跳到正文
#TUH EEG
10月8日周四
  1. 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。

9月19日周六
  1. OpenReview · EEG76

    FedGME：用于临床 EEG 分类的联邦高斯混合学习

    基于摘要分析。FedGME 面向临床 EEG 多站点联邦分类中的标签分布偏斜及部分站点缺失类别问题，以每类低秩高斯分量替代模型权重或单点原型进行交换，使客户端能够利用共享分布学习本地未出现的类别。 核心机制：客户端基于预训练 EEG 模型构建类别高斯分量，服务器并列保留各站点的分量，将每个类别表示为可采样的混合分布，旨在保留 EEG 的类内变异。摘要还介绍了以既有的保持分布离散程度的对比损失替换 FedPCL 的原型级对比损失，并按患者身份加权，以缓解原型训练中的类内表示坍缩；具体损失形式、低秩参数化及采样训练流程尚未验证。 作者报告，在来自 TUH EEG Corpus 的三个语料上，对于客户端本地未观察到的类别，FedGME 的 Balanced Accuracy 达到 0.15–0.30，原型方法接近零，FedAvg 最高为 0.10。在两个多分类任务中，相对 FedAvg 的整体 Balanced Accuracy 平均提升 15.5%，绝对增量最高为 0.060；传输载荷仅为 FedAvg 的 0.2%–1.3%，且不传输模型权重。作者报告，在相同传输载荷下，相关对比损失改动使表示的有效秩最高达到 FedPCL 的 4.2 倍。在类别均未缺失的平衡二分类任务上，FedGME 与 FedAvg 表现相当，提示其优势与标签偏斜及缺失类别情境有关，而非所有分类任务中的普遍增益。 复现需核对三个语料及任务名称、预训练模型、站点构造方式、患者级划分、缺失类别设置、通信轮次与载荷统计口径。摘要不足以确认评估属于跨被试或跨会话协议，也不能据此确认高斯分量共享具有形式化隐私保障。实验协议、消融及统计信息尚未验证；这些临床 EEG 分类结果不应直接视为 BCI 在线控制有效性的证据。

    阅读价值：值得阅读的具体原因是以可采样的类别分布替代模型权重或单点原型，直接处理临床 EEG 联邦学习中的缺失类别与类内变异，并提供了通信开销及表示坍缩的对照结果，但实际站点划分与隐私保障尚需全文核对。

9月18日周五
  1. OpenReview · EEG75

    vNeuro：EEG 视觉模型的基础

    基于摘要分析。该研究探讨自然视觉数据上学到的表征能否复用于 EEG，以减少从零预训练大型 EEG 专用模型的需求。vNeuro 通过轻量可训练接口，将多通道 EEG 时频表征转换为保留电极几何关系的视觉 token，适配冻结的视频预训练 V-JEPA 2.1 编码器。 机制上，接口在无标签 EEG 上通过潜在表征预测与分布正则化进行自监督训练，视觉主干始终固定；下游训练只优化适配器和分类头。其核心区别在于复用预训练视觉主干，而非从头学习 EEG 主干。时频变换、token 映射、预测目标和正则化的具体形式，以及接口规模与训练数据量，摘要未提供，尚未验证。 作者报告：采用 ViT-B 主干时，vNeuro 在 TUAB 异常检测上的 Balanced Accuracy 为 81.40%，在 TUEV 事件分类上为 68.35%；采用 ViT-G 时，TUEV 的 Balanced Accuracy 为 68.73%。摘要未说明被试内、跨被试或其他划分协议，因此这些结果不能直接与不同协议下的分数比较。作者称其表现可与使用数万小时 EEG 预训练的基础模型竞争，但具体对照模型、预处理与训练预算的可比性尚需核对。 作者报告消融和表征分析支持 EEG 到视觉 token 的映射及带正则化的自监督适配均对性能有贡献；具体效应幅度、实验协议与统计信息尚未验证。复现重点包括电极布局与通道处理、时频输入构造、V-JEPA 2.1 权重配置、适配训练语料及下游数据划分。平台推测（待验证）：固定视觉主干可能减少需要更新的参数，但不能据此认定整体训练成本更低，或已具备跨被试、跨设备泛化能力。

