BCI 科研雷达

基于摘要分析。研究针对人本环境中机器人行为与用户偏好的对齐问题，提出 CMA-ES-IG，通过用户在测试时提供的偏好排序，在学习到的表征空间中搜索符合偏好的轨迹。其贡献重点是使候选轨迹便于用户排序，并让后续建议随反复排序而改善。 机制与证据：摘要明确了“学习到的表征空间—候选轨迹—用户偏好排序—迭代搜索”的流程，但未提供表征训练方式、排序反馈的具体编码、搜索更新规则或损失形式，不能仅凭算法名称补全实现。作者报告在仿真与真实用户实验中评估了 CMA-ES-IG，并可在少至 10 次排序后学到用户偏好的机器人行为；该数字对应偏好排序次数，不应等同于用户人数或轨迹样本数。具体任务、每次排序的候选数量、被试规模、对照基线、成功判据、消融及统计信息尚未验证。 平台推测（待验证）：假设 BCI 共享控制系统已有可生成控制轨迹的表征空间，用户偏好排序可能用于调整辅助行为，而非直接提升 EEG 解码 Accuracy。可复用的是候选行为搜索与排序反馈接口；需改造的是 BCI 控制约束、反馈采集方式及交互成本评估。其适用性依赖行为空间质量、用户排序的一致性和可承受的反馈预算。若排序由 EEG 意图估计间接产生，低信噪比、跨被试差异和通道变化可能引入不稳定反馈，小数据也可能限制行为表征的覆盖。一个可检验的小实验是在固定解码器与行为表征的共享控制任务中，以相同排序预算比较 CMA-ES-IG 与预先指定的搜索基线，测量用户偏好改善和反馈负担。上述迁移尚未验证，已有 EEG 相关工作尚未检索确认。

作者：

Nathaniel S. Dennler; Zhonghao Shi; Yiran Tao; Andreea Bobu; Stefanos Nikolaidis; Maja Mataric

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

NraZfskE5E

学术质量 69 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。本文研究物理人机协作中的共同搬运问题，提出 CoFlow：以固定导纳控制器为基础，在末端执行器速度空间引入学习式分层残差策略，将对人的任务意图的推断与对即时接触变化的顺应响应结合起来。 核心机制是由方向预测模块利用历史力/力矩与本体感知测量，估计归一化的方向意图，并以此作为 Flow Matching 策略的条件。该策略使用导纳控制引导的示范训练；推理时，策略输出与导纳速度取平均。作者认为，这样既保留导纳控制器的反应式结构，又能利用人类运动的时间模式。摘要未给出具体损失、模型结构、历史窗口或示范采集规模，这些实现细节尚未验证。 作者报告，在真实机器人的桌面面板放置任务用户研究中，CoFlow 相比仅导纳控制和仅 Flow Matching 两类基线提高了放置准确性，同时保持了导纳控制基线较低的交互用力水平。摘要未提供被试人数、划分协议、指标定义、数值和统计检验；实验协议、消融及统计信息尚未验证。作者关于顺应性与安全性的表述不能替代对接触力限制、异常意图预测及控制稳定性的具体验证。 平台推测（待验证）：其可借鉴之处是将慢时间尺度的意图估计与快时间尺度的物理反馈控制分离，而非将该方法视为已验证的 BCI 算法。假设用于 EEG 驱动的辅助机器人，可保留导纳控制和速度融合模块，但需将方向预测模块改为神经信号意图解码，并重新核对示范监督、时间同步与输出约束。低信噪比、跨被试差异、通道变化及小数据可能使意图输出不稳定，平均融合本身也不保证安全。一个可检验的小实验是在固定导纳控制条件下，对比仅导纳控制、即时 EEG 意图融合与历史 EEG 意图融合，采用被试内独立试次评估任务误差、交互力及错误意图下的稳定性。相关 EEG 工作尚未检索确认。

作者：

Sophie Lueth; Xinyu Zhan; Vignesh Prasad; Georgia Chalvatzaki

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

cJ1b9yb6hH

学术质量 71 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。研究针对打磨、抛光和研磨等接触密集型表面精加工任务，在作者此前的遍历控制（ergodic control）框架上引入人类物理纠正，使机器人在执行过程中在线调整运动约束与目标覆盖分布。核心贡献是将人工反馈纳入持续交互过程，同时修正机器人“在哪里作业”与“如何运动”。 机制上，遍历控制根据目标分布及历史覆盖情况组织机器人运动。摘要区分了两类互补的人类干预：接触过程中的纠正性引导用于更新运动约束；重新定位操作则用于更新期望覆盖分布，表达哪些区域需要更多或更少的作业关注。作者将这一扩展描述为从离线学习转向交互式人机协作，但摘要未给出约束的数学表示、反馈编码、更新规则、优化目标或实时计算要求。 作者报告提供了在真实工件上在线纠正运动偏好的视频演示。该材料支持存在演示这一事实，不能据此确认表面质量、覆盖效率、接触力控制或安全性能的改善。对照方法、实验协议、消融及统计信息尚未验证；复现还需核对机器人与工具配置、传感方式、人类干预识别机制，以及学习后的约束如何进入控制器。 平台推测（待验证）：该工作的潜在参考价值在于将人类反馈拆分为目标区域调整与执行约束调整，而不是直接提供 EEG 表征学习方法。摘要中的反馈来自物理干预，迁移到 BCI 还需要额外的意图解码及不确定性处理，不能将原任务中的交互机制视为已验证的 EEG/BCI 效果；已有 EEG 相关工作尚未检索确认。

