跳到正文
只看一手#CNN
10月10日周六
  1. Europe PMC · bioRxiv / medRxiv 预印本78

    侧向递归动态细化视觉表征以支持任务表现

    基于摘要分析。该研究关注视觉皮层中递归处理如何随时间改变表征，采用在人脸与物体识别任务上训练的递归卷积网络，研究侧向递归对群体表征几何和单单元调谐的影响。其主要贡献是将群体层面的身份可分性变化与单元层面的类别偏好、身份敏感性联系起来，并通过侧向连接权重门控检验这一变化的机制。 研究使用系统改变类别、身份与姿态的参数化刺激集，比较不同递归时间步的表征。作者报告，在网络已训练的领域内，递归处理提高了较深层中不同身份之间的可分性，而未训练领域的表征基本不变。作者报告，对侧向连接权重进行门控后，训练领域内身份解码随时间步提高的现象消失，支持侧向递归驱动表征细化的解释。 在单单元层面，作者报告，递归增强了各单元类别偏好与其领域内身份敏感性之间的相关性，为群体表征变化提供了单元层面的解释。摘要据此提出可在领域选择性皮层的时间分辨记录中检验的预测；这不等于已获得人体神经记录验证，也不构成 BCI 性能证据。网络结构、训练损失、刺激规模、解码协议、量化效应、消融及统计信息尚未验证。 平台推测（待验证）：该机制可作为视觉 EEG 时间动态表征研究的候选解释，而非直接作为 BCI 解码方法。假设训练相关的身份区分也在 EEG 表征中随时间增强，可复用参数化刺激与表征几何分析思路，但需将网络递归时间步与真实时间窗分开处理，并适配传感器层面的混合信号。低信噪比、通道空间混合及被试差异可能使单元层面的关系无法在 EEG 中重现。一个可检验的小实验是在独立训练／测试划分下，比较训练领域与未训练领域的分时窗身份解码变化；即使出现对应模式，也不能单凭 EEG 确认侧向递归的因果作用。相关 EEG 工作尚未检索确认。

    阅读价值：该研究通过参数化刺激与侧向连接权重门控，检验侧向递归如何动态改变身份表征的可分性，并提出可供时间分辨神经记录检验的预测；其对 EEG/BCI 的适用性尚未验证。

10月8日周四
  1. arXiv · 时序与音频基础模型72

    重新审视媒体桥接时序预测中的身份与频谱离散：关联多变量信号与叙事流

    基于摘要分析。研究针对多变量数值预测与文本辅助多模态预测依赖不同关系、融合和时序模块的问题，提出 Multimedia Identity-Aware Prism Network（MIDAPN），尝试建立共享的时空预测骨干。其核心是结合媒体通用图适配与自动时序学习，处理跨媒体身份区分及时间尺度不匹配。 机制方面，方法以媒体预对齐为前提：Multimedia Identity-Aware Graph（MIDAG）从静态本质、动态行为和潜在共性构建亲和关系，将变量间依赖扩展到跨媒体关系；Contextual Identity Modulation（CIM）进一步细化具有区分性的聚合。Spectral Prism Convolution（SPConv）承担层次化时间分析，平衡粗粒度趋势与细粒度细节，Adaptive Search Guidance 则配置适合时间维度重建的尺度高效架构。具体图构建、频谱操作、搜索空间、损失与训练流程尚未验证。 作者报告，在涉及 13 个多变量数据集、12 个多模态数据集及 16 个被称为 SOTA 的 TSF 对照模型的评估中，MIDAPN 表现出持续优势和共享骨干兼容性；摘要还提及面向长上下文、与 14 个时序基础模型及融合预训练语言模型的针对性比较。摘要未提供数据集名称、划分、预测跨度、指标和具体分数，不能据此量化提升或判断不同协议间的可比性。实验协议、消融及统计信息尚未验证。摘要提供了代码链接，但实现完整性与复现条件尚未核对。 平台推测（待验证）：迁移假设是将 EEG 通道视为变量，利用图适配处理通道依赖，以层次化时间分析处理多尺度动态；若加入事件描述等文本，还需要可靠的时间与语义预对齐。可尝试复用图聚合和时间分析模块，但需改造通道身份表示及媒体对齐流程。低信噪比、伪迹、跨被试差异、通道缺失和小样本可能使亲和关系或尺度搜索不稳定。一个可证伪的小实验是在固定跨被试划分的 EEG 预测任务中，比较完整方法、移除 CIM 的版本与固定时间尺度版本，保持预处理和训练预算一致，检验预测误差及通道缺失下的稳定性；预测收益不等于 BCI 解码收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 MIDAPN 如何以媒体通用图适配和自动时序学习统一数值与文本辅助预测，以及其优势是否依赖媒体预对齐；对 EEG 的适用性尚未验证。

  2. arXiv · 在线与高效推理80

    SV-TAD：用于高效时序动作检测的原生稀疏卷积

    基于摘要分析。该研究针对长视频理解中轻量卷积适配器虽能降低可训练参数量、却未充分降低推理计算的问题，提出原生稀疏二维卷积，并将其集成到时序动作检测框架 SV-TAD，使适配器直接处理动态剪枝后的 token 集合。 核心机制是解决 token 选择与卷积适配器之间的结构冲突：剪枝可降低注意力计算，但会破坏卷积依赖的空间网格，若先重建稠密表示，可能抵消加速收益。作者提出的稀疏算子旨在绕过这一重建步骤。摘要未说明 token 选择策略、稀疏邻域构建、卷积实现、损失函数或训练配置，这些细节尚未验证。 作者报告，在 THUMOS-14 和 ActivityNet-1.3 的时序动作检测评估中，采用 VideoMAEv2-L 时计算量最多降低 64%，推理速度达到 2.2 倍，同时维持作者所称的当前最佳精度；摘要未提供具体精度指标、对应划分、基线配置、硬件及计时范围，无法判断两项效率数字是否对应同一设置。作者还报告，扩展到 InternVideoNext-L 后，以约一半计算成本超过此前最佳结果，但具体指标与对照条件尚未验证。稀疏表示亦支持辅助任务 token，作者报告其改善了 ATTACH 上的细粒度装配检测，未给出提升幅度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 时频表示采用网格化 token 与卷积适配器，这种避免稠密重建的机制可能用于降低推理开销；该假设不代表已证实的 BCI 效果。可复用的是稀疏卷积处理路径，需改造 token 选择及邻域定义，以适应时间、频率与通道结构。低信噪比下剪枝可能删除弱判别信号，通道差异与小数据也可能使选择策略不稳定。一个可检验的小实验是在固定 EEG 任务、数据划分及骨干下，对比稠密适配器、剪枝后稠密重建、直接稀疏卷积三种路径，同时记录任务指标与同一硬件上的端到端延迟。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其原生稀疏卷积如何避免 token 剪枝后的稠密重建开销，以及计算量下降能否在不同骨干与实际推理环境中转化为稳定加速。

  3. arXiv · EEG 与神经表征73

    预测拟合相近但潜在动力学不同：刻画脑疾病个体化模型学到的动力学结构

    基于摘要分析。研究考察个体化模型在预测拟合相近时，其学到的潜在动力学是否仍呈现与临床分组相关的差异。核心贡献是将 EEG 表征转为共享潜在状态，并比较逐被试拟合的转移依赖图，强调预测表现与模型内部动态结构应分别评估。 方法上，作者使用在 Temple University EEG Corpus（TUEG）上预训练的轻量 CNN–Transformer EEG 基础模型提取片段级表征，再将 Temple University Epilepsy Corpus（TUEP）的表征映射至共享潜在状态空间。随后为每位被试独立拟合稀疏 multinomial logistic transition distributions（mLTD），得到个体化转移依赖图 W_n。摘要未说明潜在状态构建过程、k 的确切定义及稀疏化配置。 分析包含 198 名被试，其中癫痫与非癫痫各 99 名。作者报告，k=4 时癫痫组学到的依赖结构更密集（p=1.1×10⁻⁷），k=6 时也观察到同方向差异（p=5.2×10⁻⁵）。基于图特征的组别判别采用按被试划分的五折交叉验证，AUROC 在 k=4 时为 0.68、k=6 时为 0.65，显示中等程度的组别区分能力。 相比之下，作者报告 k=4 时癫痫组与非癫痫组的留出数据 log-likelihood 分别为 −0.992 与 −0.991（p=0.95），下一状态预测 AUROC 分别为 0.855 与 0.861（p=0.54）。这些结果支持在所用模型和评估条件下，预测拟合相近仍可伴随学到的动态结构差异；不能据此将依赖图直接解释为生理连接或疾病因果机制。 复现时需核对共享状态空间与图特征的构建是否纳入交叉验证流程、留出预测的具体划分、记录长度和采集条件的影响，以及图密度对状态数量与稀疏化配置的敏感性。全文未取得，实验协议、消融及统计信息尚未验证；摘要结果也不足以确立临床诊断效用。

