跳到正文
#OpenNeuro
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。

9月17日周四
  1. OpenReview · EEG79

    BOLDFlow：通过条件流匹配从 EEG 恢复 fMRI 网络层级功能连接

    基于摘要分析。该研究关注如何从头皮 EEG 推断 fMRI 的功能连接（FC），提出 BOLDFlow，以条件流匹配建模分区 BOLD 活动的条件分布，目标是在恢复时间信号的同时保留对跨脑区相关结构重要的残余协方差。 作者指出，逐脑区回归器和联合均方误差解码器容易趋向条件均值，从而丢失残余跨脑区协方差。BOLDFlow 使用学习得到的 EEG 条件源进行条件流匹配；其采样轨迹保留模型中的残余跨脑区协方差，重复采样则产生随输入变化的集成离散程度，无需单独的不确定性预测头。具体源分布、EEG 编码方式、训练损失与轨迹采样实现尚未验证。 作者报告，在覆盖静息与睡眠场景的两个扫描仪内同步 EEG–fMRI 数据集上，采用训练与评估被试不重叠的划分，测得 FC 恢复指标在 NeuroBOLT 上由 0.428 提升至 0.584，在 OpenNeuroSleep 上由 0.340 提升至 0.528；时间相关性分别由 0.272 提升至 0.326、由 0.151 提升至 0.212。摘要未明确这些提升对应的具体对照方法及 FC 指标定义，不能据此扩展比较。作者还报告，模型可扩展至包含 512 个成分的输出分区，恢复的连接组保留个体特异性与社群结构，集成离散程度经单参数再校准后达到名义覆盖率。 其直接贡献是 EEG 到 BOLD 条件分布及功能连接的恢复，而非 BCI 任务分类或控制性能验证。复现时需核对同步采集与预处理、被试划分、脑区分区、FC 计算方式、对照基线、重复采样设置，以及校准数据与评估数据的关系。被试数量、实验协议细节、消融及统计信息尚未验证；扫描仪内同步数据上的效果能否推广至独立采集的 EEG，也需进一步验证。

    阅读价值：值得核对其通过条件分布采样保留跨脑区残余协方差的机制，以及被试不重叠评估中的功能连接恢复与不确定性校准结果，但这些结果不等同于已验证的 BCI 解码收益。

5月15日周五
  1. OpenReview · EEG73

    面向被试级阿尔茨海默病解码的可复现性框架

    基于摘要分析。该研究针对 EEG 阿尔茨海默病（AD）与对照（CN）分类中的评估可靠性问题，在 OpenNeuro ds004504 上构建可审计流程，联合考察被试身份泄漏、留出队列敏感性，以及 EEG 片段级与被试级评价目标不一致三类风险。主要贡献是将这些风险置于同一评估框架中，并展示评价粒度可能改变模型选择结论；研究对象是疾病分类，而非 BCI 控制任务。 方法上，作者比较 PCA 与单变量 T-test 特征选择，分别结合 KNN、SVM、XGBoost 和 MLP。通过比较训练集与测试集包含同一被试片段的 subject-overlap 划分，以及被试互不重叠的 subject-disjoint 划分，检验身份泄漏风险；通过反复改变留出被试队列的规模与组成，考察队列敏感性；通过比较片段级与被试级 Accuracy 的模型排序，检验评价目标不匹配。这里的 epoch 指作为单个样本处理的短 EEG 片段，不是训练轮次。 作者报告，在上述 AD 与 CN 分类评估中，被试重叠划分会抬高 Accuracy，而被试互不重叠时，结果仍可随留出队列变化；作者还报告，被试级表现最好的模型按片段级 Accuracy 排名第十。该排名反转提示，片段级最优并不必然对应被试级最优，但摘要未给出该模型身份、对应分数或排名所用的完整配置范围。 作者建议使用被试互不重叠的 LOSO（留一被试法）或 LPSO（留出 P 名被试法）划分，报告各折或队列间的标准差（SD），并同时报告片段级与被试级 Accuracy。复现时需核对特征处理与选择是否仅在训练数据内拟合、被试级预测如何聚合，以及留出队列生成规则。被试数量、预处理、超参数、具体划分、消融及统计信息尚未验证；摘要亦未提供代码可用性信息，不能据此认定完整复现条件已满足。

    阅读价值：该研究将被试身份泄漏、留出队列敏感性与评估粒度不匹配纳入同一可审计流程，作者报告的模型排名反转值得在 EEG 疾病分类中核对，但其具体实验协议与统计信息尚未验证。