作者：

Stefan Schneyer; Edoardo Fiorini; João Silvério

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

jk9l4qQIlU

学术质量 67 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。本文研究端到端模仿学习模型（如 vision-language-action models，VLAs）能否从人机协作数据中学习协作操作，以减少手工设计系统对工程实现的依赖，并探索推理时干预如何改善机器人的辅助行为与执行效率。 原研究对象是人类与机器人共同完成操作任务，而非 EEG 解码或 BCI 控制。作者将协作数据用于端到端模仿学习，并引入两类推理时干预：通过 steering 引导模型采取更保守的行为，以及利用自适应动作块间位姿对齐（adaptive inter-chunk pose-alignment）减少机器人执行时间。摘要未说明 steering 的具体实现、位姿对齐的计算方式，以及两类干预是否联合使用，不能据此补写网络结构、损失函数或控制流程。 作者报告，初步结果显示预训练有益于协作操作，加速执行会影响协作表现，steering 能减少错误的辅助动作。摘要未给出任务构成、协作数据规模、评估划分、对照基线、指标或数值，因此这些结果只能视为作者报告的初步发现，尚不能判断收益大小、统计可靠性及跨任务泛化能力。实验协议、消融及统计信息尚未验证。 阅读全文时应重点核对：协作示范如何表达人类意图与机器人响应，预训练收益相对于何种训练基线，执行加速与协作成功或错误辅助之间如何权衡，以及 steering 的保守性是否会牺牲必要的协助。材料未提供神经信号输入或与 EEG/BCI 的具体机制对应，不能将其改写为 BCI 算法创新；相关 EEG 工作尚未检索确认。

作者：

Leo Xu; Letian Li; Alex Cuellar; Michael Hagenow

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

7G5Darsgys

学术质量 64 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。该研究面向移动机器人在密集、非结构化人群中的局部规划，目标是在安全与计算效率之外，使机器人轨迹更接近人类的移动方式。作者提出 Crowd-FM，将安全轨迹生成与轨迹的人类行为相似性评价拆分为两个阶段，而非由单一生成过程同时承担两类目标。 核心机制：第一阶段采用 Conditional Flow Matching（CFM），快速生成一批多样化候选轨迹；作者将这些轨迹描述为满足运动学与动力学约束且无碰撞。第二阶段训练评分函数，根据环境上下文评价候选轨迹，并选择最符合人类预期的一条。摘要明确说明，评分函数仅使用密集人群中的人类遥操作示范数据训练；生成模型的训练数据、条件输入、损失形式及安全约束实现尚未验证。因此，目前不能判断“无碰撞”来自生成模型的经验表现、显式约束还是其他安全保障机制。 作者报告，这种两阶段方案能够连接表达能力较强的生成建模与直观的人机交互，但摘要未提供定量指标、对照基线或具体测试场景。数据规模、训练与测试划分、推理耗时、碰撞评价方式、人类行为相似性的操作性定义，以及消融和统计信息尚未验证。复现需进一步核对候选轨迹的生成与筛选流程，以及评分函数在不同人群密度和交互情境下的泛化表现。 原论文的主要研究对象是机器人导航，而非 EEG 解码或 BCI。现有材料不足以建立该机制与具体神经信号瓶颈的对应关系，因此不据此推导 BCI 有效性或提出迁移实验。摘要称该工作已被 ICRA 2026 接收，此处仅作为作者陈述保留，不进一步推断正式发表状态。

作者：

Antareep Singha; Laksh Nanwani; Mathai Mathew P.; Samkit Jain; Phani Teja Singamaneni; Arun Kumar Singh; Madhava Krishna

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

SydJVHa2wr

学术质量 68 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。研究针对小型工业部件检查中机器人视点控制依赖工程 expertise、现场协作及反复人工干预的问题，提出从感知到动作的框架：操作者通过目标表面的一张或多张 RGB 参考图像表达检查意图，系统将其转换为机器人可执行的观察轨迹。 核心机制是用检查对象的多视角采集数据训练 Instant-NGP 辐射场，作为人类示范与机器人动作之间的共享表示。系统通过场景自适应复合损失，将参考图像与 NeRF 渲染的候选图像匹配，再以姿态估计恢复 6-DoF 相机姿态，并将这些姿态串联为 UR5e 机器人的执行轨迹。摘要未给出复合损失的具体形式、候选视点生成与搜索策略，以及相机姿态到机器人运动的标定和规划细节，这些均尚未验证。 作者报告在合成基准和真实机器人执行中进行了验证，并称系统能够处理梯度式反演失效时的大旋转偏差，不需要 CAD 模型、深度传感器或动觉引导。这些结论依赖对象的多视角采集与已训练辐射场；摘要未提供基准名称、数据划分、对照配置、姿态误差或执行成功率，实验协议、消融及统计信息尚未验证。 本文的“人类意图”由 RGB 图像示范表达，并非从 EEG 或其他脑信号解码，不能视为已验证的 BCI 方法。其直接复现价值在于检查图像匹配能否稳定转化为可执行视点；需进一步核对反光或弱纹理表面、参考图像与采集条件变化、机器人可达性及轨迹安全约束下的表现。尚未检索确认相关 EEG 工作。

