跳到正文
只看一手#Cross-subject
10月8日周四
  1. arXiv · 泛化与分布偏移75

    SR-TTA：用于抗干扰呼吸感知的空间冗余测试时自适应

    基于摘要分析。该研究面向无蜂窝大规模 MIMO 基站的呼吸感知，研究如何将 64 天线信道融合为呼吸波形，并在运动干扰频率落入呼吸频带时维持可靠估计。作者提出学习型复数权重波束形成器与空间冗余测试时自适应 SR-TTA，以空间零陷抑制干扰，再利用部署阶段的无标签信号进行适应。 核心机制是最大化随机天线子集之间的输出一致性，同时施加带外频谱否决约束。作者指出，单靠频率或方差准则无法区分带内干扰与呼吸；空间冗余则提供了不同于频谱特征的适应依据。摘要称，该方法在其测试中保持了良性条件下的性能，并可缩小与逐记录 oracle 的差距；一致性计算、频谱约束、训练目标与测试时更新细节尚未验证。 作者报告，在模拟带内干扰条件下，呼吸率误差由 5.8 降至 0.8 breaths per minute（bpm）；摘要未明确该数值比较的基线与误差统计定义。在真实测试平台记录上，一次性跨被试校准结合 SR-TTA 将失败率从 47% 降至 7%，达到采用无标签测试时自适应的手工融合器水平。失败判据、被试数量、划分、校准所需监督、消融及统计信息尚未验证。作者还提出将流程映射至 O-RAN：由 O-DU 执行距离门控，xApp 执行适应，rApp 执行校准；摘要不足以确认实际部署情况。 平台推测（待验证）：其可迁移假设是，多通道 EEG 的不同通道子集若保留共同任务信号，子集一致性或可作为无标签适应依据，对应跨被试或跨会话中的空间分布变化。但天线阵列的空间零陷机制不能直接等同于 EEG 通道融合；需改造复数权重、子集采样及频谱约束。低信噪比、共同伪迹、通道缺失与小样本可能使一致性强化干扰而非神经信号。可在固定的跨会话 EEG 划分上比较冻结模型与子集一致性适应，并加入共同伪迹检验失效条件；测试标签仅用于评估。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作者以随机天线子集间的一致性构造无标签测试时自适应信号，针对带内运动干扰下频率与方差准则难以区分目标和干扰的问题提供了可核对的机制与实验结果。

  2. 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 · EEG 与神经表征72

    用于伪迹衰减的细粒度 EEG 成分弱监督标注：一项概念验证研究

    基于摘要分析。研究针对 EEG 中 EMG 伪迹与神经活动在空间和频谱上重叠、盲源分离后仍可能存在混合源，以及可靠成分级真值稀缺的问题，提出结合频率感知高维表征与 Multi-Instance Learning 的弱监督框架，用 epoch 级标签学习更细粒度的伪迹评分，并据此进行衰减。 核心机制是将分离后的成分展开为频率分辨的成分内子成分（intra-components），以提高混合神经活动与肌肉活动的可分性。Multi-Instance Learning 则利用较粗粒度的 epoch 标签，为各子成分学习伪迹可能性评分，无需提供更细粒度的真值。该研究的重点是细化检测与评分引导的衰减，而非直接将整个混合成分判为伪迹并移除；具体分离算法、表征构造、标签生成、学习目标及衰减规则尚未验证。 作者报告，在留出被试的评估中，框架学到了有信息量的子成分评分，并减少了伪迹相关的频谱偏差：下颌紧张条件下效果最明显，抬眉条件下效果中等，皱眉条件下效果有限。这表明摘要所述效果随肌肉活动类型而变化，不能外推为对所有 EMG 伪迹均有效，也不能仅凭频谱偏差降低认定神经信号得到完整保留。 摘要未提供数据集名称、被试数量、具体划分、基线、数值指标或统计检验。实验协议、消融及统计信息尚未验证；复现需核对 epoch 标签与子成分之间的映射、留出被试的训练与测试流程，以及评分到衰减强度的转换方式。还需通过神经信号保真度或下游任务指标，验证其是否在减弱肌电污染的同时避免损伤有效 EEG。代码与数据可用性尚未验证。