    阅读价值：该研究提供了比较个体化模型所学动态结构与预测性能的具体路径；作者报告两组预测表现相近但依赖图密度不同，值得核对共享潜在状态构建及图结构差异的稳健性。

10月7日周三
  1. arXiv · 在线与高效推理73

    面向边缘设备的高效 3D Gaussian 头部虚拟形象

    基于摘要分析。该研究针对生成式 3D Gaussian 头部虚拟形象虽能高效渲染、但 Gaussian 表示合成仍计算昂贵的问题，提出用于无条件头部合成的高效生成器架构，以降低资源受限设备上的生成成本。 核心机制是结合参数高效的合成模块与深度可分离卷积，同时保留基于 style 的条件化机制；效率改进来自架构设计，不要求模型压缩或量化。摘要未说明合成模块的具体结构、style 注入方式、损失函数及训练流程，这些细节尚未验证。 作者报告，相较其采用的基线模型，所提架构使 FLOPs 降低 94%、参数量降低 70%、模型大小降低 81%，同时保持有竞争力的生成质量。摘要未给出基线名称、计算口径、质量指标及具体数值，不能据此判定质量完全无损或与其他方法直接比较。作者还评估了多视角一致性、训练成本和部署性能，但对应实验协议与结果尚未验证。 部署方面，作者报告使用 ONNX Runtime 实现实际 CPU 推理及移动设备上的浏览器执行，无需专用 GPU 硬件或应用专用软件。设备型号、推理延迟、内存占用及浏览器运行条件未在摘要中披露。代码、训练模型和评估工具被表述为将公开发布，当前可获取状态尚未验证。 该工作的直接研究对象是 3D 头部虚拟形象生成，并非 EEG 解码或 BCI。其结构级轻量化思路可作为边缘推理设计参考，但摘要未提供与 EEG 数据结构或任务机制的明确对应，不能据此推断 BCI 收益；已有 EEG 相关工作尚未检索确认。复现时应重点核对训练数据与划分、基线配置、生成质量与多视角一致性的评估，以及目标设备上的实际计算和存储成本；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读其通过生成器结构设计而非压缩或量化降低计算成本的路径，并核对生成质量、多视角一致性及移动端部署表现之间的权衡；摘要中的效率收益仍需结合具体基线与运行条件验证。

  2. arXiv · 在线与高效推理76

    MemFLoRA：面向边缘端 CNN 适应的内存下限 LoRA

    基于摘要分析。MemFLoRA 面向部署后用户、传感器或环境变化引起的端侧 CNN 适应，核心贡献是将适配器设计目标从减少可训练参数转向减少反向传播所需保存的激活状态。 机制上，作者提出激活内存下限准则：可训练部分的反向计算不得依赖层的全宽输入。适配器冻结下投影、训练尺度匹配的上投影，并结合处于 eval 模式的骨干归一化与最小化激活保存的反向计算规则，将需要保存的状态压缩到低秩分支。其区别于直接套用面向 Transformer 的 LoRA，重点在于反向计算依赖与激活保存成本，而不只是参数量；具体尺度匹配方式、反向规则和适配位置尚未验证。 作者报告，在三个 Human Activity Recognition（HAR）数据集、两个 CNN 骨干上，针对被试、身体位置及传感器放置变化进行评估，相比全量微调，保存激活的内存减少 98.5–98.7%，峰值训练状态内存减少 94.9–97.3%，任务表现达到或超过 CNN PEFT 基线。摘要未给出数据集名称、划分细节、具体任务指标或基线名称，不能将这些结果直接解释为 EEG 效果，也不能等同于设备总内存降幅。实验协议、消融及统计信息尚未验证；复现还需核对低秩维度、训练配置、内存计量口径与实现细节。 平台推测（待验证）：若 EEG CNN 的端侧适应同样受激活保存成本限制，该机制可能有助于跨被试或传感器变化下的低内存训练。可复用的是低秩分支及激活保存约束，需改造的是 EEG 卷积结构中的插入位置与通道映射。该假设依赖预训练骨干已保留可迁移特征；低信噪比、通道变化、小样本或归一化统计失配可能使冻结下投影限制适应能力。可先在固定 EEG CNN 的跨被试划分上，以相同适应数据和训练预算比较 MemFLoRA、常规 LoRA 与全量微调，同时记录任务指标、保存激活内存和峰值训练状态内存。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其“可训练反向计算不依赖全宽输入”的激活内存下限准则及实现，因为它直接针对端侧 CNN 适应中训练参数少但激活保存成本仍高的问题；对 EEG 端侧适应的价值尚未验证。

10月6日周二
  1. arXiv · EEG 与神经表征75

    解耦时间与空间：用于 EEG 源成像的时间条件化细化方法

    基于摘要分析。该研究针对 EEG 源成像中空间逆问题的严重不适定性，以及逐帧模型难以利用时间上下文、完整四维时空网络在重建精度与推理成本之间存在权衡的问题，提出将全局时间表征学习与逐时刻空间细化显式解耦的双流框架。 机制上，基于 Transformer 的 Temporal Condition Encoder 通过分解式时空注意力处理完整 EEG 序列，同时保留传感器分辨的特征。随后，固定逆算子将这些特征映射为按源索引的条件信息，供逐时刻的 Source-Space Transformer 或体积卷积细化器使用。其方法价值在于让逐时刻空间重建受到序列级时间先验约束，而不是仅依赖当前时刻观测；具体注意力实现、逆算子构造、损失函数与训练设置尚未验证。 作者报告，在逼真的合成数据评估中，该时间先验改善了空间定位，优于经典方法和时空基线，尤其在高噪声与多源情形下表现更好。作者还报告，使用多样化 leadfield 并在训练中显式引入算子失配，有助于迁移到未见头部几何，使基于模板的重建更接近被试特异的逆解。摘要未提供具体基线、误差指标、数值结果、数据划分或推理耗时，实验协议、消融及统计信息尚未验证。 真实 EEG 验证方面，作者将仅用合成 EEG 训练的模型用于真实数据，并基于睁眼与闭眼条件下的源功率差异拟合 logistic regressor，报告能够解码年龄组。这提供了重建表征用于下游分析的证据，但年龄组解码成功不能单独证明源定位准确，也不等同于 BCI 性能验证；被试规模、年龄组定义、训练测试划分及分类指标尚未验证。 复现时值得核对固定逆算子与 leadfield 的一致性、算子失配的构造方式、未见头部几何的划分，以及真实数据下游分类的评估协议。全文、代码和完整复现条件尚未取得。

    阅读价值：该研究提供了将全局时间上下文与逐时刻空间重建解耦的 EEG 源成像路径，值得核对其固定逆算子的条件映射、头部几何迁移及真实 EEG 验证，但摘要尚不足以确认性能增益与推理成本。

10月5日周一
  1. arXiv · EEG 与神经表征74

    基于腕戴式可穿戴加速度测量与深度学习的无创癫痫发作检测

    基于摘要分析。本研究针对癫痫发作日记漏报及院内视频 EEG（VEEG）监测的使用限制，探索以单个腕戴式加速度计和深度学习实现无创发作检测。研究以同期 VEEG 的专家标注作为监督，构建基于时间序列 ResNet 的深度神经网络，区分发作与非发作事件；检测输入为腕部运动信号，而非 EEG，也不属于 BCI 解码研究。 数据与方法：作者招募了 79 名接受 VEEG 监测的患者佩戴加速度设备，由具有专业认证的癫痫专科医生复核同期 VEEG，标注发作起始、结束及类型。摘要提出系统面向多种发作类型及较短事件，但未说明输入窗口、预处理、网络结构细节、损失函数或训练与测试划分。 结果：作者报告，在总计 5576 小时记录的评估中，发作检测敏感度为 95.65%，总体误报率为每 24 小时 0.15 次。作者另报告，在经历 46 次惊厥性发作的 20 名患者上，平均 AUC-ROC 为 0.98、AUC-PRC 为 0.67。两组结果的评估范围、患者级平均方式及事件匹配规则需核对全文，不能据此推断对所有发作类型均具有相同效果。 适用边界与复现：作者认为结果支持长期院外监测的应用潜力，并计划在更大数据集及更多发作类型上验证；当前摘要所述数据采集发生于 VEEG 监测环境，院外泛化尚未验证。需进一步核对是否采用被试内或跨被试划分、检测阈值与延迟、短事件表现、日常动作干扰、对照基线及统计不确定性。实验协议、消融及统计信息尚未验证，代码与数据可用性亦尚未验证。

    阅读价值：值得核对其以 VEEG 专家标注训练腕部加速度时序 ResNet 的检测方案，尤其是长时记录下的误报率与患者级评估协议；摘要中的住院监测结果尚不能直接证明长期院外使用效果。

  2. Europe PMC · BCI / PubMed76

    空间采样与时间动态塑造宽频带皮层内信号的运动解码

    基于摘要分析。研究关注宽频带皮层内活动中哪些成分有利于运动解码，以及这些成分如何受电极配置和解码策略影响。作者比较多时间尺度的神经特征，并分析局部运动电位（LMP）的频谱、时间结构和通道冗余，以探讨稳健运动解码的信号表征原则。 实验使用恒河猴执行面向静止或移动目标的延迟到达任务时的记录，覆盖背侧前运动皮层、初级运动皮层和背外侧前额叶皮层；采集设备为 64 通道线性 S-probes 或 96 通道平面 Utah arrays。比较特征包括放电频段功率（SBP）、LMP 及多个频段的局部场电位（LFP）功率，解码器涵盖线性和非线性方法。摘要未给出被试数量、具体解码目标、训练测试划分及评价指标，不能据此量化不同配置的性能差距。 作者报告，SBP 与高频 LFP 特征的解码表现随记录到的单神经元数量变化，而 LMP 更受电极几何配置影响。在上述运动任务中，平面 Utah arrays 的 LMP 解码表现优于线性 S-probes，同时呈现更低的电极间相关性和更大的偏好方向差异。该结果提示空间采样可能影响可用群体信息的多样性，但几何配置、通道数、脑区及其他采集条件如何区分，需要全文核对。 作者报告，LMP 解码主要依赖与 delta 频段及运动相关皮层电位重叠的低频成分，其分析中的最优解码频率范围约为 0.1–8 Hz；非线性时间解码器，尤其是 convolutional neural network 和 gated recurrent unit 模型，进一步改善了 LMP 解码。具体滤波、时间窗口、模型结构、提升幅度及统计信息尚未验证。 研究直接涉及侵入式 BCI，阅读重点是低频群体动态能否在保留运动信息的同时降低通道冗余。作者将结果关联至可扩展与无线 BCI，但摘要未提供硬件带宽、功耗或在线闭环验证。复现需核对电极与脑区配置、特征提取、通道筛选、数据划分及基线设置；实验协议、消融及统计信息尚未验证。