作者：

Dipshikha Das; Paul Greaney; Philip Long

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

RWhxCHjHc9

学术质量 71 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。本文研究如何使预训练 vision-language-action（VLA）模型利用人的肢体语言完成真实世界的人机灵巧协作任务，提出通过预训练视觉编码器、人体姿态先验和动作空间重设计改善模型适配。研究对象是机器人对人类行为的感知、解释与动作响应，而非 EEG 解码或 BCI 控制。 技术上，摘要明确列出三个适配方向：利用预训练视觉编码器，引入人体姿态先验，以及重新设计模型的动作空间。这些设计旨在增强机器人响应的情境感知能力与数据效率，但材料没有说明姿态先验的具体表示、各模块的结合方式、动作空间定义或训练目标，因此尚不能判断各设计的独立贡献及复现难度。 作者报告，真实世界评估支持所提方法的有效性，并称其改善了机器人对人类行为的感知、解释和响应。摘要未提供具体任务、机器人硬件、数据规模、训练与测试划分、对照基线或量化指标，因而不能据此比较性能提升幅度；实验协议、消融及统计信息尚未验证。 当前材料支持将其视为基于视觉与肢体语言的人机协作方法研究，但未建立与神经信号解码的具体机制对应关系，不据此推断 BCI 效果或提出 EEG 迁移实验。已有 EEG 相关工作尚未检索确认。进一步评估需核对全文中的姿态信息来源、动作接口、适配所需数据及真实场景评估协议。

作者：

Boshi An; Chenyu Yang; Robert K. Katzschmann

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

PpDk4m0jfM

学术质量 62 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。该研究面向在人类环境中执行任务的机器人，探讨如何在任务失败后恢复执行并维持有效交互。其核心贡献是提出 explanation-aware task planning，将解释行为作为规划中的独立行动，而非事后生成的说明，使机器人能够在不确定的人类响应下联合规划任务行动与解释行动。 机制上，解释行动的结果会影响后续任务的可行性与执行过程，因而解释不仅是沟通输出，也是改变任务动态的干预。作者采用概率规划表述来处理人类响应的不确定性；具体状态表示、响应概率的获取方式、优化目标及规划求解方法尚未验证。摘要将现有方法概括为事后解释或固定沟通策略，本文与其主要区别在于让解释参与行动选择及后续规划。 作者报告，在图书馆取送任务场景中，相较事后解释基线，该方法产生了定性上不同且更稳健的策略，减少交互中断并改善失败恢复。摘要未提供定量指标、试验规模或基线实现细节，实验协议、消融及统计信息尚未验证，不能据此判断效果幅度或跨场景泛化能力。 研究的主要对象是机器人与人的任务交互，而非 EEG 解码或 BCI 算法。现有材料未提供与神经信号处理的具体对应关系，因此不据此推断 BCI 有效性。复现前需核对任务与解释行动的定义、失败条件、人类响应建模，以及交互中断和恢复效果的评估方式。

作者：

Amar Halilovic; Vahidin Hasić; Senka Krivic

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

zYeHl0PXy9

学术质量 70 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。该研究面向人机交互中机器人情绪状态的表达，提出从混合现实（Mixed Reality，MR）中的专家示范学习机器人情绪行为的框架。其贡献是将人类多模态表达映射到机器人部件，并利用基于 flow matching 的生成过程，在明确给定情绪状态的条件下，实时生成响应移动物体的连贯、多样行为。 示范采集阶段，专家以第一人称视角遥操作虚拟机器人，系统捕获面部表情、头部运动和上半身手势，并映射到机器人的眼睛、耳朵、颈部和手臂。生成阶段采用情绪条件控制；移动物体信息的具体表示、示范与情绪状态的标注方式、时序建模、训练目标及实时推理实现尚未验证。 作者报告，初步测试验证了该方法生成自主情绪表达的有效性。摘要未提供样本规模、数据划分、对照方法、效果指标或推理延迟，因此尚不能判断其表达真实性、多样性、情绪可辨识性及实时性的量化表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该框架对 BCI 的潜在关联更接近情绪驱动的机器人输出端，而非 EEG 解码方法。若用于 EEG 驱动交互，可考虑复用情绪条件生成模块，但需另建 EEG 到情绪条件的估计接口，并处理输出不确定性、时间对齐和机器人动作安全约束。其依赖的人类动作示范与明确情绪条件，不能直接替代低信噪比、跨被试差异显著的 EEG 监督。一个可证伪的小实验是固定生成器，比较参考情绪条件与 EEG 估计条件驱动下的情绪可辨识性和动作稳定性，以检验条件误差是否破坏表达质量；这不是论文已验证的结果，已有 EEG 相关工作尚未检索确认。

