跳到正文
#Cross-session
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。

  2. Europe PMC · BCI / PubMed80

    手动物体交互任务中猕猴额顶皮层的多区域同步记录

    基于摘要分析。该研究针对自然化灵巧手行为神经生理数据稀缺、既有记录动作自由度及脑区覆盖有限的问题，构建了包含40种手—物体交互条件的任务范式，并提供额顶皮层多区域同步神经活动、手部运动学及连续解码基准。 数据来自一只恒河猴，共20个会话。研究使用覆盖1,920个通道的微电极阵列，同步记录初级运动皮层、前顶内区和腹侧前运动皮层的神经活动；多相机无标记运动捕捉系统采集视频，随后离线提取运动学信息。数据集包含处理后的神经特征、同步的手与肘部关键点三维坐标，以及试次级任务条件和事件时间元数据。1,920个通道描述的是阵列覆盖规模，不能据此认定每个会话均有相同数量的可用通道。 作者提供技术验证，并以多种算法开展连续关键点坐标重建的神经解码基准。作者报告，在所采用的跨日和跨任务评估中，不同算法的解码表现存在差异；通道可用性变化也对应不同的性能退化曲线。摘要未给出算法名称、具体指标、分数、训练与测试划分或统计结果，因此不能据此排序算法，也不能量化多脑区记录相对单脑区记录的增益。实验协议、消融及统计信息尚未验证。 其可核对的研究价值在于将任务多样性、多脑区同步记录与运动学目标放入同一数据资源，为分析灵巧手控制及检验解码器对记录变化的敏感性提供条件。证据目前限于单只动物；向人类运动 BCI 或四肢瘫痪人群推广仍需验证。复现前需核对数据访问方式、神经特征处理流程、同步精度、关键点质量、各会话可用通道，以及跨日和跨任务划分规则；摘要不足以确认这些细节或代码可用性。

    阅读价值：该数据集结合多脑区同步神经记录、丰富的手—物体交互条件与三维运动学标注，值得用于核对跨日、跨任务及通道可用性变化下的运动 BCI 解码鲁棒性，但具体评估协议与复现条件尚未验证。

10月2日周五
  1. Europe PMC · EEG 方法73

    大麻使用障碍个体的神经生理情感反应分类及其稳定性

    基于摘要分析。本研究考察大麻使用障碍（CUD）个体能否依据晚期正电位（LPP）形成神经情感反应分型，以及这些分型在一周间隔后是否稳定。研究复现并扩展了其他物质使用人群中的相关发现，同时比较群体聚类模式的重复出现与个体分类的重测信度。 研究以成瘾的诱因敏化模型为理论背景。44 名参与者在相隔一周的两次实验室访视中完成概率选择任务，并在观看大麻相关图片与情感图片时接受 EEG 记录；研究对所得 LPP 应用 k-means 聚类，构建神经情感反应分型。这里的分类是基于 ERP 特征的无监督分组，不应理解为已验证的诊断分类器或 BCI 解码系统。 作者报告，在两次访视中均出现两个聚类：一类的大麻图片 LPP 振幅高于愉悦图片 LPP，另一类则相反。然而，聚类之间的选择行为及其他问题性使用指标未呈现差异。作者还报告，虽然群体层面的分类模式可重复出现，个体分型的重测信度较低，其稳定性不及残差化 LPP 分数和原始 LPP；摘要未提供具体信度数值或效应量。 这些结果支持区分“群体结构可重复”与“同一个体持续属于同一分型”：前者不足以确立个体层面的临床应用价值。作者据此对分型的临床效用提出谨慎意见，依据包括尚未解决的可靠性问题，以及跨分析单位的聚合效度不足。该研究不能据此被解读为能够预测 CUD 治疗结局。 复现与进一步评价时，需核对 LPP 时间窗及电极选择、EEG 预处理、特征标准化、聚类拟合及两次访视间的标签匹配方式，以及残差化分数的计算方法和重测信度指标。上述实验协议、消融及统计信息尚未验证；全文未取得，不能判断个体分类不稳定的具体来源。

    阅读价值：该研究值得阅读的具体原因是：作者报告群体层面可重复出现的 LPP 聚类模式并不等于个体分类稳定，提示将神经情感反应分型用于临床评估前，需要核对重测信度与聚合效度。

9月30日周三
  1. 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17日周四
  1. OpenReview · EEG75

