BCI 科研雷达

基于摘要分析。本研究评估用于偏头痛远程研究的居家视觉诱发电位脑电图（VEP-EEG）系统是否易于操作，贡献在于提供居家采集流程的可用性证据，而非验证偏头痛发作预测效果。 研究采用两组参与者评估两版设备配置：第一组20人使用配置1，第二组20人使用根据第一组反馈修改的配置2；每名参与者在不同日期完成两次测量。评估指标包括 System Usability Scale（SUS）、任务完成时间、成功连接的电极数量及整体用户体验。摘要未说明参与者的临床诊断构成、电极配置、视觉刺激参数或具体修改内容。 作者报告，配置1的 SUS 中位数为91.2，四分位距为86.2–95.0；配置2为81.2，四分位距为70.6–90.6。两项结果来自不同参与者组，不能仅凭分数差异判定修改后的配置更优或更差。作者还报告，第一组两次测量之间的任务时间显著减少3.3分钟，但所给摘要在 P 值处截断，具体统计结果尚未验证。成功连接电极数量和用户体验的详细结果也无法从现有材料核对。 作者据此认为居家 VEP-EEG 远程监测可行且易于使用，并提出其在远程研究及发作性脑疾病研究中的应用潜力；同时明确指出仍需进一步验证 EEG 信号质量。因此，可用性结果不能替代对诱发反应可靠性、重复测量一致性或发作预测性能的验证。实验协议、完整统计信息及复现所需的设备和操作细节尚未验证。

作者：

Oosterlee ASJC; Jongenelen JAC; Kroon MJ; Duijvelshoff JL; Koster P; Ruit M; Terwindt GM

机构：

Department of Neurology, Leiden University Medical Center, Leiden, The Netherlands.; Department of Biomechanical Engineering, Delft University of Technology, Delft, The Netherlands.; Clinical Science Systems, Leiden, The Netherlands.

发表平台：

Computational and structural biotechnology journal

标识：

10.34133/csbj.0081

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

• europepmc · 元数据快照 · 2026-10-03 · 正式发表

基于摘要分析。本研究针对同步 EEG-fMRI 中跨模态关系复杂、被试间差异较大的问题，提出从全脑 fMRI 预测 EEG 频谱图的机器学习框架，以研究清醒与非快速眼动睡眠状态下神经节律的全脑空间关联。 方法由 RNN 编码器和非线性全连接解码器组成，预测频率范围为 0–17.1 Hz。作者以频谱图为预测目标，利用神经振荡之间的共同变化结构，并设计两类模型：Subject Generalization 面向未见被试的跨被试预测，Subject Specific 学习个体化 EEG 特征。摘要未提供损失函数、时间对齐方式、输入时间窗口或具体训练配置。 研究使用包含 27 名被试的同步 EEG-fMRI 数据，覆盖清醒及非快速眼动睡眠阶段。作者报告，Subject Generalization 能准确预测 EEG 频谱图，但摘要未给出评价指标或数值；Subject Specific 对所有高于 6 Hz 的频率显著改善预测。作者据此认为，较慢频率的 EEG-fMRI 关系具有更小的被试间差异；这一解释的统计依据及个体化模型的数据划分尚需核对。 为定位预测信息，作者分别使用各灰质脑区训练模型。作者报告，觉醒相关系统可广泛预测不同频率，而部分网络具有频率选择性，例如视觉网络能够预测 alpha（8.5–12 Hz）功率。这些结果支持不同大尺度脑网络包含与 EEG 节律相关的预测信息，但预测关联不等同于确定节律的因果来源。 复现与解读需核对 EEG 频谱构建、fMRI 预处理、血流动力学时延处理、跨被试及个体化训练测试划分、对照基线、预测指标和脑区比较的统计方案。实验协议、消融及统计信息尚未验证。材料支持跨模态节律分析的研究价值，尚不能据此认定其具有实时 BCI 解码或临床应用效果。

作者：

Arnav Aggarwal; Leandro P. L. Jacob; Laura D. Lewis

机构：

尚未验证

发表平台：

CCN 2026 Extended Abstracts Poster

标识：

BKiRVmZqB5

学术质量 76 / 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 · 2026-07-31 · 已接收