作者：

Chao Wang; Michael Gienger; Fan Zhang

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

hYb0Za56gs

学术质量 62 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。本文研究机器人如何将少量人类操作示范扩展为有用的操控经验，提出人类引导的自主练习闭环：由人类提供示范并承担教学与监督，机器人负责重复练习、场景重置和轨迹筛选。主要研究对象是机器人操控与数据采集，而非 EEG 解码或 BCI。 核心流程是将长时程指令分解为子任务，为每个子任务检索最相关的示范，在当前情境中执行技能，检查执行结果，并尝试互补的重置动作。其方法价值在于把示范复用与练习后的环境恢复结合起来，减少持续遥操作的需求。摘要未说明示范表示、检索准则、结果判定方式、重置策略及轨迹筛选规则，这些实现条件尚未验证。 作者报告，初步仿真与真实机器人结果提示，利用少量人类示范进行上下文学习，可在无需密集遥操作或任务特定微调的情况下支持可扩展的数据采集。摘要未提供任务集合、示范数量、机器人平台、对照基线、成功率或数据采集成本，因此尚不能量化其相对收益，也不能判断不同任务与场景下的稳定性；实验协议、消融及统计信息尚未验证。 复现时需从全文核对自主练习中人工介入的频率、结果检查的可靠性、重置失败的处理方式，以及筛选所得轨迹能否改善后续策略学习。材料未提供神经信号处理机制或与 EEG/BCI 的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。

作者：

Keyu Zhu

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

ncjO7QJBW0

学术质量 66 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。该研究面向机器人辅助自闭症谱系障碍（ASD）儿童治疗中的互动决策，提出利用多模态传感信息推断儿童动作、再据此选择机器人动作的决策模块。其贡献在于以概率模型与期望效用框架连接动作识别和不确定性下的互动决策，而非摘要已证实的临床疗效。 机制上，儿童动作的推断限定在预先设计的动作集合内；机器人根据推断结果，在基于 Dirichlet 分布的期望效用框架下选择动作。摘要未说明传感模态、概率模型的具体结构、Dirichlet 分布的建模对象、效用定义或参数更新方式，因此尚不能判断其如何学习或适应个体儿童的行为。 摘要未提供数据集、参与儿童人数、训练与评估划分、对照方法或定量结果。实验协议、消融及统计信息尚未验证；也需核对动作推断误差如何影响后续决策，以及效用目标与治疗目标之间的关系。该材料支持将其归为方法论文，不能据此视为已经完成临床验证。 平台推测（待验证）：其不确定性驱动的动作选择框架可能与 EEG/BCI 中意图识别不稳定时的交互决策有关，但依赖可定义的动作集合、可靠的概率估计及效用目标。潜在可复用部分是决策框架，需改造的是 EEG 输入、意图状态定义和概率校准；低信噪比、跨被试差异及小数据可能导致过度自信的错误决策。可先在固定 EEG 解码器与同一数据划分下，比较期望效用选择和直接选择最高概率动作的任务收益及错误代价。该迁移仅是假设，已有 EEG 相关工作尚未检索确认。

作者：

Miguel Santos Pascual; Bartomeu Pou; Manel Rodriguez-Soto; Antonio Lobo-Santos; Juan Antonio Rodriguez Aguilar; David Ríos Insua

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

WouoZoD9ns

学术质量 57 / 100 · 兴趣权重 2 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。本文研究机器人与人协作搜索物体时，如何在候选物体和掌握部分目标信息的人类伙伴之间分配注意。核心贡献是从真实人犬协作搜索中提取具有时序结构的行为示范，通过行为克隆训练机器人社会注意策略，而非迁移动物的运动技能。 作者观察到，犬会在协作搜索中协调视线跟随、独立探索和回看伙伴等行为，并提出假设：这种行为协议可作为机器人社会注意策略的结构先验。研究流程包括记录真实人犬协作搜索试验，利用 3D 重建与头部朝向射线投射提取逐帧状态—动作对，再加入经校准的仿真合成试验数据，分别训练 MLP、LSTM 和 Transformer 行为克隆策略。摘要未明确状态与动作的具体定义、数据融合方式或训练损失细节。 作者报告，三类学习策略在仿真及真实评估中均取得非平凡的任务成功，优于一个几何基线，并称结果支持策略利用了人类伙伴的指示性信号。摘要未提供成功率数值、试验规模、划分方式、基线实现或统计不确定性，不能据此比较三类模型的优劣，也不能判断时序结构、真实数据和合成数据各自的贡献。实验协议、消融及统计信息尚未验证。作者将其定位为据其所知首个把动物认知层面的策略而非运动层面的技能迁移到机器人的流程，此优先性主张尚未独立核实。 论文的主要对象是人机协作物体搜索，不是 EEG 解码或 BCI。其机制依赖可重建的行为状态、头部朝向线索及动作示范；材料未提供与神经信号处理的具体对应关系，因此不据此推导 BCI 有效性或提出 EEG 复现实验。复现前需核对采集与标注流程、仿真校准方法、训练与评估分离方式，以及代码和数据的可获得性。

作者：

Ivy Xiao He; Jiajie Feng; Jiayu Zhu; Madeline H. Pelgrim; Daphna Buchsbaum; Stefanie Tellex