10月3日周六
  1. arXiv · 泛化与分布偏移69

    评估 SAR 影像中用于冰川崩解锋线勾绘的区域引导锋线提取

    基于摘要分析。研究针对合成孔径雷达（SAR）影像中冰川崩解锋线细薄、且冰川与海洋及周围岩石或地形之间边界模糊的问题，比较直接锋线预测与区域引导锋线提取，检验较宽泛的语义区域监督能否支持精细边界恢复。 研究使用 CAlving Fronts and where to Find thEm（CaFFe）数据集提供的二值锋线掩码与语义区域掩码，在相同的边界框裁剪设置下比较 U-Net、DeepLabV3+ 和 SegFormer-B0。直接预测方案输出二值锋线掩码；区域引导方案先预测四类语义区域，再从预测的冰川—海洋边界提取锋线。评估同时覆盖区域级与锋线级表现，并加入从真实区域标签提取边界的检查，以及针对传感器特定和冰川特定子集的轻量测试时自适应。 作者报告，从真实区域标签提取锋线获得最低的平均距离误差，说明区域标签包含有用的锋线边界信息；但从模型预测区域中提取的锋线仍然表现较弱，即使区域分割得分达到中等水平。作者还报告，测试时自适应未能一致改善区域引导锋线恢复。这些结果支持将区域分割质量与目标边界质量分别评估；边界感知训练、标签融合或显式锋线监督是作者提出的后续方向，并非摘要已验证有效的方法。 摘要未提供具体分数、数据划分、损失函数、边界提取细节或自适应更新方式，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务同时具有粗粒度状态标签与精确事件边界标注，可借鉴这种“粗标签预测—边界恢复—直接边界预测”的对照思路，但空间语义区域需改造为时间状态及转变边界。低信噪比、跨被试差异和小数据可能使粗粒度识别较好而边界定位仍不可靠。一个可检验的小实验是在固定跨被试划分下，比较直接事件边界预测、状态预测后提取边界及真实状态标签提取边界，并分别评估状态识别与边界时间误差；该假设不代表已证实的 EEG 效果，相关 EEG 工作尚未检索确认。

10月2日周五
  1. arXiv · 泛化与分布偏移79

    超越随机划分：在化学与生物学驱动的分布偏移下评估药物–靶标亲和力模型

    基于摘要分析。研究考察药物–靶标亲和力（DTA）预测中，评估所采用的分布偏移是否会改变模型架构的优劣排序。其贡献是对化学结构、蛋白质靶标及二者同时变化的外推情境进行受控比较，检验单一划分下的模型选择能否适用于其他部署情境。 作者从 ChEMBL 与 BindingDB 整理了 718,800 个唯一药物–蛋白质配对，将 Morgan-fingerprint + protein-CNN 基线与 12 种受控架构进行比较；后者组合四种药物表征与三种 ESM-2 交互模式。摘要未给出各表征和交互模式的具体实现、训练损失及划分构造细节。 作者报告，在 scaffold OOD 与 fingerprint-cluster OOD 下，平均验证 RMSE 分别为 0.950 和 0.945；在 protein-cluster OOD 与 dual OOD 下，分别升至 1.299 和 1.321。两种化学偏移下的模型排名较一致（tau = 0.79），但 protein OOD 与 scaffold OOD 的排名一致性降至 tau = 0.39，dual OOD 与 scaffold OOD 则呈负向关系（tau = -0.55）。这些数值分别对应不同评估分布，不能视为同一测试条件下的直接性能比较；亲和力标签单位、变换及聚合细节尚未验证。 作者报告，留出评估、重复随机种子、考虑分组的 bootstrap 分析以及样本量匹配对照支持同一结论：架构选择依赖外推类型，而不只依赖平均误差或训练集规模。全文中的实验协议、消融及统计信息尚未验证，尤其需要核对分组规则、各划分样本量和排名不确定性。 平台推测（待验证）：可迁移到 EEG/BCI 的是评估原则，而非这些 DTA 架构本身。假设被试、会话或采集设备的变化也可能改变模型排名，可在同一 EEG 数据集上对固定候选模型分别进行被试内与跨被试评估，并以被试为单位估计排名不确定性。小样本、低信噪比和通道差异可能使排名更不稳定；原领域结果不构成 EEG 有效性证据，相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其分布偏移评估设计：作者报告化学偏移与蛋白质偏移可改变甚至逆转模型排名，提示架构选择应与预期部署场景匹配，而非仅依据单一划分的误差。

9月30日周三
  1. Europe PMC · BCI / PubMed63

    用于 SSVEP-BCI EEG 解码的空间与通道重建引导频率—时间—空间深度神经框架

    基于摘要分析。该研究针对 SSVEP-BCI 深度学习解码模型复杂度较高、依赖大量校准数据的问题，提出 Spatial and Channel Reconstruction-based Frequency-Time-Space Deep Convolutional Neural Network（SCR-FTSDNN），通过频率、时间与空间特征建模及空间与通道重建，提高 SSVEP 目标识别能力。 机制方面，原始 EEG 首先经 Fourier transform 转换到频域，提取初步频率相关表征，再通过时间卷积捕获动态时间特征。网络引入空间与通道重建卷积模块，以增强判别特征提取；同时采用空洞卷积扩大频率、空间和时间特征的感受野。作者将冗余信息抑制和关键判别成分强化归因于这些设计，但摘要未给出重建模块的具体运算、特征组织方式、损失函数或训练细节，相关机制仍需结合全文核对。 评估方面，作者报告在两个公开 SSVEP 数据集 Benchmark 和 BETA 上开展系统实验，并与多种已有方法比较；作者报告该方法具有更好的识别准确率和稳健性，尤其在有限校准数据条件下表现较好。摘要未提供具体 Accuracy、ITR、校准数据量、对照方法或数据划分，因此无法判断结果对应被试内还是跨被试协议，也不能量化收益或直接比较不同协议下的性能。 复现方面，摘要提供了公开代码地址，可据此核对模型实现与实验配置。重点应验证有限校准数据的定义、训练与测试划分、空间和通道重建及空洞卷积的独立贡献，以及参数量、计算开销和推理时延；这些信息决定其是否真正缓解校准与部署负担。实验协议、消融及统计信息尚未验证，当前证据不足以确认实际使用中的疲劳减轻或用户体验改善。

  2. OpenReview · EEG66

    使用 EEGNet 与 EEG Conformer 进行视觉解码的 EEG 特征表示比较研究

    基于摘要分析。本研究针对持续视觉范式中 EEG 特征提取方法的相对有效性尚不明确的问题，比较八种特征表示，并结合 EEGNet、EEG Conformer 及两种预处理流程评估视觉解码表现，旨在识别有效的特征基线与泛化瓶颈。 比较方法包括 coherence、Granger causality、directed transfer function、partially directed coherence、transfer entropy、discrete wavelet transform、empirical wavelet transform（EWT）和 wavelet scattering transform。研究使用 MindBigData MNIST、MindBigData MNIST-8B 与 MSS 三个公开 EEG 数据集，分别采用去除伪迹和不去除伪迹的预处理流程。摘要未交代特征如何输入两种架构、训练配置及各数据集对应的任务划分。 作者报告，EWT 获得最高 Accuracy：数字与空白二分类达到 97.83%，会话内自然图像分类达到 77.10%；连接性方法整体表现较低，其最佳 Accuracy 为 91.67%。摘要未明确这些数值各自对应的数据集、架构、预处理流程和训练测试划分，因此不能将不同任务的数值直接比较。作者据此认为，频谱功率信息比通道间关系更具判别力，并将小波类自适应频谱分解视为较强基线；这一解释的适用范围仍需结合完整实验核对。 作者报告，Cross-subject 泛化的最佳表现约为 68%，但摘要未明确该数值的具体指标及任务设置，作者据此强调域适应的研究需求。复现时值得核对被试与会话隔离方式、伪迹去除对不同表示的影响，以及特征提取参数和模型训练条件。被试数、实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未验证。现有摘要支持将 EWT 作为候选对照基线，尚不足以判断其优势能否跨任务或跨被试稳定保持。

9月19日周六
  1. OpenReview · EEG75

    运动想象 EEG 解码：超越单一最小导联配置

    基于摘要分析。本文研究运动想象 EEG 解码中的精简导联问题，区分“解码器需要多少电极”的压缩问题与“选择特定电极是否优于同数量其他电极”的选择问题，主要贡献是用等通道数随机基线和独立测试检验这两类主张，而非提出一个普适的最小导联配置。 研究采用紧凑的 EEGNet-style 解码器，在 PhysioNet EEG Motor Movement/Imagery Dataset 上进行想象左拳与右拳运动的分类。共纳入 106 名被试，按被试划分为训练、验证、测试集，人数分别为 74/16/16，属于 Cross-subject 评估。作者预先固定保留全导联 Cohen’s Kappa 90% 的标准，仅用验证被试选择通道预算，再在留出测试被试上评估一次；Fisher 通道排序仅使用训练数据，并与相同通道预算的随机子集比较。 作者报告，验证集选出的预算为 64 个通道中的 32 个，Kappa 为 0.420，全导联为 0.443，保留比例为 94.8%。同一预算在留出测试被试上的 Kappa 为 0.292，全导联为 0.326，保留比例为 89.7%；被试级 bootstrap 区间为 0.698–1.079，包含 90% 阈值，因此测试结果既不能确认，也不能排除达到预设保留标准。 关于电极选择收益，作者报告 Fisher 排序未与等预算随机子集明确区分：每个预算使用 20 个随机子集时，单侧 p 值均不低于 0.14。测试后仅在验证集扩展至 100 个随机子集，排序配置在 k=16 与 k=32 时分别位于第 74 与第 87 百分位，对应 p=0.267 与 0.139。这些验证分析不能替代独立测试证据。 验证集后续分析中，作者报告八通道感觉运动区配置在十个新随机种子下优于排序配置，Kappa 差值为 +0.120，95% CI 为 0.088–0.151，但未优于同一头皮带内的随机子集；被试特定配置未超过随机配置，蒸馏结果尚无定论。复现时应保留按被试划分、验证集选预算、训练集内排序及等预算随机对照这些关键条件。具体预处理、Fisher 计算方式、随机子集采样规则、训练超参数及完整统计协议尚未验证。

