具体指标及数值，因此无法判断提升幅度，也不能据此认定达到 SOTA；实验协议、消融及统计信息尚未验证。 复现核对重点：需要从全文确认 t 统计所需的监督信息、片段筛选与特征计算在训练和测试中的执行方式，以及增强筛选和改进分形特征各自的独立贡献。滤波尺度与 EEG 时频分辨率的关系也值得核对，以评估细化片段选择是否保留了任务相关的短暂变化；这些属于待核查事项，而非已证实的局限。

1月1日周日
  1. OpenReview · State space models76

    用于 MEG 局灶电流源定位的状态空间建模方法

    基于摘要分析。该研究针对 MEG 分布式电流源重建中局灶源难以提取、逆问题维度较高的问题，在作者此前的源定位方法中加入状态空间时间约束，以联合估计源电流强度及其动态参数。 核心机制是为不同皮层位置设置不同的动态模型参数，使模型能够描述空间非均一的时间演化，而非对所有位置采用相同动态。模型参数与电流源强度在贝叶斯框架下联合估计；作者通过为模型参数设置先验来降低对未建模成分的敏感性，并采用变分贝叶斯推断降低计算成本。摘要未给出状态转移形式、观测模型、先验分布及推断更新细节，不能据此判断具体实现。 作者报告，在仿真实验和真实 MEG 数据应用中，该方法能够重建随各自时间动态演化的局灶电流活动。摘要未提供定量定位误差、源强度重建指标、运行时间或对照结果，因此尚不能量化其相对已有方法的收益；实验协议、数据规模、被试信息、消融及统计信息尚未验证。 阅读与复现时可重点核对位置特异动态参数的可辨识性、先验对局灶性与时间平滑性的影响，以及高维推断的实际计算开销。复现所需的前向模型、源空间设置、预处理流程、参数配置和代码可用性均尚未验证。该研究的主要对象是 MEG 源定位，摘要并未验证其作为 BCI 解码方法的效果。

    阅读价值：该研究将皮层位置特异的时间动态与贝叶斯源估计结合，为核对 MEG 局灶源重建中的时空约束及高维推断提供了具体方法路径，但重建性能与计算优势仍需全文验证。

  2. OpenReview · EEG69

    基于 super-Dirichlet 混合模型的 EEG 信号分类

    基于摘要分析。该研究针对 BCI 中的 EEG 信号分类，提出利用边缘化离散小波变换（mDWT）系数的非负性与和为一性质进行概率建模，并以 super-Dirichlet mixture model（SDMM）描述多通道特征，用于分类。 核心机制是将特征的取值约束纳入分布假设：mDWT 系数用于表征 EEG 的瞬态特性，作者采用 Dirichlet 分布建模这些系数，再通过 SDMM 描述来自多个通道的系数分布。相较于直接使用 SVM 分类，方法的主要区别在于显式利用这类特征的概率结构。摘要未说明 mDWT 的具体计算与归一化方式、SDMM 的多通道组织方式、参数估计及分类决策规则，相关实现细节尚未验证。 研究分别使用 Fisher ratio 和泛化误差估计选择相关通道。作者报告，在这两种通道选择策略下，SDMM 分类器相较于文中作为先进方法对照的 SVM 分类器表现更稳定，并显示出改善潜力；摘要没有给出具体指标、数值或稳定性的定义，不能据此判断提升幅度。 数据集、BCI 任务类型、被试数量、被试内或跨被试协议、训练测试划分，以及 SVM 配置、消融与统计信息尚未验证。复现时需重点核对特征是否满足所用分布的支持条件、通道选择与参数估计如何嵌入评估流程，以及稳定性结论对应何种重复实验或数据条件。上述事项属于待核对信息，不代表作者未开展相关实验。