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

NJFiu520DV

学术质量 75 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。该研究针对机器人辅助导航（RAN）中传统接口难以复现人与照护者之间直观物理沟通的问题，提出 Tac-Nav：在 Stretch 3 移动操作机器人上安装圆柱形触觉皮肤，通过触觉数据识别人类导航意图。其主要研究对象是触觉人机交互与辅助导航，而非神经信号解码或 BCI。 核心方法是 Cylindrical Kernel Support Vector Machine（CK-SVM），显式建模传感器的圆柱几何，以应对用户握持时自然产生的旋转偏移。摘要未给出核函数公式、触觉数据表示、意图类别或训练与推理细节，因此尚不能判断其几何建模的具体实现及适用边界。 作者报告，在模拟数据和真实场景数据的分类实验中，CK-SVM 的 Accuracy 分别为 97.1% 和 90.8%，优于四个基线模型；摘要未披露基线名称、样本规模、划分方式及是否跨用户评估，这两项结果不宜作为跨协议性能直接比较。作者还报告，一项先导研究显示用户更偏好 Tac-Nav 触觉接口，而非传统摇杆和语音控制；参与者构成、偏好测量及统计信息尚未验证，不能据此推断临床获益。摘要提供了代码与视频入口，但实现内容及复现条件尚未核验。 平台推测（待验证）：可借鉴的是依据传感器拓扑构造核函数、减轻输入位置变化影响的思路，而非直接复用圆柱核。假设 EEG 电极拓扑与特定空间扰动具有可建模的对应关系，可探索几何感知核对通道位置变化的稳健性；但 EEG 头皮布局并非圆柱，低信噪比、跨被试生理差异及通道缺失也不等价于握持旋转。一个可检验的小实验是在固定 EEG 任务和相同数据划分下，对比普通核与电极拓扑感知核，并加入受控通道位置扰动，检验稳健性收益是否伴随原始性能下降。相关 EEG 工作尚未检索确认，此假设不构成已证实的迁移效果。

作者：

Shaoting Peng; Dakarai Crowder; Wenzhen Yuan; Katherine Rose Driggs-Campbell

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Oral

标识：

ZJRzwYidDT

学术质量 75 / 100 · 兴趣权重 2 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。研究关注人机交互中通过人类偏好学习奖励函数时，期望效用（EU）假设能否准确描述用户对随机结果的评价。作者在社会机器人导航场景中，将 EU 与累积前景理论（CPT）纳入 Bradley-Terry 偏好学习框架进行比较，以研究风险敏感决策模型对奖励恢复的影响。 EU 按结果概率线性汇总效用；摘要指出，人类可能高估罕见负面事件并表现出损失厌恶，因此这一假设可能偏离用户偏好。研究以碰撞等发生概率低、后果严重的导航结果为背景，用 CPT 的非线性决策建模与 EU 对照。CPT 的具体参数化、参考点设定、偏好概率构造及优化方式尚未验证。 作者报告，在偏好由风险敏感用户生成的初步实验条件下，CPT 学习器恢复奖励函数的 regret 显著低于 EU 学习器。摘要未给出数值、regret 定义或统计检验，因此这里的“显著低于”仅转述作者的定性描述，不代表已确认统计显著性。偏好来自真实参与者还是模拟生成、样本规模、训练与测试划分、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于依据用户偏好优化 BCI 辅助设备行为的奖励学习，尤其是错误操作后果不对称的情境，但它不是 EEG 表征或解码方法。迁移依赖可描述的随机行动结果及偏好监督；可复用偏好比较框架，需重新定义 BCI 的结果、风险与用户参考点。低信噪比 EEG 导致的概率估计误差、跨被试风险偏好差异及小样本下 CPT 参数难以辨识均可能使迁移失败。一个可检验的小实验是在固定 BCI 行动及结果概率的条件下收集成对偏好，以相同划分比较 EU 与 CPT 对留出偏好的预测表现，并核对奖励恢复指标的适用性。已有 EEG/BCI 相关工作尚未检索确认。

作者：

Yi-Shiuan Tung; Yuni Wu; Wei Jiang; Alessandro Roncone; Bradley Hayes

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

iK2TO8xcLH

学术质量 65 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

基于摘要分析。本研究考察非专家终端用户在家庭环境中、没有机器人专家实时反馈时，通过 Learning from demonstration（LfD，示范学习）教授机器人新技能所面临的关键障碍。研究以照护提供者为参与群体开展多次访问的人体参与实验，旨在提高 LfD 可用性评估的生态效度。 研究设计：摘要指出，既有非专家 LfD 可用性评估多在受控实验室环境中进行，且有机器人实验人员在场。本研究在家庭环境下采用既有工作开发的两类示教者指导方式：预先培训（pre-training）与自适应反馈（adaptive feedback）。这里的 pre-training 指面向示教者的指导，不应据此理解为模型预训练；两类指导的具体内容、反馈依据及实验分组尚未验证。 贡献与证据边界：研究重点是非专家示教过程的使用障碍及纵向评估，而非摘要明确提出的新学习算法。作者提出计划开源照护提供者在家庭环境中、跨多次访问教授机器人辅助任务所形成的 LfD 数据集；摘要未确认数据已经发布，因此不将其视为已发布的数据集。摘要未列出具体障碍、任务表现或指导效果，不能据此判断哪种指导更有效。 全文核对重点包括参与者人数与背景、访问次数和间隔、辅助任务定义、机器人与 LfD 实现、指导条件的对照安排、可用性及任务成功指标，以及重复测量的统计处理。实验协议、消融及统计信息尚未验证。材料不涉及 EEG 或 BCI，亦不足以提出具体的算法迁移结论。

作者：

Nina Moorman; Julianna Schalkwyk; Vriksha Srihari; Qingyu Xiao; Kamel Alrashedy; Hongseok Jeong; Kiersten S Lange; Matthew B Luebbers; Matthew Craig Gombolay

机构：

尚未验证

发表平台：

ICRA26 Learning-HRI Workshop Poster

标识：

3mEXCGTEQd

学术质量 70 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-10 · 已接收

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。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

