跳到正文
只看一手#EEG-EMG
10月6日周二
  1. Europe PMC · bioRxiv / medRxiv 预印本74

    分辨率感知谱参数化揭示真实世界乒乓球运动中稳健的情境依赖性 EEG 非周期动态

    基于摘要分析。本研究针对运动、肌肉活动及线缆运动伪迹与神经信号重叠、导致真实运动场景 EEG 难以解释的问题，分析真人对手与发球机两种乒乓球情境下击球前后的频谱变化。核心贡献是将多模态伪迹信息用于功率残差化，并采用分辨率感知谱参数化检验情境相关的非周期频谱差异。 数据来自 OpenNeuro Real World Table Tennis dataset，包含 25 名参与者的 EEG、noise-layer、EMG 和运动记录。分析覆盖击球前、击球瞬间与击球后窗口；作者使用逐试次 noise-layer、EMG 及运动/其他通道的均方根值，对 EEG 频带功率进行残差化。谱参数化将频谱表示为非周期成分与周期峰，短窗主模型考虑频率分辨率。敏感性分析包括降低模型复杂度、使用击球前后 2.0 秒子窗口（−1.0 至 +1.0 秒），以及关闭周期成分拟合；具体分辨率约束与拟合实现尚未验证。 作者报告，在上述残差化分析下，发球机情境的 alpha 与 beta 功率较低，其中包括击球前后部 alpha 功率。最清晰的情境差异是发球机情境下后部及顶叶传感器的非周期指数更高，表示宽频谱斜率更陡；后部传感器击球后非周期指数均值在真人对手与发球机情境下分别为 0.451 和 0.606。作者报告，局部顶叶效应在不同模型设定中持续存在。这些数值属于特定情境与时间窗的谱参数比较，而非分类性能或 BCI 指标。 该结果支持在自然视觉运动任务中结合伪迹信息与分辨率感知建模分析频谱差异，但不能据此确立单一认知或生理机制，也未证明训练效果。全文未取得，时间窗与频段的完整定义、残差化与谱拟合细节、统计检验及效应不确定性尚未验证；复现需核对数据预处理、多模态记录对齐和各敏感性分析的具体配置。来源标注为预印本，不据此推断已接收或正式发表。

    阅读价值：值得核对其利用同步噪声、EMG 与运动记录控制伪迹，以及通过分辨率感知谱参数化检验情境差异稳健性的分析流程，但这些差异尚不能归结为单一认知机制或训练收益。

6月26日周五
  1. OpenReview · EEG68

    可靠性引导的 EEG 基础模型适配用于发作间期癫痫样放电检测

    基于摘要分析。该研究针对短时生理记录中发作间期癫痫样放电（IED）稀疏、形态多变且易与伪迹混淆的问题，提出仅使用信号的二分类 IED/spike 检测系统：先适配 EEG 基础模型生成候选评分，再利用 EEG 形态与同步 ECG/EMG 的生理质量证据修正置信度。 方法以 ST-EEGFormer 为 EEG 参考评分器，通过任务特定微调与低秩适配器细化获得候选评分。随后结合候选级 EEG 形态线索及 ECG/EMG 衍生质量线索，保留高置信度的 IED 样预测、抑制容易受伪迹影响的候选，并恢复形态上符合癫痫样放电特征的候选。其可核对的方法特点是将辅助生理信号用于质量感知的评分修正，而非将检测重点从 EEG 转移到辅助信号；具体融合规则、阈值和训练方式尚未验证。 作者报告，在 NeuroMM 2026 Grand Challenge 官方 Track 1 NMM-Basic-IED 评估中，最终提交的精确率—召回率曲线下面积（AUPRC）为 0.9790，高于摘要所列参考排序的 0.9728 和最强单模型系统的 0.9720。这一结果支持该组合策略在该挑战设置中的有效性，不能直接外推为其他数据集或临床场景中的检测性能。 全文未取得，被试数量、数据划分、被试内或跨被试协议、候选生成方式、伪迹标注、消融及统计信息尚未验证。复现需核对 ST-EEGFormer 的适配配置、同步信号预处理与对齐、形态和质量特征定义，以及置信度修正规则；还需确认模型权重、实现与评估数据的可获取条件。该材料属于检测方法研究，尚不足以构成临床验证或实践建议。

1月1日周一
  1. OpenReview · EEG63

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

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