    阅读价值：值得阅读的具体原因是其将频率分辨的成分细化与 Multi-Instance Learning 结合，探索仅凭 epoch 级标签学习细粒度 EMG 伪迹评分的可行性；评分可靠性及衰减后神经信号的保真度仍需全文核对。

  2. arXiv · EEG 与神经表征77

    跨模态对齐中的被试规模扩展：利用 EEG 基础模型进行视频解码

    基于摘要分析。研究考察自然视觉 EEG 解码是否受益于扩大训练被试规模，并通过 EEG–视频跨模态对比编码器比较基础模型初始化与随机初始化的扩展表现。核心贡献是提出被试规模收益可能存在起点：小规模队列中的有限增益，不一定能代表更大队列的扩展规律。 方法与对照：研究利用共享自然视觉刺激进行 EEG–视频对齐，训练队列规模比既有相关研究大一个数量级以上。摘要列出的评估包括需要拟合的刺激特征探针，以及无需拟合的电影时刻检索；初始化对照包括 EEG 基础模型与两个深度的随机初始化编码器。具体基础模型名称、对比损失、视频表征方式、网络结构与各规模阶梯尚未验证。 作者报告，在其被试规模阶梯中，S≈50 以下，各模型相对未训练编码器均无明显改善；超过这一范围后，两类评估的解码表现随被试数呈对数线性增长，在所测试的最高规模处未见饱和，且收益迁移到第二部未见电影。作者还报告，基础模型初始化编码器在队列每翻倍时的扩展速率约为随机初始化对照的 1.6 倍，是最高规模处唯一仍能通过增加被试提高检索 Accuracy 的模型，并以较少的对齐计算量收敛。摘要未给出绝对 Accuracy、最高被试数、计算量或统计不确定性，不能将该速率比解释为准确率提高 1.6 倍。 证据边界与复现重点：需核对训练和评估的被试划分、时间片段划分、电影间迁移设置，以及共享刺激条件下候选检索集合与未训练基线的定义。摘要不足以确定结果属于何种 Cross-subject 或 Cross-session 协议，也不能将未见电影迁移直接等同于 Cross-dataset 泛化。实验协议、消融及统计信息尚未验证。作者将共享自然刺激上的被试扩展视为尚未饱和的方向，但这一结论仅适用于已测试规模与任务，尚不能外推到任意 EEG 数据或其他 BCI 范式。

    阅读价值：值得核对其被试规模阶梯与评估划分，以检验共享自然视觉刺激下被试扩增的收益起点，以及 EEG 基础模型初始化相对随机初始化的扩展效率优势。

10月6日周二
  1. arXiv · EEG 与神经表征83

    检测到偏移还不够：线性表征修复的精确极小极大极限

    基于摘要分析。研究关注两个数据源之间的均值偏移：能够检测到偏移，并不意味着能在有限表征失真下将其有效消除。作者将校正建模为统计决策问题，从配对校准测量的带噪差值中学习一个同时作用于两个数据源的线性映射，并推导其在新数据上的精确有限样本极小极大风险。 在 d 维空间、失真预算允许删除 k 个方向的设定下，作者报告风险为 (d−k) E[1/(d+2J)]，其中 J∼Pois(κ/2)，κ 为校准信噪比。作者报告，投影去除校准均值差的方向可达到该界，且不需要知道 κ 或噪声尺度。摘要未提供风险的完整定义及归一化方式，公式的具体适用条件尚需核对全文。 核心结论是检测与修复之间的样本信息需求不同：作者报告，检测偏移只需 κ≫√d，而在固定失真约束下消除固定比例的偏移需要 κ≍d，与估计偏移方向的需求相当。摘要指出，MP、SAL、LEACE 等线性概念擦除方法消除的是同一校准差值，因此该公式可用于预测它们在新数据上的残余偏移，并估算达到目标所需的校准量；这些方法与理论决策类之间的具体对应条件尚未验证。 作者还报告，配对设计使该精确极限对非高斯共享内容保持成立，投影在各向异性噪声下仍有保证，选择性弃权也不能弥合检测与修复的差距；不同情形下保证的具体形式需全文确认。 在配对的临床与可穿戴睡眠 EEG 上，作者将参与者间差异视为校准噪声，并报告该公式可预测新参与者上的残余设备偏移，同时每位参与者增加记录的收益会较快趋于饱和。这为区分增加单人记录与增加参与者的作用提供了可核对的研究线索，但不能直接推广为所有 EEG 任务的采集建议。数据集、被试数、设备配置、跨被试划分、残余偏移指标、对照方法、消融及统计信息尚未验证。