Submitted to NeuroMM 2026

标识：

t6VVru4Ibz

学术质量 68 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-08-16 · 预印本

基于摘要分析。该研究针对 EEG 中发作间期癫痫样放电（IED）候选与非脑源事件所致相似瞬态难以区分的问题，提出以 EEG 为中心的候选排序系统，通过多模态测试时上下文增强，利用同步视频辅助判断 EEG 证据的可靠性并修正排序。 核心机制：系统首先适配 ST-EEGFormer，建立 EEG 参考排序，再利用视频提取的可靠性线索及候选池上下文，在测试时细化候选分数。视频并非早期融合输入，而是用于可靠性评估与排序修正：保留具有一致 EEG 支持的候选，抑制与视频上下文冲突的高分候选，并借助形态和邻域证据恢复排序偏低的候选。其研究重点是如何利用稀疏、间接且与短 EEG 候选窗口仅松散对齐的视频证据，而非简单联合两种模态。 结果：作者报告，在 Track 2（NMM-Context-IED）官方排行榜上，最终提交的 AUPRC 为 0.9871；评估后分析进一步达到 0.9972 AUPRC。两者分别属于官方提交和评估后分析，不能视为同一评估条件下的直接提升。作者还报告，视频上下文冲突证据是最有效的单一上下文视角，但摘要未提供各视角的具体指标或统计不确定性。 复现与证据边界：需核对 ST-EEGFormer 的适配方式、视频线索提取与时间对齐、候选池和邻域定义，以及分数修正规则。数据集组成、被试数、被试内或跨被试划分、基线、完整消融及统计信息尚未验证；评估后分析的配置与数据使用条件也需结合全文确认。该工作支持的是 EEG-视频 IED 候选排序研究，摘要不足以据此判断临床诊断效益或泛化能力。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

Submitted to NeuroMM 2026

标识：

bkAXEtpO9X

学术质量 70 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-08-16 · 预印本

基于摘要分析。本文研究 NeuroMM-2026 Track-1 的二分类 EEG 尖波检测，以 AUPRC 评分；主要贡献是组合多种时频表示与预训练视觉骨干，并通过伪标签及候选样本专门化自训练提升竞赛表现。作者报告该系统排名第一，但最终训练方案具有传导式、样本内评估属性，不能直接视为未见样本上的泛化结果。 系统结合领域感知预处理、五种时频表示、由既有竞赛方案改造的 ImageNet 预训练视觉骨干，以及带正则化的 Nelder-Mead 集成。摘要未说明具体表示、骨干型号、正则化形式及集成优化细节。作者报告归纳式方案得分为 0.9711；常规伪标签预热后得分为 0.9778；随后，candidate-specialist self-training 将高置信度的已发布候选样本以全权重加入训练，最终得分为 0.9846。上述得分对应以 AUPRC 评分的竞赛任务，但训练和评估条件发生变化，不宜将差异全部解释为泛化能力提升。 针对最终方案按设计采用传导式、样本内评估的问题，作者使用 held-out-fold replay 进行检查。作者报告该检查提示部分效果可迁移，但仍不能排除候选样本特定的记忆。作者据此认为，在该趋于性能饱和的 EEG 基准上，广泛模型多样性本身不足以继续提升，关键在于大量高置信度伪标签候选样本、全权重训练，以及排除候选样本的真实标签验证；这一结论应限定于所述任务与协议。 复现时需核对候选样本的来源及可用范围、置信度筛选规则、伪标签更新流程、全权重的定义，以及 held-out-fold replay 和候选排除验证的具体划分。被试、数据规模、被试内或跨被试设置、基线、消融及统计信息尚未验证。本文直接研究 EEG 尖波检测，但摘要未提供在线 BCI 或其他 EEG 任务有效性的证据。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

Submitted to NeuroMM 2026

标识：

t76N7bAcx5

学术质量 63 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-08-16 · 预印本

MoMo 针对同一起点—目标查询下，单一潜在几何难以表达任务效率与风险暴露之间多种有效权衡的问题，提出偏好条件化的对比式规划方法，使标量用户偏好能够在推理时连续调节规划的保守程度，无需重新训练。基于摘要分析，未取得论文全文。 机制上，时间对比表示学习将长时程规划转化为低维线性系统中的推断。MoMo 使用 Feature-Wise Linear Modulation 对表示几何进行条件化，并使用低秩神经调制对潜在预测算子进行条件化。其关键不只是将偏好附加到输入，而是联合调节规划所依赖的表示空间与预测机制。作者称，该构造保留了表示空间中对推断驱动的对比式规划至关重要的概率密度比，同时保留推理阶段的效率；具体理论假设、损失形式及效率测量尚未验证。 作者报告，在六个环境中，MoMo 能随用户偏好平滑调整规划安全性，并相较于状态增广基线改善时间一致性与偏好一致性。摘要未提供环境名称、训练与测试划分、指标定义或结果数值，因此无法判断改善幅度及适用边界；实验协议、消融及统计信息尚未验证。复现时需核对偏好如何参与训练、风险与效率如何量化，以及未见偏好或环境变化下的表现。 平台推测（待验证）：其对 EEG/BCI 的潜在启发更接近 BCI 下游辅助控制中的偏好条件化规划，而非直接提升 EEG 解码。假设 BCI 控制任务具有可用于时间对比学习的状态轨迹、起点—目标查询及风险或偏好信号，可尝试复用表示与预测算子的联合条件化机制；EEG 观测编码和偏好标定则需另行改造。低信噪比、跨被试及通道变化、小规模轨迹数据可能使潜在动力学和偏好效应不稳定。一个可检验的小实验是在固定 EEG 解码器的辅助控制仿真中，对比联合条件化与状态增广，检查偏好变化是否稳定改变风险—效率权衡，并测量推理开销。已有 EEG 相关工作尚未检索确认。