    阅读价值：值得核对其电极几何保持的视觉 token 映射与冻结 V-JEPA 2.1 的自监督适配机制；作者报告其在 TUAB、TUEV 上具有竞争力，但评估划分与计算成本尚需全文验证。

5月23日周六
  1. OpenReview · EEG66

    结合空间滤波与注意力的临床 EEG 异常检测端到端扩散建模

    基于摘要分析。该研究针对临床 EEG 的信号异质性、噪声污染及被试间变异，提出 DiffSA-EEG，将可学习空间滤波、堆叠去噪自编码器（SDA）和卷积块注意力模块（CBAM）整合到端到端判别框架中。核心贡献是把去噪扩散概率模型（DDPM）直接用作分类器的辅助去噪目标，而非主要用于数据生成或增强。 机制上，该框架联合利用空间滤波、去噪表示学习与注意力模块处理 EEG，但摘要未给出扩散过程的具体作用位置、噪声调度、分类与去噪损失的组合方式，也未说明推理阶段是否需要扩散采样；这些内容需结合全文核对，不能据此判断计算成本或部署可行性。 作者在 Temple University Hospital Abnormal EEG Corpus（TUAB）与 Temple University Epilepsy Corpus（TUEP）上进行评估，并报告相较 EEGNet、Deep4Net、ChronoNet、temporal convolutional networks 和 Diff-E backbone，DiffSA-EEG 达到最佳或相近表现，其中 Accuracy 与 AUC-ROC 的收益最为一致。摘要未提供具体数值、样本规模、被试划分及被试内或跨被试协议，因此尚不能量化收益或判断泛化范围。 作者报告消融结果具有数据集依赖性：空间滤波与 SDA 的组合在 TUAB 上最有效，SDA 与 CBAM 的组合在 TUEP 上表现更优。这提示组件选择需要按任务和数据条件验证，而非默认全部模块同时使用最优。作者还报告 Grad-CAM 空间模式与既有神经生理标志物大体一致，但该结果不等同于临床有效性或因果解释的验证。 复现时需核对标签定义、预处理与通道配置、划分协议、基线训练条件、辅助目标权重，以及消融和统计信息；这些细节尚未验证。材料属于临床 EEG 分类方法研究，不能据摘要将结果扩展为 BCI 在线控制效果或临床实践建议。

10月12日周日
  1. OpenReview · EEG68

    ArtifactGen：面向标签感知 EEG 伪迹合成的 WGAN-GP 与 Diffusion 基准比较

    基于摘要分析。本研究针对 EEG 中肌肉、眼动、电极、咀嚼与颤抖等伪迹标注成本高、干扰自动分析的问题，比较条件 WGAN-GP 与 1D 去噪扩散模型能否生成真实且符合指定类别的伪迹片段，用于数据增强与压力测试。贡献主要是建立多维评估基线，并揭示信号分布相似与类别条件有效性之间的差距。 数据与机制：研究使用 TUH EEG Artifact（TUAR）语料，按被试划分数据并构建固定长度多通道窗口，摘要以 250 个采样点为例，未提供对应时长。WGAN-GP 使用投影判别器，扩散模型使用 classifier-free guidance。两者采用不同预处理：对抗训练按窗口进行 min–max 归一化，扩散模型按记录、通道进行 z-score 标准化；核对模型比较时需考虑这一差异，不能仅将结果归因于生成架构。 评估分为三类：保真度采用 Welch 各频带功率差、通道协方差 Frobenius 距离、自相关 L2 距离及 MMD/PRD；类别特异性通过轻量 kNN 或分类器检查类别条件恢复；实际效用通过伪迹识别任务中的增强效果评估。作者报告，在其当前设置下，WGAN-GP 与真实数据的频谱更接近、MMD 更低，但两类模型的类别条件恢复均较弱，限制了直接的数据增强收益。摘要未提供具体分数、统计不确定性或增强幅度，不能据此推断某模型在所有指标上更优。 本版本全部分析均基于固定检查点的事后评估，没有重新训练，因此结果应限定于所用检查点与评估设置，不代表重新调优后的性能上限。作者称发布包含数据清单、训练配置及评估脚本的可复现流程，其可获取性尚未验证。被试划分细节、类别分布、训练规模、对照配置、消融及统计信息尚未验证；用于 EEG 数据增强前，仍需核对生成样本的类别一致性及独立测试集上的下游收益。