    MCD-EEG：非平稳时空 EEG 基准能否评估跨任务、EEG 帽移除重戴及跨人群的脑纹身份识别？

    基于摘要分析。该研究针对现有公开 EEG 数据集难以覆盖跨任务、跨采集阶段及跨人群分布变化的问题，提出 MCD-EEG 数据与评估基准，用于研究脑纹身份识别中的稳健表示学习、泛化与公平性。核心贡献是将多阶段认知任务、重复会话采集和 EEG 帽移除重戴（re-cap）引入同一评估框架。 作者报告，数据包含 45 名参与者，其中 22 名为语前聋人士、23 名为听力正常对照；采用 60 通道高密度 EEG，并采集行为测量。认知范式包括阅读、干扰和延迟回忆任务，跨会话重复采集；第二次会话包含完整的 EEG 帽移除与重新佩戴，以显式引入更贴近实际使用的跨会话采集变化。 作者据此建立任务内、跨任务和跨 re-cap 的标准化脑纹身份识别任务。其研究价值在于为区分任务变化与重新佩戴条件下的身份表征稳定性提供测试条件，而不是仅评估固定任务、固定采集条件下的识别能力。摘要提及面向神经多样性的表示学习与公平性，但未说明跨人群评估的具体划分、指标或对照方式，不能据此认定模型已实现公平性或跨人群泛化。 摘要未提供识别模型、训练目标、基线结果或性能数值。复现与解读时需核对身份类别及训练测试划分、各会话的时间间隔与样本量、预处理、跨任务与跨 re-cap 协议，以及人群间表现差异的统计方法。实验协议、消融及统计信息尚未验证，数据开放与获取条件亦尚未验证。该材料讨论的是脑纹身份识别基准，不应将其效果扩展为一般 BCI 任务的已验证性能。

    阅读价值：MCD-EEG 将跨任务、EEG 帽移除重戴及不同听力人群纳入脑纹身份识别评估，值得核对其数据划分与公平性评估协议，但摘要尚未提供基线结果或验证其评估能力的证据。

6月11日周四
  1. OpenReview · EEG62

    基于条件扩散的运动想象解码 EEG 通道重建

    基于摘要分析。该研究面向运动想象（MI）BCI 中的 EEG 通道重建，提出基于 Denoising Diffusion Probabilistic Models（DDPM）的框架，利用空间相邻通道的信号重建预定义 EEG 通道，并与 CSP+LDA、FBCSP+LDA 和 EEGNet 解码基线结合。研究目标是在保持解码性能的同时提升鲁棒性。 核心机制是借助邻近通道提供的空间信息重建目标通道，以维持通道间依赖关系。摘要未说明条件信息的具体编码方式、扩散训练目标、采样流程、目标通道选择规则及重建结果如何接入各解码流程，这些实现细节尚未验证。 作者报告使用训练会话与独立留出的测试会话进行评估，体现了跨会话测试设置；但摘要未提供数据集、被试数量、会话划分细节、重建指标或解码指标，也未给出相对于各基线的定量变化。因此，保持解码性能和提高鲁棒性应视为研究目标，不能据此认定已获得明确收益或对三种基线均有效。 阅读全文时，值得核对重建误差与 MI 判别信息保留之间的关系、重建通道与原始通道的对照，以及训练和测试会话之间的数据处理边界。还需确认其鲁棒性评估针对何种通道异常或信号扰动，以及推理开销是否适合 BCI 使用。实验协议、消融及统计信息尚未验证；摘要提及拉丁美洲神经康复应用背景，但不能据此认定已完成临床验证。

9月28日周六
  1. OpenReview · EEG72

    从静息到行动：利用 HyperNetworks 根据静息态 EEG 自适应生成运动想象分类权重

    基于摘要分析。该研究针对 EEG-BCI 运动想象（MI）分类需要较长用户校准、静息态 EEG 中的个体信息未被充分利用的问题，提出 HyperEEGNet：将 HyperNetworks（HNs）与 EEGNet 结合，根据静息态 EEG 自适应生成 MI 分类所用权重，探索被试内、跨被试及跨会话泛化。 核心机制是把静息态 EEG 作为生成分类器权重的依据，而非仅依赖目标用户的 MI 数据训练固定分类器。摘要未说明静息态输入的表示方式、生成哪些权重、HNs 与 EEGNet 的具体连接、损失函数或训练与推理流程，因此尚不能判断新用户适配需要多少静息态记录、是否需要 MI 标签，以及校准时间是否实际缩短。 作者报告，在包含 9 名参与者的数据集上，Leave-Subject-Out 评估中的表现与基线 EEGNet 相近；在扩展至 33 名参与者的数据规模后，模型利用静息态 EEG 信息展示了面向未见被试的泛化能力。作者还报告模型能够在跨会话与跨用户场景学习稳健表示，但摘要未给出数据集名称、具体划分、评价指标、性能数值或统计不确定性，不能量化相对基线的收益，也不能直接比较不同协议的结果。 作者将较小模型占用与降低边缘计算的内存、存储需求联系起来，并提出加快用户校准的应用前景；具体资源测量和校准收益尚未验证。复现时需核对静息态与 MI 数据的配对方式、会话关系、未见被试适配流程及基线的可用数据条件。实验协议、消融及统计信息尚未验证，尤其需确认性能变化来自静息态个体信息、权重生成机制还是训练数据规模变化。