作者：

Yusuf Syed; Viraj Parimi; Brian C. Williams

机构：

尚未验证

发表平台：

PRL ICAPS 2026 Oral

标识：

QME33nC8aB

学术质量 75 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-06-21 · 已接收

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。

作者：

Sharon Quispe Carhuapoma; Miguel Isidro Baez; Omar Gustavo Perez Nestares

机构：

尚未验证

发表平台：

LXAI @ ICML 2026

标识：

tD7uk3F1TZ

学术质量 62 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-06-25 · 状态未知

基于摘要分析。NeuroTune 研究如何通过音乐结构呈现 EEG 衍生的注意状态，提出将注意指标实时映射为和声协和度的神经反馈系统。其贡献在于把和声张力用作生理信息通道，而不只是音乐审美参数。 核心机制：系统由 Theta/Beta Ratio（TBR，θ/β 比值）计算 Normalized Attention Index（NAI，归一化注意指数），再映射至四声部和声织体。其中两个固定声部为 440 Hz 和 660 Hz，另两个可变声部在注意指标较高时趋向协和，在注意指标下降时趋向不协和，使用户通过声音感知自身状态。摘要未提供 NAI 的归一化公式、可变声部的频率映射、EEG 采集与伪迹处理流程或反馈延迟，这些实现条件尚未验证。 作者报告：在包含 26 名参与者的用户研究中，NeuroTune 组在会话后段的 TBR 显著降低（p < 0.05），作者将其解释为持续注意改善。摘要未明确该显著性检验对应的比较对象，也未给出组别分配、效应量或独立行为表现，因此不能据此确认相对于其他反馈方式的优势，或推断长期注意训练效果。实验协议、消融及统计信息尚未验证。 该工作直接涉及 EEG 神经反馈与闭环交互音乐，而非通用 EEG 解码模型。复现时需核对 TBR 与持续注意之间的解释依据、频带与时间窗设置、反馈映射细节，以及音乐偏好和听觉反馈本身对指标变化的影响；还需确认 TBR 的降低是否与独立注意任务表现改善一致。

作者：

Eunice Hong; Yejin Kim; You Jeong Hong; Kyungsu Kim; Kyogu Lee

机构：

尚未验证

发表平台：

KSMI 2026 Poster

标识：

NMLkFAJtld

学术质量 65 / 100 · 兴趣权重 1 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-06-19 · 已接收

基于摘要分析。该研究针对多范式 EEG 中的跨被试域偏移，提出 Hybrid Deep-Riemannian Domain Generalization（HybridRDG），在训练时不访问任何目标被试数据，用于识别携带自闭症相关遗传变异的个体。其主要研究对象是临床生物标志物检测，而非直接诊断 ASD 或验证 BCI 控制性能。 核心方法融合两个互补分支：经对抗正则化的 EEGNet 提取时间波形形态；黎曼几何分支通过范式特定的多时间窗分解、Ledoit-Wolf 收缩估计与 Log-Euclidean 对齐表征空间协方差结构。摘要明确这些处理仅在源被试上拟合，但未提供对抗目标、融合方式、窗口设置及具体训练损失，相关实现尚未验证。这里的“零样本”指训练阶段不使用目标被试数据的域泛化设定，不能等同于对未知类别的零样本识别。 作者报告，在五种范式的严格被试留出协议下，与覆盖黎曼几何、深度学习及域泛化方法的十个基线比较，HybridRDG 在其中四种设置中获得最高的被试级 Balanced Accuracy。摘要未给出具体分数、差值、被试数量、范式名称或统计不确定性；其中“通常少于 50 名有标签被试”是背景描述，不能视为本研究样本量。 作者据此认为，几何协方差结构而非仅欧氏特征对齐，是零样本 EEG 泛化的重要因素。这一机制解释仍需结合分支消融、对齐对照及统计检验核对。复现时还需确认多范式数据组织、被试级预测聚合方式、训练与验证划分，以及所有预处理和模型选择是否遵守源被试限定。实验协议、消融及统计信息尚未验证，现有材料不足以判断跨会话、跨数据集泛化或临床检测效用。