9月23日周二
  1. OpenReview · EEG73

    将神经音频编解码器适配于 EEG

    基于摘要分析。研究针对 EEG 与音频在采样率、通道结构和尺度上的差异，探索如何将预训练神经音频编解码器用于 EEG 压缩。核心贡献是通过输入预处理复用 DAC 的音频预训练编码器—解码器，并提出多通道扩展 DAC-MC，以建模电极间的空间依赖。 机制上，作者将原始 EEG 映射到适配 DAC 输入约束的、基于步幅的分帧结构。作者报告，在不修改基础编解码器的情况下，该设置即可获得稳定的 EEG 重建；在 EEG 数据上微调，相比从头训练进一步改善重建保真度与泛化。摘要未说明具体预处理、尺度处理、采样率适配及微调范围，这些实现条件尚未验证。 压缩设计方面，研究通过改变残差码本深度、码本词表大小和输入采样率，考察压缩与重建质量的权衡。DAC-MC 引入基于注意力的跨通道聚合和通道专属解码，同时保留音频预训练初始化。摘要未提供具体损失形式、模型规模、码率或各设计变量的定量影响。 评估使用 TUH Abnormal 和 Epilepsy 数据集。作者报告，适配后的编解码器能够保留临床相关信息，依据是基于频谱图的重建损失及下游分类 Accuracy；但摘要没有提供数值、任务细节、被试划分或被试内、跨被试、跨数据集等评估协议，因此不能据此判断临床可用性或 BCI 任务效果。 复现时需核对输入分帧与多通道组织方式、预训练权重配置、训练与测试划分、压缩率计算口径，以及下游分类使用重建信号的具体流程。实验协议、消融及统计信息尚未验证；尤其需要确认重建质量提升是否同时对应稳定的任务信息保留。

    阅读价值：该研究值得关注的具体原因是将音频预训练编解码器复用于 EEG 压缩，并通过多通道扩展和下游分类评估检验信息保留，但实际压缩收益及跨数据分布泛化仍需核对全文协议与结果。

9月20日周六
  1. OpenReview · EEG69

    ArtifactGen：面向标签感知 EEG 伪迹合成的 WGAN-GP 与 Diffusion 基准比较

    基于摘要分析。该研究针对 EEG 中肌肉、眼动、电极、咀嚼及颤抖伪迹标注成本高的问题，比较条件 WGAN-GP 与 1D 去噪扩散模型能否生成具有真实感且符合指定标签的多通道伪迹片段，用于数据增强与压力测试。其贡献是建立同时考察逼真度、类别特异性和下游增强效用的比较基线，而非仅凭生成信号的外观判断质量。 数据来自 TUH EEG Artifact（TUAR），采用按被试划分的数据集和固定长度多通道窗口，摘要以 250 个采样点为窗口长度示例，但未给出对应时长。两类模型使用不同预处理：对抗训练采用逐窗口 min–max 归一化，扩散模型采用逐记录、逐通道 z-score 标准化。条件 WGAN-GP 使用 projection discriminator，扩散模型使用 classifier-free guidance；具体网络结构、条件编码及训练配置尚未验证。 评估包括三个维度：逼真度通过 Welch 频带功率差（Δδ、Δθ、Δα、Δβ）、通道协方差 Frobenius 距离、自相关 L2 及 MMD/PRD 衡量；类别特异性通过轻量 kNN 或分类器检验类别条件恢复；实际效用通过合成数据对伪迹识别的增强效果检验。作者报告，在本文采用的数据划分与各模型预处理设置下，WGAN-GP 的频谱对齐更好、相对真实数据的 MMD 更低，但两种模型的类别条件恢复均较弱，限制了直接的数据增强收益。摘要未提供具体数值，不能据此断言 WGAN-GP 在所有质量维度或其他 EEG 数据上更优。 复现时需核对被试划分、窗口构建、类别分布、不同归一化方式对比较结果的影响，以及增强实验的训练与测试协议。作者表示发布了数据清单、训练配置和评估脚本组成的可复现流程，但材料未提供可核查的实现细节。实验协议、消融及统计信息尚未验证；本研究直接涉及 EEG 伪迹处理，但并未证明其能改善具体 BCI 任务性能。