    阅读价值：值得阅读其将通道压缩与电极选择收益分开评估的设计：作者报告 Fisher 排序未明确优于等通道数随机子集，提示精简 EEG 导联的结论应结合随机基线与独立测试中的不确定性判断。

  2. OpenReview · EEG75

    NeuroX-EEG：面向零样本 EEG 超分辨率的头皮场补全

    基于摘要分析。该研究针对 EEG 超分辨率方法通常反复监督固定目标通道、因而难以判断能否泛化至未见电极位置的问题，提出 NeuroX-EEG：通过头皮空间场补全，重建同时被排除在条件输入与训练监督之外的电极位置。 核心机制是将 EEG 映射到二维头皮网格并进行基于扩散的补全，利用卷积捕捉体积传导所带来的局部空间平滑性，同时引入预训练 EEG 基础模型表征，提供更广泛的时间、频谱及跨通道结构。摘要未说明基础模型名称、网格映射方式、表征融合机制、损失函数或训练与推理配置，相关实现尚未验证。 其零样本协议是在同一批记录内留出电极位置，而非跨数据集零样本迁移，因此不能将结果直接解释为跨被试、跨会话或跨数据集泛化证据。作者报告，在三个数据集、涵盖 62 通道与 19 通道电极布局及多种观测密度的评估中，NeuroX-EEG 在七个“数据集–尺度”设置中的六个取得所评方法中最低的 NMSE。区域留出评估中，颞区与顶区带状留出的收益最明显；在所评协议下，重建信号的平均下游 BCI 解码表现高于低密度输入。摘要未提供具体 NMSE、解码指标及数值，不能量化收益或据此认定优于原始高密度 EEG。 复现时需核对数据集名称、被试与记录划分、留出电极是否在全部训练环节中隔离、基础模型预训练数据与评估数据的关系，以及对照方法、区域留出设置和下游解码流程。上述内容属于待核对事项，并非已发现的实验问题；完整实验协议、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未见电极位置重建与固定目标通道重建区分开来，并同时评估空间重建误差和下游 BCI 解码，但协议细节及收益的统计可靠性尚未验证。

  3. OpenReview · EEG73

    超越 patch 级 EEG 重建：用于 EEG 解码的对比预训练与多尺度卷积 Transformer

    基于摘要分析。研究针对低信噪比及多时间尺度采样点依赖下，原始 EEG 信号分词与掩码重建预训练是否最优的问题，提出结合对比预训练、多尺度采样点级卷积和 Transformer 编码器块的 CoCoT-EEG，并通过消融实验与机制分析考察架构及预训练目标的影响。 核心思路是将对比学习作为 EEG 自监督预训练的替代路径，同时通过多尺度卷积提取采样点级特征。与围绕 patch 进行重建的方案相比，该研究关注跨 patch 边界的特征提取及较长卷积核，以处理不同时间尺度的信号依赖。摘要未提供对比样本构造、数据增强、损失形式、卷积尺度、模型规模及训练流程，这些实现细节尚未验证。 作者报告，CoCoT 在具有异质实验配置的广泛基准解码任务上达到 state-of-the-art 表现；消融与机制分析支持对比预训练、跨 patch 的采样点级特征提取及较长卷积核带来收益。不过，摘要未列出数据集、任务名称、被试数量、被试内或跨被试等划分协议、对照基线及指标数值，因此尚不能判断提升幅度、跨场景稳定性或各设计因素的独立贡献，也不能直接比较不同实验协议下的结果。 复现与评估应优先核对：预训练和下游数据的划分关系，对比学习正负样本与增强策略的定义，以及比较预训练目标时是否控制架构、数据规模和训练预算。对于低信噪比 EEG，还需核对所学表征是否保留任务相关信息，以及跨被试、跨会话和通道配置变化下的表现。具体实验协议、消融及统计信息尚未验证；摘要中的积极结果不应扩大为对所有 EEG 解码场景均有效的结论。

    阅读价值：值得阅读其对预训练目标与架构的分离分析：作者报告对比预训练、跨 patch 的采样点级特征提取及较长卷积核有益于 EEG 解码，但具体收益与适用协议仍需全文核对。

9月18日周五
  1. OpenReview · Representation learning80

    表征形成的信息几何

    基于摘要分析。本文研究神经网络内部表征在训练过程中如何形成，以及形成路径是否包含最终表征无法揭示的信息。其核心贡献是将表征学习视为几何轨迹，用 Bures 几何度量表征空间中的移动，并用量子 Fisher 信息刻画表征对输入因素的局部敏感性。 机制与结果：作者报告，学习使局部敏感性集中于任务相关因素；仅改变预测目标，就会使表征几何围绕相应视觉因素重新组织。当所学计算需要输入因素之间更高阶的交互时，表征轨迹会系统性地变得更曲折。作者报告，这一现象在性能匹配和训练时长控制下仍然存在，并从向量输入上的 MLP 扩展到渲染图像及自然图像上的残差 CNN；摘要未提供具体数据集、划分或定量指标。 稳定性与干预：作者报告，在控制交互阶数后，路径曲折度能够预测继续训练时的表征漂移及其对参数扰动的敏感性，而端点位移不能提供相同的预测信息。此外，表征感知优化可主动塑造这些轨迹。轨迹采样、几何量计算、优化目标、计算开销、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，训练路径的几何特征可能为 EEG 解码器的表征稳定性提供补充诊断，而非直接提高解码效果。可复用的是轨迹测量与稳定性预测框架；需改造的是输入因素定义、EEG 表征的几何构造及采样方式。原研究依赖可辨识的输入因素和预测目标，EEG 的低信噪比、通道差异及小数据可能使曲折度主要反映训练噪声。一个可检验的小实验是在固定被试内划分、性能匹配和训练时长的条件下，检验路径曲折度能否比端点位移更好地预测继续训练及参数扰动后的表征漂移。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以训练轨迹而非仅以最终表征分析计算复杂性与表征稳定性的思路，摘要报告了性能匹配及训练时长控制，但具体测量与干预方案尚待全文核对。

9月17日周四
  1. OpenReview · State space models68

    DA-Mamba：学习域感知状态空间模型以实现域适应目标检测中的全局与局部对齐

    基于摘要分析。该研究面向域适应目标检测（DAOD），目标是将检测器从有标注的源域迁移到无标注的目标域。作者提出 DA-Mamba，以混合 CNN 与状态空间模型（SSMs）的架构联合建模全局和局部域不变特征，而非直接研究 EEG 或 BCI。 作者认为，现有 CNN 方法的局部连接限制了全局特征对齐，而基于 Transformer 的方法虽能捕获全局依赖，却受到注意力二次计算成本的制约。DA-Mamba 引入两个模块：Image-Aware SSM（IA-SSM）置于骨干中，增强全局域感知并支持图像级全局与局部对齐；Object-Aware SSM（OA-SSM）置于检测头中，建模对象之间的空间与语义依赖，支持实例级对齐。其机制重点是利用 SSM 的线性时间长程建模能力补充 CNN 的局部特征提取。 作者报告，实验显示该方法能够高效改善检测器的跨域性能；摘要未提供数据集、划分、具体指标、对照结果或计算开销数值，因此无法量化收益，也不能据此判断是否适用于跨被试或跨会话 EEG。对齐损失、训练流程、实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：其可迁移假设是，长程建模与多粒度域对齐的组合或可用于缓解 EEG 局部特征提取与域偏移问题。原任务依赖图像及对象实例结构、源域标注和无标注目标域；迁移时可考虑复用 SSM 与分层对齐思路，但需将图像和对象表征改造为 EEG 时间片段或通道表征，不能直接套用检测头。低信噪比、跨被试差异、通道布局变化和小数据可能导致对齐不稳定或抹去任务相关特征。一个可检验的小实验是在固定跨被试划分及相同目标域数据访问条件下，比较 CNN、CNN+SSM 与加入分层对齐的版本，并核对任务表现及计算开销。已有 EEG 相关工作尚未检索确认。

  2. OpenReview · Representation learning77

    超越任务成功：表征复用理论

    基于摘要分析。本文研究通用表征学习中的复用问题：源任务成功并不保证移除原任务头后，编码器仍能支持监督有限的后续任务。其核心贡献是相对于指定的未来任务族定义表征需求，并区分“结构可访问性”与“坐标一致性”两类复用条件。 理论框架将“任务相关状态”定义为对任务族中所有任务均充分的最粗确定性状态。任务族扩大可能要求更细的状态；若表征丢失某个必要区分，则在包含该冲突的目标支持集上，至少一个后续任务无法恢复。结构可访问性关注所需区分是否仍可恢复，坐标一致性则关注同一套下游规则能否跨样本一致地解释这些区分。因此，信息仍被保留与信息能被共享下游规则有效使用并非同一条件。 作者报告，两类失败模式在实验中可分别出现；任务相关区分越容易访问，复用表现越好。依赖样本的可逆坐标变换即使不破坏表征的可恢复性，也可能显著降低复用表现，而逆转对应变换可恢复性能。作者还报告，在预先指定的 CIFAR-100 实验中，ResNet-18 与 DenseNet-121 均呈现相同的可访问性—复用排序；保留包含预期任务族所需区分的候选状态，可改善兼容的留出任务表现，目标监督有限时收益最明显。摘要未提供具体指标、数据划分、下游规则容量或训练细节，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一框架可能对应 EEG 表征迁移中的两个瓶颈——预训练表征是否保留后续任务所需区分，以及跨被试、跨会话的表征坐标变化是否妨碍共享解码器。可复用的是任务族定义与信息保留／坐标一致性的分离检验，需改造的是 EEG 候选状态、任务定义及对齐方式；低信噪比、通道差异和小样本可能使状态估计或对齐失效。一个可检验的小实验是冻结同一 EEG 编码器，在固定划分与标签预算下，比较原表征、已知的样本依赖可逆坐标变换及其精确逆变换后的下游表现，检验信息保留是否足以保证复用。该实验仅检验机制，不证明真实被试差异可被逆转；相关 EEG 工作尚未检索确认。