    阅读价值：该研究将线性校正的有限样本理论极限与配对睡眠 EEG 的设备偏移联系起来，有助于判断校正不足究竟源于方法还是校准数据规模，但理论条件与 EEG 验证协议仍需全文核对。

  2. arXiv · EEG 与神经表征81

    CANDLE：用于无创脑源成像的皮层零空间分解

    基于摘要分析。该研究针对电生理源成像（ESI）中皮层源维度远高于传感器观测、逆解不唯一，以及学习式方法难以适应被试特异性皮层几何的问题，提出 CANDLE。其核心贡献是在个体化源到传感器映射的零空间上学习先验，并用大规模模拟数据训练模型，以估计被试特异性皮层几何上的源活动。 机制上，CANDLE 使用由 T1 加权 MRI 推导的源到传感器映射，将学习限制在传感器无法观测的源分量，同时保留几何约束。零空间分量不改变映射后的传感器观测，因此该设计把数据驱动先验用于处理观测无法唯一确定的部分，而非直接学习完整逆映射。具体分解实现、先验表示、损失函数与推理流程尚未验证。 训练方面，作者构建了覆盖超过 1,100 种被试特异性皮层几何的全脑模拟器，源配置来自超过 26,000 张统计脑图。作者报告，CANDLE 仅使用模拟数据训练，在模拟源活动估计中优于既有 ESI 方法，并泛化到两项真实数据任务：利用与颅内刺激同步记录的头皮 EEG 定位刺激位置，以及利用术前发作间期 EEG 估计致痫区。摘要未提供具体指标、效应大小、对照方法、真实数据被试数或数据划分，因而不能量化其优势，也不能据此认定临床有效性。 复现时应重点核对皮层几何与源配置的训练测试隔离、真实任务是否涉及未见被试，以及几何约束和零空间先验各自的贡献。还需确认个体 T1 加权 MRI、前向模型及模拟器的使用条件，并评估低信噪比和前向模型误差下的稳健性；实验协议、消融及统计信息尚未验证。该工作属于 EEG 源成像研究，摘要未报告 BCI 解码效果。

    阅读价值：值得核对其将学习限制在源到传感器映射零空间的机制，以及纯模拟训练在两项真实 EEG 任务中的泛化证据，但跨被试划分与临床评估协议尚未验证。

10月5日周一
  1. arXiv · EEG 与神经表征78

    SPDAlign：针对 EEG 前向建模偏移的可解释黎曼对齐

    基于摘要分析。该研究关注 EEG 中由域特定前向过程引起的分布偏移，旨在减少跨会话、跨被试应用对有标签校准数据的依赖。作者从经典 EEG 生成模型出发，提出可解释的黎曼对齐框架 SPDAlign，通过域均值对齐与全局旋转校正，促进域不变 EEG 学习。 核心机制：研究将头部几何等因素关联的前向过程变化作为分析对象。作者报告，理论上这类分布偏移可仅通过对称正定（SPD）流形上的线性变换恢复；SPDAlign 先对齐不同域的均值，再利用最优传输技术 Wasserstein Procrustes 校正域间全局旋转。该理论结论依赖的生成模型假设、可恢复条件，以及无监督旋转估计所需的数据关系，摘要尚未说明，需结合全文核对。 实验与解释：作者报告通过模拟系统研究该方法，并在广泛的公开 EEG 数据集上取得有竞争力的表现，但摘要未提供数据集名称、被试规模、具体任务、数据划分、对照基线或指标，因此不能量化其优势，也不能确定各项结果对应被试内、跨被试还是跨会话协议。作者还将框架的全局线性结构与内在可解释性相联系，称其可识别关注的频段、刻画源与传感器关系的空间模式，并处理跨被试差异；这些解释性结论的验证方式尚未确认。 阅读与复现重点：需核对 SPD 表征的构造方式、域均值与旋转的估计流程、是否及如何使用目标域无标签数据，以及各对齐步骤的独立贡献。还应检查模型对前向过程以外的变化是否适用，例如源活动变化、噪声及通道配置差异。上述是待核对事项，并非已确认的缺陷；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读其将 EEG 前向过程引起的域偏移转化为 SPD 流形上线性对齐问题的理论条件，并核对 Wasserstein Procrustes 的无监督对齐机制与可解释性证据；具体实验效果尚未验证。