1月1日周一
  1. OpenReview · EEG64

    基于时间—空间—频谱注意力的 EEG 自动癫痫发作分类域适应方法

    基于摘要分析。该研究针对 EEG 被试内及被试间变异造成的癫痫发作分类困难，提出结合时间—空间—频谱（temporal-spatial-spectral，TSS）注意力与域适应的深度卷积神经网络，旨在改善模型向新被试迁移时的性能。 核心机制是联合优化特征提取器、癫痫发作分类器和域判别器：特征提取器通过注意力模块提取多层级 TSS 特征，域判别器区分特征来自源域还是目标域，并借助梯度反转层推动特征提取器学习域不变表示。分类器则利用源域学到的知识进行癫痫发作分类。这一设计将 EEG 多维特征提取与源域—目标域对齐结合，但注意力的具体实现、各训练目标的形式与权重尚未验证。 作者报告在 Temple University Hospital EEG Seizure Corpus（TUSZ）v1.5.2 上进行了评估，并称取得癫痫发作分类的 state-of-the-art 性能。摘要未提供具体指标、数值、对照方法、被试数量或数据划分，因此该结论目前只能作为作者报告，不能据此判断提升幅度或与其他协议下的结果直接比较。 复现时需重点核对源域与目标域的被试划分、训练阶段使用哪些目标域数据及是否使用标签，并确认“未见被试”的评估含义，以区分域适应与完全不接触目标域数据的域泛化。材料提供了代码地址，但代码内容、运行条件、实验协议、消融及统计信息尚未验证；尤其需要核对 TSS 注意力和域对抗训练各自的贡献。该工作属于 EEG 癫痫发作分类方法研究，摘要中的诊断与治疗应用动机不等同于已完成临床验证。

1月1日周一
  1. OpenReview · EEG67

    癫痫样 EEG 异常的自动识别

    基于摘要分析。研究面向癫痫诊断等长时程 EEG 检查中的自动异常检测，提出用于识别发作间期异常 EEG 片段的机器学习方案，并通过多个公开数据集的组合训练与测试，考察单一数据库开发方法的泛化能力。其主要研究对象是临床 EEG 异常识别，而非 BCI 指令解码。 方法方面，作者先在公开的 TUH Abnormal EEG Corpus 上优化分类器，再在多个公开数据集的组合上重新训练和测试。摘要未说明分类器类型、输入表示、特征提取、损失函数，以及重新训练是否涉及微调或从头训练，因此不能将其直接认定为某种域适应方法。 结果方面，作者报告，各数据集内部取得的结果与已知先进水平相当，但摘要未提供相应指标数值和具体对照；在训练与测试使用不同数据来源的跨数据集设置下，Accuracy 范围为 67.51%–99.50%。这一范围对应不同数据源组合，不能视为同一协议下的单一性能，也不能据此推断跨被试或跨会话效果。作者报告，当训练数据集经过较强预处理且规模相对较小时，Accuracy 较低；预处理与数据规模各自的独立影响尚未验证。 复现与解读时需核对各数据集的异常定义、输入片段及评价单位、训练与测试划分、预处理一致性和重新训练流程。除 TUH Abnormal EEG Corpus 外的数据集名称、样本与被试规模、具体对照、消融及统计信息均尚未验证。该摘要支持关注 EEG 异常检测的跨数据集性能差异，但不构成 BCI 解码有效性或临床部署可靠性的证据。