    阅读价值：该研究把表征复用失败区分为任务所需信息丢失与坐标不一致，为检验“源任务表现好是否意味着表征可迁移”提供了具体分析框架，但其 EEG/BCI 适用性尚未验证。

9月16日周三
  1. OpenReview · EEG72

    EpiSpectraFormer：用于临床 EEG 睡眠分期的边界感知频谱–时间建模

    基于摘要分析。该研究针对癫痫监测单元（EMU）常规视频 EEG 缺少 EOG、EMG 辅助信号的睡眠分期问题，提出 EpiSpectraFormer，以频谱–时间建模及相邻睡眠阶段边界约束实现临床 EEG-only 分类；其主要研究对象是睡眠分期，而非 BCI 控制任务。 模型将 38 个 EEG 导联转换为频谱图，使用 ImageNet 初始化的 EfficientNet-B0 编码器形成时间 token，经 Cascaded Dilated Conv Block 混合后，由单层 Transformer 聚合。训练采用带标签平滑的 focal 目标，并加入 N1–N2 小批次原型正则项，旨在处理类别不平衡及 N1、N2 相邻阶段的区分困难。频谱图参数、时间上下文长度、正则项具体形式及各模块独立贡献尚未验证。 作者报告，在 Clinical-SLEEP-16K 的患者级五折验证中，Accuracy 为 71.8%，Macro-F1 为 72.7%；在匹配的临床协议下，相比 CBraMod 高出 6.1 个百分点，但摘要该比较句未明确指标名称，需核对全文。在三种可部署临床输入配置的比较中，38 导联输入的 Macro-F1 比 19 导联单参考 10–20 配置高 5.8 个百分点，比与 PSG 对齐的六 EEG 输入高 12.5 个百分点。这些结果支持核对密集 EEG 输入的实际贡献，但尚不能据摘要将增益单独归因于导联数量或某一模块。 作者另报告，在 ISRUC-S3、ISRUC-S1 上使用六 EEG 加两 EOG 通道训练与评估，Accuracy 分别为 82.0% 和 80.6%。这些实验用于评估与常规 EEG+EOG 睡眠分期的兼容性，不应视为公开数据集上的 EEG-only 验证，也不能与 Clinical-SLEEP-16K 的临床结果直接比较。 复现需核对患者与记录规模、患者级划分实施方式、预处理与导联构造、类别分布、CBraMod 对照配置，以及公开数据集的划分协议。实验协议细节、消融及统计信息尚未验证；摘要未提供代码、数据获取条件或部署开销。

    阅读价值：值得核对其面向 EMU 无 EOG/EMG 场景的 EEG-only 睡眠分期设计，尤其是 N1–N2 边界正则化与不同 EEG 输入配置的贡献，但其独立增益及跨患者泛化仍需全文实验验证。

  2. OpenReview · EEG77

    视觉预训练是 EEG 解码的免费午餐吗？跨 12 项基准的无损时间折叠

    基于摘要分析。本研究考察不使用 EEG 数据学习的视觉表征，能否通过合适的输入接口迁移到 EEG 解码，并尝试厘清 EEG 基础模型的收益与骨干容量、输入几何之间的关系。核心贡献是 lossless phase-interleaved temporal folding（无损相位交错时间折叠）：将通道–时间 EEG 片段重排为二维张量，不丢弃采样点，使标准卷积与 Transformer 视觉骨干能够直接处理 EEG。 作者在 12 项下游基准中评估了以 ImageNet 和 DINOv3 初始化的 EfficientNet-B0、ConvNeXt-Tiny 与 ViT-Small。作者报告，所评估的视觉模型在其中 8 项任务的两项主要指标上超过最强 EEG 基础模型参考；摘要未给出指标名称、具体分数、任务清单及被试内、跨被试或跨会话等划分，因此这一结论不能扩展为所有 EEG 场景下的普遍优势。作者还报告，匹配的随机初始化对照表明，预训练视觉权重对收益具有实质贡献，但匹配条件及各模型结果尚待全文核对。 技术上，该方法把迁移重点放在输入表示接口，而非必须依赖 EEG 专用预训练；无损重排保留了采样点，但并不自动保证二维邻接关系具有合适的时间或通道语义。需核对折叠规则、通道排列、输入尺寸与预处理，以及骨干容量和训练预算的控制方式。摘要无法确认这些因素如何影响结果。 作者将该组合定位为强且可复现的 EEG 基线，同时明确保留 EEG 专用预训练在冻结模型、少样本与跨电极布局迁移中的潜在优势。实验协议、消融及统计信息尚未验证；代码、权重、训练细节和复现条件也需进一步核对。

    阅读价值：值得核对其无损时间折叠接口与匹配随机初始化对照，以辨别 EEG 解码收益中视觉预训练、骨干容量和输入几何各自的贡献，但具体实验协议与可复现性尚未验证。

9月4日周五
  1. OpenReview · EEG71

    基于时频双路径有限标量量化的视觉到 M/EEG 脑编码

    基于摘要分析。研究面向从视觉刺激预测 M/EEG 神经响应的视觉脑编码任务，提出结合时频特征、有限标量量化（FSQ）及图像—神经表征对齐的三阶段框架。作者报告该方法在 THINGS-EEG2 和 THINGS-MEG 上有效，但摘要未提供具体指标、分数或对照结果。 第一阶段构建 BrainVAE：将 M/EEG 信号表示为通道×时间的二维输入，用 Conv2d 提取局部时空特征，同时通过 FFT 获得功率谱；随后由 Transformer 的自注意力融合 Conv2d 特征 tokens 与 Frequency Prefix Tokens，显式引入频域先验。潜在空间采用 FSQ 离散化，作者称该机制无需码本及辅助损失，并避免码本坍塌。 第二阶段通过 InfoNCE 对比学习，将量化后的神经潜在空间与 I-JEPA 图像嵌入对齐。第三阶段使用基于 Transformer 的 BrainTokenRegressor，通过交叉注意力从 I-JEPA 图像嵌入预测 FSQ token 序列；训练损失在 token 空间和信号空间中直接对照真实神经响应计算。摘要未给出这些损失的具体形式、权重及各阶段训练细节。 相较于摘要所述将 M/EEG 当作图像处理的扩散模型路线，该方法的主要区别是显式融合频域结构，并在响应预测阶段引入真实神经响应监督。需结合全文核对频域路径、FSQ、对比对齐及双空间监督各自的增益，以及对照方法是否采用一致的数据与评估协议。 目前被试数、预处理、数据划分、被试内或跨被试设置、评价指标、消融及统计信息尚未验证，不能据此判断泛化能力或复现成本。摘要将视觉假体列为应用动机，但未提供电极刺激或临床验证证据，编码效果不等同于视觉假体的实际有效性。

    阅读价值：值得核对其显式频域建模与真实神经响应监督如何共同改善视觉到 M/EEG 的编码，并通过全文确认各阶段的独立贡献及评估协议。

7月31日周五
  1. OpenReview · EEG72

    从可穿戴 EEG 重建 ECG 用于发作期心动过速分类

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

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

  2. OpenReview · EEG63

    融合基于 EEG 的运动想象与视觉信息，实现实时机械臂控制

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

7月19日周日
  1. OpenReview · State space models64

    DDV-GNet：基于 Deep Delta 门控网络的航天制造高吞吐缺陷检测

    基于摘要分析。本文研究航天制造与卫星部件质量控制中的视觉缺陷检测，旨在缓解分类准确率与实时计算成本之间的权衡。作者提出 Deep Delta Vision Gated Network（DDV-GNet），采用分层门控卷积架构，并声称通过线性复杂度计算和硬件优化设计实现高吞吐处理；其主要研究对象是工业视觉缺陷，而非 EEG 或 BCI。 机制方面，摘要描述了结合 Deep Delta operators 的门控线性变换：网络包含八个专门化模块，分为四个阶段，特征维度由 64 逐步扩展至 512。Deep Delta operators 的数学定义、门控方式、线性复杂度对应的输入变量，以及训练损失与硬件优化细节尚未验证。 作者报告，在包含 12 类太阳能电池板缺陷的 PVEL-AD 数据集上，DDV-GNet 的分类 Accuracy 为 87.91%，参数量为 7.18M；在 NVIDIA T4 硬件上，吞吐为 853.94 FPS，延迟为 1.17 ms。尽管标题使用“缺陷检测”，摘要给出的效果指标是分类 Accuracy，不能将其视为目标定位或检测指标。数据划分、输入分辨率、批大小、计算精度及计时范围尚未验证，吞吐与延迟的测量口径也需核对。 作者另报告，相比 EfficientNet-B0，延迟降低 35%，相对具有可比准确率的竞争 Vision Transformer 模型实现 12 倍加速；具体对照模型及统一评估条件尚未验证。摘要将超过 600 FPS 视为关键工业部署门槛，并声称该架构是其所知唯一超过该门槛的方案，这些应视为作者主张，而非已独立确认的行业标准或唯一性结论。实验协议、消融及统计信息尚未验证，材料也未提供代码或部署复现条件。现有证据不支持将工业视觉结果直接改写为 EEG/BCI 效果，相关工作尚未检索确认。