    阅读价值：值得核对其以静息态 EEG 驱动 HyperNetworks 生成 MI 分类器权重的个体适配机制，尤其是未见被试泛化与减少校准需求的证据，但具体性能和资源收益尚未验证。

1月1日周日
  1. OpenReview · EEG69

    用于提升耳部 EEG 脑机接口分类性能的跨域特征蒸馏框架

    基于摘要分析。研究针对 ear-EEG 中信号显著衰减与幅度失真导致的 SSVEP 分类困难，提出 cross-domain feature distillation（CD-FD）框架，通过学习与 scalp-EEG 相似的特征表征，增强耳部信号的分类能力。 核心机制是在 ear-EEG 与 scalp-EEG 两个域之间提取共享特征，借助 scalp-EEG 表征帮助识别隐藏在 ear-EEG 信号中的关键特征。其研究重点是跨域表征学习，而非仅对耳部信号直接分类。摘要未说明具体蒸馏损失、模型结构、两域样本是否同步或配对，以及训练和推理阶段各自需要哪些信号；这些信息决定方法的数据采集成本及独立 ear-EEG 部署条件，尚需核对。 作者报告，在单会话解码和会话间迁移解码（Cross-session）实验中，CD-FD 相较 EEGNet 与 canonical correlation analysis（CCA）取得了所有实验中的最佳分类结果。摘要未提供具体指标、数值、数据集、被试数或划分方式，因此目前无法量化增益，也不能将单会话解码进一步认定为某种被试内评估协议。 复现时需核对两域数据的对应关系、scalp-EEG 特征如何进入训练目标、跨会话训练与测试划分，以及推理是否仅依赖 ear-EEG。实验协议、消融及统计信息尚未验证；现有摘要支持其作为耳部 SSVEP 表征增强方案的研究价值，但不足以确认收益的稳定性或跨被试适用性。

1月1日周六
  1. OpenReview · EEG74

    EEGANet：使用生成对抗网络去除 EEG 信号中的眼电伪迹

    基于摘要分析。该研究针对 EEG 眼电伪迹去除通常依赖 EOG 记录或眨眼检测的问题，提出基于生成对抗网络（GANs）的 EEGANet。其核心贡献是训练完成后可免校准地处理 EEG，无需依赖 EOG 通道或眨眼检测算法，以降低实际 BCI 应用的辅助采集与处理需求。 方法与机制：EEGANet 被定位为数据驱动的眼电伪迹去除辅助工具。摘要提到评估其多通道 EEG 生成能力、伪迹去除性能与鲁棒性，但未提供生成器和判别器结构、损失函数、训练监督来源或干净信号参照的构造方式；这些信息尚未验证。训练后无需 EOG 的结论不应扩展为训练阶段也无需 EOG 或配对监督。 评估与结果：作者报告，在具有较大数据波动的 EEG eye artifact dataset 上，EEGANet 的伪迹去除表现与使用 EOG 通道的先进方法相当。作者还报告，在另外两个 BCI 数据集的跨日（inter-day）和被试独立（subject-independent）评估中，虽不使用 EOG 信号，经 EEGANet 处理后的分类性能仍与传统基线方法相当。摘要未给出这两个数据集的名称、被试数、具体划分、分类任务、指标数值或统计检验，因此“相当”应视为作者报告，不能据此认定统计等效或优于基线。 局限与复现：需核对伪迹抑制是否保留任务相关 EEG 成分、训练与测试数据的划分方式、跨日及被试独立条件下的模型训练范围，以及不同伪迹强度下的稳定性。摘要明确提供了源码地址，但代码可运行性、预处理流程、实验协议、消融及统计信息尚未验证。作者提出该思路可能推广到其他多变量生物时间序列；这属于应用前景，摘要未提供相应验证结果。

    阅读价值：值得核对 EEGANet 在无需 EOG 通道或眨眼检测的推理条件下，如何兼顾眼电伪迹去除与跨日、被试独立 BCI 分类表现；摘要中的可比性结论仍需全文协议与统计结果支持。

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。