  3. OpenReview · EEG53

    多尺度幅度调制特征与 fuzzy C-means 在脑机接口中的应用

    基于摘要分析。本研究针对 EEG 中左手手指抬起与静息状态的分类，提出结合离散小波变换（DWT）、幅度调制（AM）特征和 fuzzy C-means（FCM）聚类的识别方法。其主要贡献是将小波域 AM 特征与模糊聚类结合，用于 BCI 动作状态判别；摘要未将该任务描述为运动想象，不能据此归入 MI 分类。 技术流程为：先对 EEG 进行 DWT，再从变换后的数据中提取 AM 特征，最后利用 FCM 识别这些特征。标题强调多尺度特征，但摘要未提供尺度选择、小波基、AM 特征计算公式或特征维度。FCM 采用模糊隶属度表达样本与聚类的关系；本研究如何将聚类结果对应到动作类别、如何训练及推理，尚未验证。 作者报告，相较于频带功率特征、k-means 聚类和线性判别分析（LDA）分类器，该方法在 BCI 应用中取得令人满意的结果。摘要未给出具体指标、数值或各对照的组合设置，因此不能据此量化提升，也不能判断优势主要来自 AM 特征还是 FCM。 数据集、被试数量、记录通道、预处理、数据划分以及是否采用被试内、跨被试或跨会话评估均尚未验证；实验协议、消融及统计信息也尚未验证。复现前需核对特征提取参数、FCM 初始化与聚类设置、类别映射方式，以及各基线是否在一致的数据划分下评估。现有摘要支持将其理解为 EEG 二分类方法研究，但不足以确认在线 BCI 性能或跨被试泛化能力。

  4. OpenReview · EEG78

    清醒与 NREM 睡眠的 EEG 微状态

    基于摘要分析。该研究考察清醒静息与不同 NREM 睡眠阶段的 EEG 微状态是否发生变化，通过聚类提取准稳定的头皮电位拓扑图，再将其回配至已完成睡眠分期的 EEG，比较空间模式及时间动力学。 研究分析了 32 名被试的 32 通道 EEG，覆盖放松清醒与 NREM 睡眠。作者报告，全部 32 名被试达到 N2，其中 19 名也达到 N3，相关阶段持续至少 1 分 45 秒。方法以各警觉状态中占主导的幅度拓扑图为聚类对象，通过回配获得每个睡眠阶段的微状态序列；比较指标包括平均持续时间、总时间覆盖、全局解释方差及转移概率。聚类算法细节、类别数选择标准、预处理与回配规则尚未验证。 作者报告，各 NREM 睡眠阶段均以四类微状态为最优，与清醒静息常见的 A、B、C、D 类别数一致。以阶段特异性拓扑图与清醒拓扑图的平均空间相关性衡量，N1 为 92%、N3 为 87%，N2 最低，为 83%；这些数值不是分类 Accuracy。清醒与 N1 的时间特征较为接近；清醒、N1 和 N3 中，微状态 C 在全局解释方差和时间占比方面占主导，而 N2 中微状态 B 最突出。作者报告，N3 中所有微状态的平均持续时间显著增加，自转移概率也升高；慢波的出现只能部分解释这一持续时间变化。具体效应量、统计检验及慢波分析协议尚未验证。 作者据此提出，从清醒静息到 NREM 睡眠，大尺度空间组织可能基本保留，深睡眠中的功能变化可能更多与该组织内活动水平和时间安排的改变有关。这是作者的解释与推测，不能等同于已证明微状态与 fMRI 静息态网络一一对应，也不能据此认定其具有睡眠分期或 BCI 解码效能。复现时需核对各阶段数据量、跨阶段类别匹配、个体与组水平聚类方式，以及持续时间变化的统计控制；实验协议、消融及统计信息尚未验证。

    阅读价值：该研究提供了清醒与不同 NREM 睡眠阶段的 EEG 微状态空间拓扑及时间动力学对照，值得核对其聚类与统计协议，以评估微状态作为警觉状态表征的适用边界。