6月4日周四
  1. OpenReview · EEG73

    HybridRDG：通过混合深度学习–黎曼几何域泛化，从多范式 EEG 中进行零样本 ASD 生物标志物检测

    基于摘要分析。该研究针对多范式 EEG 中的跨被试域偏移，提出 Hybrid Deep-Riemannian Domain Generalization（HybridRDG），在训练时不访问任何目标被试数据，用于识别携带自闭症相关遗传变异的个体。其主要研究对象是临床生物标志物检测，而非直接诊断 ASD 或验证 BCI 控制性能。 核心方法融合两个互补分支：经对抗正则化的 EEGNet 提取时间波形形态；黎曼几何分支通过范式特定的多时间窗分解、Ledoit-Wolf 收缩估计与 Log-Euclidean 对齐表征空间协方差结构。摘要明确这些处理仅在源被试上拟合，但未提供对抗目标、融合方式、窗口设置及具体训练损失，相关实现尚未验证。这里的“零样本”指训练阶段不使用目标被试数据的域泛化设定，不能等同于对未知类别的零样本识别。 作者报告，在五种范式的严格被试留出协议下，与覆盖黎曼几何、深度学习及域泛化方法的十个基线比较，HybridRDG 在其中四种设置中获得最高的被试级 Balanced Accuracy。摘要未给出具体分数、差值、被试数量、范式名称或统计不确定性；其中“通常少于 50 名有标签被试”是背景描述，不能视为本研究样本量。 作者据此认为，几何协方差结构而非仅欧氏特征对齐，是零样本 EEG 泛化的重要因素。这一机制解释仍需结合分支消融、对齐对照及统计检验核对。复现时还需确认多范式数据组织、被试级预测聚合方式、训练与验证划分，以及所有预处理和模型选择是否遵守源被试限定。实验协议、消融及统计信息尚未验证，现有材料不足以判断跨会话、跨数据集泛化或临床检测效用。

    阅读价值：值得核对其仅基于源被试拟合的几何处理与深度分支融合机制，以及严格被试留出协议下的增益；摘要支持跨被试泛化的研究价值，但具体性能、统计可靠性及临床适用性尚未验证。

5月26日周二
  1. OpenReview · EEG66

    EEG 基础模型中的时间特征提取器：包含预训练时间序列模型的受控比较

    基于摘要分析。该研究考察 EEG 基础模型中时间特征提取器的作用，以及预训练时间序列基础模型（TSFM）能否用于 EEG 表征学习。核心贡献是在统一 EEG 基础模型中比较线性基线、卷积编码器与冻结的预训练 MOMENT，并通过运动想象和情绪识别两项下游任务评估表征质量。 技术上，研究将时间特征提取策略作为对照因素；其中 MOMENT 保持冻结，用作时间特征提取器，而非专门针对 EEG 适配的模型。摘要未说明输入时间窗、通道组织、MOMENT 与其余模块的接口、预训练数据、损失函数及下游训练方式，受控比较中其余配置如何保持一致也尚需全文核对。 作者报告，在所评估的运动想象数据集上，简单时间表征具有竞争力；在情绪识别数据集上，更丰富的时间建模更有益。作者同时报告，未经 EEG 专门适配的预训练 TSFM 可作为有效的时间特征提取器。这些结果提示时间建模的收益可能依赖任务与数据条件，但不能据此断言更复杂的提取器普遍更好，也不能将冻结 MOMENT 的可用性扩大为已验证的跨被试或跨数据集泛化能力。 摘要未提供数据集名称、被试数量、数据划分、Within-subject 或 Cross-subject 等评估协议、指标与数值，因此无法判断提升幅度及统计可靠性。复现需核对各提取器的输入与输出维度、可训练参数和计算开销、冻结范围，以及统一模型中的训练与评估设置；实验协议、消融及统计信息尚未验证。

5月11日周一
  1. OpenReview · EEG73

    解释、解释、再解释：伪迹与解释器扰动下 EEG 模型的不确定性–解释对齐

    基于摘要分析。该研究关注扰动式归因方法生成解释时，模型是否仍保持可靠预测的问题，提出在同一扰动条件下联合审计预测不确定性与解释可靠性，并以 EEG 型 BCI 为研究场景。其贡献是三个对齐诊断指标，以及在预测熵超过经校准阈值时不输出归因图的 abstain to explain 控制机制。 作者将通道丢失、眼部伪迹突发、肌肉噪声、工频噪声和带通不匹配作为可控扰动，用于考察分布偏移下的解释失效。审计指标包括：以预测熵与 deletion AUC 的 Spearman ρalign 衡量不确定性–忠实度对齐；单调性分数 M；以及统计模型不确定但归因仍高度集中的试次的失配率。摘要未给出各指标的完整定义、预期变化方向或计算细节，因此不能仅凭指标名称判断其是否充分反映解释可信度。 作者报告，在 BCI Competition IV 2a 上使用 EEGNet 和 ShallowConvNet，并比较 single softmax、temperature scaling、MC dropout 与 deep ensembles 时，deep ensembles 产生的解释最符合所提出的审计要求；abstain to explain 则移除了许多尖锐但具有误导性的归因。摘要未提供定量结果，也未明确被试内或跨被试评估、数据划分、具体归因方法及扰动强度，故这些结论应限定在作者所述实验范围内。 复现时需核对预测校准的评估方式、熵阈值的校准数据来源、deletion AUC 的实现，以及拒绝解释后的保留比例和解释质量变化。实验协议、消融及统计信息尚未验证。作者提出协议可推广至 EEG 之外的 AI 场景，但摘要未提供跨领域验证证据。

    阅读价值：值得阅读的具体原因是将 EEG 扰动下的预测不确定性与归因可靠性纳入同一审计协议，并提供可复核的诊断指标与拒绝解释机制，但其校准效果及诊断有效性尚需全文验证。

4月24日周五
  1. OpenReview · State space models72

    状态空间图像超分辨率的语义概念条件化

    基于摘要分析。本文研究单图像超分辨率（SISR），提出双分支 CNN–SSM 架构，将图像中的语义区域作为计算单元，以同时恢复全局结构一致性与局部细节；主要研究对象是自然图像重建，并非 EEG 或 BCI。 核心机制是 Semantic-Guided Grouping Network（SGGN）通过轻量分割提取实例级概念掩码，并据此动态重排供 State Space Model（SSM）处理的 token。Semantic Attentive State Space Equation（SASSE）将概念级先验注入 SSM 的读出，作者称其可通过单次扫描、以线性复杂度实现非因果全局条件化。为保留概念内部的空间拓扑，方法引入几何感知遍历与随机概念打乱，旨在避免模型记忆虚假的概念顺序；训练中以 Ensemble Consistency Regularization 协调异构分支。摘要未提供这些模块的具体公式、分割监督来源或损失定义。 作者报告，该方法改善图像恢复的结构一致性，并在标准 SISR 基准上达到 state-of-the-art 性能；但摘要未列出数据集、放大倍率、评价指标、数值、划分及对照方法，尚不能核对优势幅度或比较条件。实验协议、消融及统计信息尚未验证。复现还需核对概念提取的额外成本、推理时分割依赖，以及线性复杂度是否涵盖完整流程。 平台推测（待验证）：可迁移的假设是，以具有明确空间或功能关系的通道分组替代图像语义概念，探索分组重排与先验读出能否改善 EEG 的跨通道建模。可借鉴的是分组、遍历和读出机制，需改造的是概念获取方式，并保留时间顺序；EEG 不具备天然的实例分割掩码。低信噪比、跨被试差异、通道布局变化与小数据可能使分组不稳定。一个可证伪的小实验是在固定 Cross-subject 划分下，对比原始 SSM、随机分组与预定义通道分组，控制参数量和训练预算，检验收益是否来自有效分组。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是语义概念分组如何改变 SSM 的扫描与读出，以及单次线性复杂度扫描能否兼顾全局结构和局部细节；其 EEG 迁移价值尚未验证。

1月26日周一
  1. OpenReview · Representation learning72

    PaAno：用于时间序列异常检测的基于片段的表征学习

    基于摘要分析。该研究针对时间序列异常检测中大型模型计算与内存开销较高的问题，提出轻量方法 PaAno：学习短时片段的向量表征，并通过与训练序列中的正常片段比较，为各时间点计算异常分数。 核心机制：PaAno 从训练时间序列提取短时片段，使用 1D 卷积神经网络生成嵌入，以 triplet loss 和 pretext loss 联合训练，使表征捕捉片段中的时间模式。推理时，将各时间点周围片段的嵌入与训练数据中的正常片段嵌入比较。摘要未说明 pretext 任务、三元组构造、比较距离、正常片段筛选及分数聚合方式，这些细节尚未验证。 结果与证据边界：作者报告，在 TSB-AD benchmark 的单变量和多变量时间序列异常检测中，PaAno 在多种范围级与点级指标上达到最先进性能，并显著优于包括重型架构在内的已有方法。摘要未给出具体指标名称、分数、数据划分、基线配置或统计检验信息，因此不能量化优势；轻量、快速和高效的主张仍需核对运行时间、内存占用及硬件条件。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 异常或伪迹能表现为局部时间模式偏离，该片段编码与正常参照比较机制可能用于 EEG 异常筛查，但不等同于已验证的 BCI 解码效果。可复用片段编码和参照比较框架；需适配多通道空间关系、采样率及被试差异，并确认训练数据中正常片段的来源。低信噪比、正常状态变化、通道配置差异及小数据条件可能使距离分数混淆生理变化与异常。一个可检验的小实验是在具有异常标注的 EEG 数据上，固定片段划分，以独立记录进行测试，对照简单距离方法，分别核对点级检测表现与推理开销；若跨被试测试，应单独报告。已有 EEG 相关工作尚未检索确认。