作者：

Ayesha Anzer; Abdul Bais

机构：

尚未验证

发表平台：

Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026

标识：

0mO4IdLR4f

学术质量 73 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-08-18 · 状态未知

基于摘要分析。本文针对 EEG 非线性、非平稳及易受噪声干扰所带来的特征提取问题，研究利用 Teager-Kaiser Energy Operator（TKEO）描述信号能量动态，并在运动想象、情绪识别和癫痫检测三个任务中评估其特征价值。核心贡献是构建无需训练的能量解调特征提取流程，考察其与传统 EEG 特征的互补性。 方法上，作者先使用 Gabor filterbanks 分离典型频带，以适配 TKEO 的窄带信号要求；随后通过 Energy Separation Algorithm，将 TKEO 输出解调为幅度包络和瞬时频率分量，再据此构造能量描述符并开展分类对照。摘要将该流程描述为简单、具有生理解释基础且数据高效，但“无需训练”指特征提取流程，不能据此推断下游分类器也无需训练。具体描述符定义、滤波参数、分类器及特征融合方式尚未验证。 结果方面，作者报告：将 TKEO 特征与传统特征结合后，癫痫检测的 Balanced Accuracy 提升约 15%，运动想象获得较小增益，情绪识别表现与对照相当。摘要未明确该 15% 是相对提升还是百分点差，也未提供数据集、被试数、划分方式及基线细节，因此不能据此判断跨被试或跨会话泛化能力，也不能直接比较三个任务的收益。 复现时应重点核对窄带滤波与能量解调在低信噪比 EEG 下的稳定性，以及融合特征相对传统特征和单独 TKEO 特征的增益。可在固定数据划分与同一下游分类器下比较这三种特征配置，并分别记录运动想象的 Balanced Accuracy 与噪声敏感性。实验协议、消融及统计信息尚未验证。材料注明论文已接收于 EUSIPCO 2026，不据此推断已正式发表。

作者：

Ioanna Chourdaki; Kleanthis Avramidis; Christos Garoufis; Athanasia Zlatintsi; Petros Maragos

机构：

尚未验证

发表平台：

Greeks in AI 2026 Poster

标识：

uZfHjJT1Pk

学术质量 66 / 100 · 兴趣权重 2 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-08-14 · 已接收

基于摘要分析。本文研究深度网络内部表征沿输入路径变化的几何性质，提出 representation holonomy，用于刻画 CKA、SVCCA 等点态相似性指标难以捕捉的路径依赖，而非直接提出 EEG 或 BCI 算法。 核心机制是沿输入空间中的小闭合回路对特征进行平行移动，测量累计的“扭转”：平坦表征对应零 holonomy，非零值则揭示隐藏曲率。估计流程包括通过全局白化固定规范、利用共享子空间与仅旋转的 Procrustes 对齐邻域，再将结果嵌回完整特征空间。作者报告证明了对正交变换及白化后仿射变换的不变性，建立了仿射层的线性零值基准，并说明 holonomy 在小半径极限下趋于零。具体定义、证明条件与数值估计误差尚需全文核对。 作者报告，在摘要未列明的实验设置下，holonomy 随回路半径和网络深度变化，能够区分 CKA 判断为相似的模型，并与不同训练方案下的对抗及输入损坏稳健性相关；该指标还可追踪训练中表征形成与稳定的过程。这些结果属于表征诊断与相关性证据，不能据此认定 holonomy 能因果改善泛化或稳健性。数据集、模型规模、对照设置、指标数值、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 编码器的输入邻域可由具有生理意义的小扰动构造，该方法可能用于比较点态相似却对扰动反应不同的表征。可复用白化、邻域对齐与闭环统计流程，但需改造输入回路构造，并核对跨被试、通道变化及小样本条件下的估计稳定性；低信噪比可能使测得的“扭转”主要反映噪声或协方差估计误差。一个可证伪的小实验是在固定被试内划分及相同扰动协议下，比较多个 EEG 编码器的 CKA、holonomy 与实际性能下降是否具有一致关联。已有 EEG 相关工作尚未检索确认。

作者：

Vasileios Sevetlidis; George Pavlidis

机构：

尚未验证

发表平台：

Greeks in AI 2026 Poster

标识：

Nmxp0Q4Ta0

学术质量 78 / 100 · 兴趣权重 2 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-08-14 · 已接收

基于摘要分析。该研究关注 EEG 能否作为大型视觉语言模型（LVLMs）对齐的隐式偏好反馈，提出并公开发布 VLFEEDBACK-EEG，将 21 名参与者的 EEG 记录与 LVLMs 偏好标注配对，为利用生理信号研究多模态对齐提供数据资源。作者将其称为首个此类数据集，该优先性声明尚未独立核实。 在成对评价情境下，作者报告 EEG 特征包含偏好信息，且与人类判断的对应关系比与 AI 生成标注更接近。这支持进一步研究 EEG 与主观偏好的关联，但摘要未说明偏好任务细节、刺激与记录流程、特征提取方式，以及人类和 AI 标注的生成与比较方法。 作者还探索了 EEG 与预训练奖励模型的融合。作者报告，融合结果尚未超过仅使用奖励模型的基线，但真实 EEG 持续优于噪声对照，并据此认为生理信号可能提供互补的偏好信息。应区分这两层证据：相对噪声对照的优势不等于对奖励模型带来有效增益，也不能直接视为已经改善 LVLMs 对齐；摘要未提供具体指标、效应大小或下游对齐结果。 复现时需核对 EEG 预处理与时序对齐、偏好标签定义、训练与测试划分是否隔离被试或刺激、奖励模型及融合方法、噪声对照构造，以及数据许可和访问条件。被试内、跨被试或跨会话评估协议、消融及统计信息尚未验证。当前明确贡献是面向多模态偏好研究的数据资源与探索性分析，而非已验证有效的 EEG 驱动对齐算法。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

ICML 2026 RLxF Workshop

标识：

1vYMwkm0ih

学术质量 73 / 100 · 兴趣权重 2 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-07-02 · 状态未知