基于摘要分析。该研究关注扰动式归因方法生成解释时，模型是否仍保持可靠预测的问题，提出在同一扰动条件下联合审计预测不确定性与解释可靠性，并以 EEG 型 BCI 为研究场景。其贡献是三个对齐诊断指标，以及在预测熵超过经校准阈值时不输出归因图的 abstain to explain 控制机制。 作者将通道丢失、眼部伪迹突发、肌肉噪声、工频噪声和带通不匹配作为可控扰动，用于考察分布偏移下的解释失效。审计指标包括：以预测熵与 deletion AUC 的 Spearman ρalign 衡量不确定性–忠实度对齐；单调性分数 M；以及统计模型不确定但归因仍高度集中的试次的失配率。摘要未给出各指标的完整定义、预期变化方向或计算细节，因此不能仅凭指标名称判断其是否充分反映解释可信度。 作者报告，在 BCI Competition IV 2a 上使用 EEGNet 和 ShallowConvNet，并比较 single softmax、temperature scaling、MC dropout 与 deep ensembles 时，deep ensembles 产生的解释最符合所提出的审计要求；abstain to explain 则移除了许多尖锐但具有误导性的归因。摘要未提供定量结果，也未明确被试内或跨被试评估、数据划分、具体归因方法及扰动强度，故这些结论应限定在作者所述实验范围内。 复现时需核对预测校准的评估方式、熵阈值的校准数据来源、deletion AUC 的实现，以及拒绝解释后的保留比例和解释质量变化。实验协议、消融及统计信息尚未验证。作者提出协议可推广至 EEG 之外的 AI 场景，但摘要未提供跨领域验证证据。

作者：

Yaw Osei Adjei; Papa Adarkwa Agyapong; Kofi Boateng-Osei; Micheal Boadi; Abdul Rashid Seidu Amadu; Kwabena Kissiedu; Jeffrey Frimpong Kyei; Philip Amponsah Baning

机构：

尚未验证

发表平台：

XTAI-2026 Oral

标识：

okRkAg20kg

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 · 2026-05-10 · 已接收

基于摘要分析。Deformba 针对视觉 State Space Models（SSMs）依赖人工固定扫描方式、以及难以支持不同信息流之间基于查询的交互这两个问题，提出上下文自适应方法，动态增强空间结构信息，并支持类似 cross attention 的多模态融合。作者报告，该方法保持 SSM 的线性复杂度，在多类 2D 与 3D 视觉感知任务中取得较强表现。 机制与贡献：摘要指出，固定扫描将图像块展平为序列时会引入预设几何结构；面向一维序列的 SSM 又具有因果性与自指式建模特征，限制跨信息流交互。Deformba 的贡献在于同时处理空间结构适应与信息融合，后者面向多视角 3D 融合等需求。摘要未说明自适应状态融合的具体运算、查询构造、训练目标，以及线性复杂度对应的输入规模与成立条件，这些均尚未验证；也不能据此将其等同于标准 cross attention。 评估证据：作者报告测试覆盖 image classification、object detection、instance segmentation、semantic segmentation，以及 BEV perception。摘要未提供数据集、数据划分、对照基线、评价指标或具体数值，因此目前只能确认作者声称具备跨任务适用性，不能判断性能优势的幅度。实验协议、消融及统计信息尚未验证，复现所需实现与配置也有待核对。 平台推测（待验证）：假设其自适应空间机制能从图像结构推广到电极拓扑，跨信息流融合机制可能用于 EEG 的通道空间建模或 EEG 与其他模态的交互；这不等于已有 BCI 效果。可复用候选是 SSM 序列建模与融合机制，需改造输入表征、空间坐标及查询定义。其对监督形式和训练规模的依赖尚不清楚；EEG 低信噪比、跨被试差异、通道变化与小数据可能导致空间适应不稳定或过拟合。待实现细节明确后，可在同一 MI 数据集、固定 Cross-subject 划分下，对比固定空间编码与自适应融合，控制训练预算并考察通道扰动后的表现，以检验该假设。相关 EEG 工作尚未检索确认。

作者：

Hongyu Ke; Jack Morris; Yongkang Liu; Satoshi Kitai; Kentaro Oguchi; Yi Ding; Haoxin Wang