10月3日周六
  1. arXiv · EEG 与神经表征76

    COVER：学习在选择性睡眠分期中接受更多预测

    基于摘要分析。该研究针对 EEG 睡眠分期级联中的第一阶段：在给定接受风险目标下，让固定主分类器尽可能多地接受自身预测，将其余片段交给更强模型。作者提出 COVER（COVerage-oriented Error Ranking），通过辅助信息驱动的主分类器错误学习与固定尺度评分器细化，提高可接受预测的覆盖率，而不改变主分类器的预测标签。 核心机制包含两步：首先，用学习得到的错误评分替代最大 softmax 概率（MSP），以识别主分类器更可靠的预测；随后，在经验接受风险约束下直接优化覆盖率，而非仅优化所有 EEG 片段上的错误预测准确性。摘要未说明辅助信息的具体来源、评分器结构、损失形式及固定尺度细化的实现，这些细节尚未验证。 作者在 Sleep-EDF-20 上以 5% 接受风险为目标进行评估，被试从所有拟合与选择流程中留出。作者报告，在相近的被试等权风险下，辅助信息驱动的错误学习将平均被试覆盖率从 MSP 的 31.5% 提升至 48.8%。在每名被试接受片段数相同、合计接受 20,639 个片段的比较中，MSP 与学习评分器的错误数分别为 1,467 和 867。作者还报告，固定尺度细化在嵌套开发评估中相对初始化增加了 1.7 个百分点的覆盖率；最终 COVER 在八种评分器中取得最高平均覆盖率，为 50.4%，对应被试等权风险为 4.5%，比较方法 SELE 与 DuoF 的覆盖率分别为 49.3% 和 43.6%。摘要未给出后二者各自的风险值，不能据此认定它们处于完全相同的风险水平。 阅读与复现时应重点核对辅助信息如何参与训练、风险阈值与评分器的选择流程、嵌套开发协议、被试间风险差异及统计不确定性。该工作评估的是级联入口的选择机制，覆盖率收益不等同于完整级联的计算节省或最终睡眠分期性能提升；完整级联表现、实验协议细节、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其在不改变主分类器预测标签的前提下，将错误排序与接受风险约束下的覆盖率优化结合；作者报告了留出被试上的覆盖率收益，但完整级联的计算节省尚未验证。

  2. arXiv · EEG 与神经表征66

    低成本视频—时间先验：熟悉视频条件下 EEG–fNIRS 情绪回归的强基线

    基于摘要分析。本文研究观看视频时逐时刻的效价与唤醒度连续回归，重点考察熟悉视频部署条件下，视频身份与视频内时间构成的低成本先验能解释多少情绪变化，以及 EEG–fNIRS 是否提供额外的残差修正。 机制上，材料提到以先验为主导的固定融合，用于检验生理信号能否补充先验预测；但先验的具体估计方式、融合公式及训练流程尚未验证。作者报告，按信息来源开展的消融显示，视频身份和视频内时间解释了大部分误差降低，EEG–fNIRS 带来的增益较小，并随被试和视频而变化。作者据此将视频—时间先验定位为强而低成本的基线，将 EEG–fNIRS 定位为熟悉视频情绪回归中的可选残差信号。 评估方面，摘要可辨认出五折被试留出评估，并提到内部与外部评估；但原文存在明显截断与拼写损坏，样本规模、MAE 差值的比较主体及完整协议无法可靠确认，因此不转述具体数值。数据集、标签获取方式、视频在训练与测试间的关系、消融细节及统计信息尚未验证。 阅读或复现时应重点核对：测试视频是否属于训练阶段已知的视频，先验如何由训练数据构建，以及生理信号的增益是否在不同被试和视频上稳定。当前结论限定于熟悉视频情境，不能直接外推为陌生视频条件下 EEG–fNIRS 的价值判断。