    阅读价值：PaAno 将短时片段嵌入与正常片段参照比较结合，值得核对其在 TSB-AD 上的评估协议及效率实测，以判断轻量方法的性能与实时部署价值是否成立。

  2. OpenReview · State space models78

    ConvT3：用于卷积状态空间模型的结构化状态核

    基于摘要分析。该研究针对长时空序列中空间相关性与时间依赖的联合建模，提出 ConvT3（ConvSSM using Tridiagonal Toeplitz Tensors），通过结构化状态核等价实现具有 3×3 状态卷积核的 ConvSSMs，并利用张量对角化支持高效并行训练。 核心机制：摘要指出，既有 ConvSSMs 实现受计算可行性限制，采用 1×1 状态核，限制了空间建模能力。ConvT3 将状态核对应的张量组织为隐藏状态维度上的结构化 SSM 矩阵，以及空间维度上的受约束三对角 Toeplitz 张量。作者说明该结构化张量可被对角化，使模型在使用 3×3 状态卷积时仍能并行训练。具体参数化、约束形式、边界处理、训练损失及计算复杂度尚未验证。 结果与证据边界：作者报告，ConvT3 在长程视频生成与物理系统建模任务的大多数指标上达到最先进性能。摘要未提供数据集、数据划分、对照模型、指标名称或具体数值，因此无法核对性能提升幅度及计算收益；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 可被组织为有意义的空间网格序列，该机制可能用于联合建模电极邻域关系与长时依赖。可复用部分是结构化状态核及对角化计算思路；需改造部分是电极拓扑表示、空间边界与输入映射。其空间卷积依赖规则邻域，而 EEG 的不规则电极布局、低信噪比、跨被试差异、通道变化及小数据条件可能削弱收益。一个可检验的小实验是在固定 EEG 任务与数据划分下，控制训练预算和模型容量，对比 1×1 与结构化 3×3 状态核，同时记录任务指标、显存和训练时间，并通过打乱电极空间排列检验收益是否依赖真实拓扑。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其结构化张量对角化如何兼顾扩展空间状态卷积与并行训练效率，但摘要中的性能主张及其向 EEG 时空建模迁移的价值尚未验证。

  3. OpenReview · State space models77

    使状态空间模型在视觉任务中实现真正的全局感知

    基于摘要分析。该研究针对视觉任务中全局上下文建模缺乏严格数学定义，以及注意力计算成本与状态空间模型（SSMs）递归建模限制之间的矛盾，提出全局图像建模的数学定义和频域理论框架，并据此设计 Global-aware SSM（GSSM）与可嵌入 CNN 的 GMamba 模块。 核心机制是基于 Discrete Fourier Transform（DFT）的调制，在 SSM 前端控制其建模行为，以频域视角处理递归机制对全局感知的限制。作者称已形式化证明 GSSM 满足所提出的全局图像建模定义，并报告其计算复杂度为线性对数级。摘要未给出定义的具体条件、调制形式、训练目标及复杂度所对应的输入规模变量，因此尚不能判断该定义与常见全局感受野或全局信息交互的关系。 作者报告，在目标检测、语义分割和实例分割任务、以及多种模型架构中，GMamba 均优于现有全局建模模块；但摘要未列出数据集、划分、对照模块、评价指标或具体增益，不能据此判断优势幅度及不同协议下的可比性。作者提供了代码链接，代码完整性、运行条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 DFT 调制的全局建模机制能够适配多通道时间序列，它可能用于探索 EEG 长时程信息交互，但视觉结果不等于 BCI 有效。原方法面向图像结构，其监督方式与所需数据规模尚未明确；迁移时需改造时间与通道布局、频域调制及任务输出模块，并核对是否需要双向或完整片段输入。低信噪比、跨被试频谱差异、通道变化及小数据过拟合均可能使收益失效。可在固定 EEG 数据划分与相同训练预算下，对比基础 SSM、加入 GSSM 的版本及移除 DFT 调制的版本，检验任务指标与计算开销，并分别报告被试内和跨被试结果。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其全局建模的数学定义与 DFT 调制如何改变 SSM 的递归建模限制，但理论证明的适用条件、计算复杂度口径及视觉实验对照尚需全文核对。

1月1日周四
  1. OpenReview · State space models66

    ViSSNet：基于视觉状态空间网络的 RGB-T 显著目标检测

    基于摘要分析。ViSSNet 面向 RGB 与热成像联合的显著目标检测，利用两种模态的互补信息定位图像中的显著区域；其核心贡献是将视觉状态空间建模用于模态特征提取与交互融合，以兼顾全局上下文建模和计算效率。 方法采用双流 VMamba 编码器，分别提取 RGB 与热成像的模态特定特征，再通过 State-Space Interactive Fusion Module（SSIFM）结合状态空间建模与卷积操作，增强跨模态表征。自顶向下解码器逐步融合高层语义与空间细节，输出显著性预测。摘要将 CNN 的长程建模局限与 Transformer 的计算开销作为设计动机，但具体扫描方式、融合算子、损失函数、训练与推理配置尚未验证。 作者报告，在三个公开 RGB-T SOD 基准上，ViSSNet 相比 14 种作者称为最先进的方法取得更优或相当的精度，并显著降低模型参数量与计算开销。摘要未提供基准名称、数据划分、具体指标、参数量或计算量数值，因此无法核对各项优势的幅度与适用条件；实验协议、消融及统计信息尚未验证，代码与权重可用性也尚未确认。 平台推测（待验证）：双流编码与交互融合可能为 EEG 与其他同步模态的联合建模提供结构参考，但原研究依赖 RGB 与热成像的空间对应关系及显著性监督，不是 EEG/BCI 有效性的证据。可借鉴模态特定编码与融合思路；迁移到 EEG–fNIRS 等任务时，需要改造输入表示、时序对齐和任务解码器。假设融合模块能够利用互补信息，可在固定跨被试划分下，小规模比较单模态、简单拼接与改造后的交互融合，并测试模态错位或缺失时的性能。低信噪比、通道配置差异、模态时间响应差异与小数据过拟合都可能使迁移失败；已有 EEG 相关工作尚未检索确认。

12月31日周三
  1. OpenReview · EEG72

    基于对比学习的跨域 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 情绪识别中的特征利用与跨域泛化问题，提出 EmotionCLIP，在 CLIP 框架内将情绪识别改写为 EEG–文本匹配任务，并以多模态对比学习支持情绪识别。 技术机制上，作者设计 SST-LegoViT 骨干，通过多尺度卷积与 Transformer 模块捕获空间、频谱和时间特征。摘要未说明文本描述或提示的构造方式、文本编码器配置、对比损失的具体形式，以及训练和推理时如何完成情绪类别匹配；这些细节决定其多模态监督与特征学习机制如何复现，尚待全文核对。 作者报告：在 SEED 和 SEED-IV 上，跨被试（Cross-subject）Accuracy 分别为 88.69% 和 73.50%；跨时间（cross-time）Accuracy 分别为 88.46% 和 77.54%。作者称这些结果优于现有模型，但摘要未提供具体对照、划分方式或统计信息，因此目前只能按各自评估情境记录，不能据此判断提升幅度或显著性。cross-time 的具体定义尚未验证，不直接等同于跨会话（Cross-session）。 复现时需要核对 EEG 预处理与输入表示、训练和测试的被试及时间划分、文本信息来源，以及 SST-LegoViT 与对比学习各自的贡献。实验协议、消融及统计信息尚未验证；代码与模型权重的可用性亦无法从现有材料确认。该研究直接面向 EEG 情绪识别，其报告结果不自动代表对运动想象或其他 BCI 任务的有效性。

    阅读价值：值得阅读其将 EEG 情绪识别改写为 EEG–文本匹配的机制及跨被试、跨时间评估，但文本构造、数据划分与对照公平性仍需全文核对。

  2. OpenReview · EEG71

    AGTCNet：用于运动想象 EEG 分类的原则化图时序方法

    基于摘要分析。该研究针对运动想象 EEG 分类中跨被试、跨会话神经活动差异及硬件约束带来的泛化挑战，提出 attentive graph-temporal convolutional network（AGTCNet）。核心方法是将 EEG 电极的头皮拓扑布局作为归纳偏置，并结合 graph convolutional attention network（GCAT），联合、动态学习 EEG 的空间与时间表征。 机制与贡献：研究将电极空间结构纳入图时序建模，而非仅依赖一般特征提取来处理通道间关系。摘要将紧凑架构、较短输入信号与分类表现作为主要贡献，但未提供图的构建方式、连接是否可学习、GCAT 与时间卷积的具体组合、损失函数或训练细节，这些内容尚未验证。 结果：在 BCI Competition IV Dataset 2a 上，作者报告被试独立（跨被试）分类的 moving average Accuracy 为 66.82%，针对特定被试微调后为 82.88%。在 EEG Motor Movement/Imagery Dataset 上，作者报告四分类和二分类被试独立任务的 moving average Accuracy 分别为 64.14% 和 85.22%，被试特定分类分别为 72.13% 和 90.54%。这些数值对应不同数据集、类别数和适配条件，不能直接横向比较；moving average 的计算方式及微调数据划分尚未验证，被试特定分类也不能据摘要直接等同于被试内评估。 效率与评估：作者报告模型大小减少 49.87%、推理时间缩短 64.65%，且使用更短的 EEG 输入，但摘要未说明这些相对变化所对应的基线、模型大小口径、硬件和输入时长。作者还称建立了被试独立与被试特定分类的实用训练—评估框架。阅读全文时应核对被试与会话划分、微调监督及数据预算、moving average 的统计口径、拓扑与注意力模块的消融，以及效率比较条件。摘要所称领先表现尚待具体对照验证；虽以会话不变性为研究动机，摘要未给出可单独确认的跨会话结果。实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其电极拓扑归纳偏置与动态图时空建模如何兼顾跨被试分类和紧凑推理，但摘要中的性能及效率优势仍需结合划分、基线与运行条件验证。

  3. OpenReview · EEG72

    DBConformer：用于 EEG 解码的双分支卷积 Transformer

    基于摘要分析。该研究针对 EEG 解码中 CNN 难以捕获长程时间依赖与全局通道关系、串行 CNN-Transformer 混合架构局部与全局特征整合不充分的问题，提出双分支卷积 Transformer DBConformer，联合建模时间动态与空间模式。 核心机制是采用 temporal Conformer 建模长程时间依赖，采用 spatial Conformer 提取通道间交互，并通过轻量级通道注意力模块为 EEG 通道分配数据驱动的重要性，以细化空间表征。其相对已有串行 Conformer 的主要设计区别是时间与空间双分支及显式通道建模；分支融合方式、注意力实现、损失函数及训练细节在所给摘要中未说明，尚未验证。 作者报告，在运动想象、癫痫发作检测和稳态视觉诱发电位（SSVEP）三类任务、四种评估设置下，DBConformer 的表现持续优于 13 个竞争基线，并相较所对照的高容量 EEG Conformer 架构实现超过八倍的参数量缩减。摘要未提供数据集名称、被试数、四种设置的具体划分、性能指标、分数及对照模型身份，因此不能确定这些结果分别对应被试内、跨被试或其他协议，也不能据此量化泛化能力。癫痫发作检测属于 EEG 分析任务，不能直接等同于 BCI 控制效果。 作者还报告，特征可视化呈现生理可解释性并与先验知识一致；可视化本身不足以确定解释的稳定性或因果意义，需结合全文中的分析方法核对。复现可从摘要提供的公开代码入手，但代码可运行性、预处理、实验协议、消融及统计信息尚未验证；尤其应核对双分支与通道注意力各自的贡献，以及参数量缩减所采用的具体比较口径。

    阅读价值：值得核对其时间与空间双分支建模是否带来稳定增益，以及作者报告的参数压缩能否在不同 EEG 评估协议下保持解码性能；具体效果与生理可解释性尚需全文验证。

  4. OpenReview · EEG68

    用于 EEG 解码的卷积保持网络

    基于摘要分析。该研究针对 Transformer EEG 解码方法未显式利用时间距离先验的问题，提出受 Retentive Network（RetNet）启发的卷积保持网络 RetEEG，将局部特征提取与带时间衰减先验的全局关联建模结合起来。 核心机制是先通过卷积模块捕获局部 EEG 特征，再串联多个双向 retention 模块学习这些特征之间的全局关联。双向 retention 模块引入时间衰减矩阵，根据 token 的相对时间距离调整依赖关系，编码“时间距离增大时依赖趋于减弱”的先验。摘要未提供衰减矩阵的具体形式、衰减参数是否可学习、模块数量及训练目标，这些实现细节尚未验证。 作者报告，在两个公开 EEG 数据集上的实验中，RetEEG 达到最先进的 EEG 解码性能；但摘要未给出数据集名称、解码任务、被试数量、被试内或跨被试等评估协议、划分方式、指标数值及对照方法，因此尚不能判断优势的幅度、统计可靠性与跨场景适用性。实验协议、消融及统计信息尚未验证，也需核对性能增益来自时间衰减先验、双向建模还是卷积特征提取。 摘要提供了代码仓库链接，可作为复现入口；代码可运行性、数据预处理、超参数和论文实验的一致性尚未验证。阅读全文时，重点可核对时间衰减先验如何与不同 EEG 任务的时间依赖相匹配，以及双向建模的推理设置是否适用于目标使用场景；不能仅据摘要将其结果扩展为在线 BCI 或跨被试泛化效果。

12月2日周二
  1. OpenReview · EEG73

    我的网络学到了什么？评估 EEG 深度学习的可解释性

    本研究考察 EEG 深度学习的可解释性如何受到预处理、网络架构及特征提取与可视化方式的影响，核心贡献是将解码性能与学得特征的解释差异分开比较。基于摘要分析，未取得论文全文。 作者训练了两种卷积神经网络：采用残差结构的 ResNet，以及利用 EEG 时空特性的 EEGNet。任务包括对三种不同视觉刺激的单试次 EEG 响应进行解码，以及解码声音是否存在；摘要分别称其为 visual dataset 和 auditory dataset，未提供正式数据集名称。作者使用 saliency 与 gradient-weighted activation maps（GradCam）两种基于梯度的方法提取并可视化学得特征。 作者报告，在上述视觉和听觉解码任务中，EEGNet 与 ResNet 的性能处于相近水平，但可视化显示两种架构学习了数据的不同方面；EEGNet 特征与 EEG 数据的相似性高于 ResNet 特征。作者还报告，重要电极的分布及其对应潜伏期随可视化方法而变化，GradCam 提取的特征比 saliency 特征更接近 EEG 数据。摘要未提供具体性能指标、数值、相似性定义或统计检验，因此这些结果只能作为作者报告的定性比较。 研究提示，不能仅凭解码性能判断模型学到了哪些 EEG 特征，解释结果也需要结合架构与可视化方法审视。特征与 EEG 数据更相似，是否意味着解释更忠实于模型决策或更具神经生理意义，仍需核对正文中的验证依据。预处理的具体比较与结果、被试数量、被试内或跨被试划分、训练设置、实验协议、消融及统计信息尚未验证；复现前还需确认解释图的计算方式、相似性度量及代码可用性。

    阅读价值：该研究通过比较 EEGNet、ResNet 及两种梯度可视化方法，提示相近的解码性能并不意味着相同的特征解释，值得核对其解释相似性指标与评估协议。

9月23日周二
  1. OpenReview · EEG67

    NEUROSKY–EPI：首个开放的单电极癫痫 EEG 数据集及情境感知建模与临床依据元数据

    基于摘要分析。研究面向消费级单电极设备上的癫痫 EEG 分析，提出 NEUROSKY–EPI 数据集，并评估 EEGNet 跨数据集应用及情境信息增强。作者称其为据其所知首个开放的单电极癫痫 EEG 数据集，该优先性尚未独立验证。 数据由 NeuroSky MindWave Mobile 2 采集，包含 25 名患者的 2,032 个带标签的 1 秒窗口，并附有癫痫发作类型、抗癫痫药物、共病、用药依从性、教育和社会经济状况等元数据。摘要未明确窗口标签的具体定义、类别分布及采集条件。 评估方案是在 CHB–MIT 的 24 名患者、12,009 个 8 秒片段上训练 EEGNet，仅使用 Fp1 通道以匹配消费级设备的单导联设置，再直接在 NEUROSKY–EPI 的频带功率特征上评估。作者报告，该跨数据集设置的测试 Accuracy 约为 60%；加入由自编码器生成、概括静息↔清醒响应性的 16 维情境向量后，Accuracy 约为 68%。两者相差约 8 个百分点，但训练输入与目标频带功率特征如何对齐、不同窗口时长如何处理，以及患者级数据划分均尚未验证。 作者还报告，EEGNet 倒数第二层的患者级嵌入在加入情境后具有更强的无监督可分性，KMeans 对应数值由 54.17% 升至 66.67%；摘要未说明该数值的具体指标定义，不能等同于测试 Accuracy 或临床诊断性能。 作者表示将发布去标识化数据、代码及数据集／模型卡，目前不能据此确认已开放下载。复现应核对情境向量的来源及训练范围、元数据在推理时的可得性、评估划分与标签定义；实验协议、消融及统计信息尚未验证。该摘要支持对低计算量单电极分析可行性的初步研究，不构成临床有效性验证。

9月20日周六
  1. OpenReview · EEG63

    结合非线性动力学特征的含噪脑信号对比学习与多任务学习

    基于摘要分析。研究针对含噪 EEG 的表示学习与运动想象（MI）分类，提出两阶段多任务框架，将去噪、非线性动力学建模和自监督对比学习结合，并通过分阶段训练分离信号重建与判别目标。 第一阶段训练去噪自编码器，旨在抑制伪迹并稳定时间动态；第二阶段以去噪后的信号为输入，联合完成 MI 分类、基于 Lyapunov exponent 标签的混沌与非混沌状态判别，以及采用 NT-Xent loss 的自监督对比表示学习。卷积骨干与 Transformer encoder 用于捕捉时空结构，动力学辅助任务则旨在使表示对非线性脑动态保持敏感。摘要未提供去噪监督的构造方式、动力学标签的估计流程、对比样本生成策略或多任务损失权重，这些实现条件尚未验证。 作者报告，该框架提升了 EEG 解码的鲁棒性与泛化能力，并优于强基线及近期最先进方法；作者同时认为，两阶段设计可缓解重建目标与判别目标之间的干扰，提高跨数据集稳定性。摘要未给出数据集、被试数量、划分方式、评估指标或数值，因此无法判断这些结论对应被试内、跨被试、跨会话还是跨数据集协议，也不能量化增益。 复现时值得重点核对：去噪是否保留 MI 判别信息，Lyapunov exponent 标签对噪声和估计参数是否敏感，以及动力学辅助任务、对比学习和分阶段训练各自贡献多少。上述问题属于待核对事项，不代表作者未进行相应实验；完整实验协议、消融及统计信息尚未验证。来源材料也不足以确认代码可用性与发表状态。