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

4Anq3hEfaO

学术质量 72 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析。本文研究强化学习中的预测性状态表征与任务迁移，提出 Hierarchical Successor Representation（HSR），通过时间抽象缓解经典 successor representation（SR，后继表征）对策略变化的敏感性，并结合 non-negative matrix factorisation（NMF，非负矩阵分解）构建稀疏、低秩状态表征。主要研究对象是环境中的状态、策略、奖励与探索，而非 EEG 或 BCI。 经典 SR 将预测动态与奖励分离，有利于在奖励配置变化时复用表征；但其依赖当前策略，持续学习、环境非平稳性及任务需求变化可能使已有表征失效。摘要还指出，在拓扑复杂环境中，SR 的谱扩散会产生稠密、重叠的特征，限制可扩展性。HSR 的机制是将时间抽象纳入预测表征的构建，再以 NMF 提取稀疏低秩结构；具体时间抽象形式、优化目标及分解训练方式尚未验证。 作者报告，HSR 学到的状态特征对任务诱发的策略变化具有稳健性，HSR-NMF 在多分区环境中支持向新任务的高样本效率迁移，并发现可解释的拓扑结构。作者将其描述为不依赖策略的层次地图，用以连接 model-free 的最优性与 model-based 的灵活性；作者还报告，时间扩展的预测结构可用于高效探索，并扩展至大型程序生成环境。摘要未提供量化指标、任务划分、基线结果或统计信息，因此这些结论的适用范围与优势幅度尚未验证，实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：若闭环 BCI 可表示为具有稳定转移结构、可观测状态及奖励反馈的序贯决策问题，HSR 可能为任务目标变化后的控制策略复用提供机制参考，而不能直接视为 EEG 解码方法。可复用的是时间抽象预测表征与 NMF 分解，需改造的是神经信号到状态的映射及转移估计。低信噪比、跨被试与通道变化可能破坏状态一致性，小数据则可能不足以估计长期转移结构。一个可检验的小实验是在固定状态编码的闭环 BCI 仿真中仅改变奖励目标，以相同交互预算比较 SR 与 HSR-NMF 的迁移学习曲线及表征稳定性；其前提是先核对全文实现。已有 EEG 相关工作尚未检索确认。

作者：

Changmin Yu; Máté Lengyel

机构：

尚未验证

发表平台：

ICML 2026 spotlight

标识：

txswvMHt4u

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 · 2026-09-22 · 已接收

基于摘要分析。本文针对视觉 Mamba 的扫描机制限制图像 patch 间非因果交互、多扫描策略带来数据重排开销，以及短 token 序列下计算速度较慢的问题，提出 SF-Mamba，尝试同时改善视觉编码的信息流与计算效率。 核心机制包括两项：辅助 patch swapping，在单向扫描中编码双向信息流；batch folding 配合周期性状态重置，以提升 GPU 并行度。其思路不是单纯增加扫描方向，而是重新组织 patch 交互与计算执行。摘要未说明交换规则、折叠维度、状态重置周期，以及这些操作如何保持上下文信息，具体实现尚未验证。 作者报告，在图像分类、目标检测、实例分割和语义分割实验中，SF-Mamba 在不同模型规模下优于作者所称的最先进基线，并提升吞吐量。摘要未提供数据集、划分、评价指标、数值、硬件环境及吞吐测量条件，因此目前不能量化性能收益或判断不同设置下的可比性；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容、运行依赖与复现结果尚未核验。 平台推测（待验证）：若 EEG 被组织为时间片段或通道—时间 token，patch swapping 可能为单向扫描补充双向上下文，batch folding 则可能改善短序列训练或推理的 GPU 利用率。这一假设依赖 token 的时空结构及计算规模，视觉任务中的收益不能直接视为 BCI 效果。迁移时需改造交换规则以匹配电极与时间关系，并核对周期性状态重置是否截断关键时序信息；低信噪比、跨被试差异、通道变化和小数据可能削弱收益，在线因果解码也需单独评估。可先在固定 EEG 数据划分和硬件条件下，对比原始单向 Mamba 与分别加入两项机制的版本，记录任务指标、吞吐及延迟，以检验机制收益能否迁移。相关 EEG 工作尚未检索确认。

作者：

Masakazu Yoshimura; Teruaki Hayashi; Yuki Hoshino; Wei-Yao Wang; Takeshi Ohashi

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

R9AUrEgZEq

学术质量 76 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析。该研究针对 EEG 电极配置异质性及固定“通道优先”架构的局限，提出 Brain Signal Rendering（BSR），将原始 EEG 转换为称作 Spectrum Videos 的结构化时空张量，并结合 VideoMAE 自监督预训练，探索跨被试与跨电极配置的泛化。 核心机制是将 EEG 视为神经活动的物理投影，以渲染后的时空表示衔接视频基础模型，而非仅将各传感器作为独立特征。作者称该表示能够保留神经拓扑，并学习不依赖特定电极布局的时空表征。摘要未说明频谱计算、空间映射、时间组织、缺失电极处理及 VideoMAE 的具体预训练设置，因此尚不能判断布局无关性如何实现，以及视频先验的贡献是否独立于渲染方式。 评估方面，作者采用被试级少样本学习，并引入跨电极配置微调。作者报告，结合 BSR 的 VideoMAE 优于其比较的先进频谱方法，但摘要未提供数据集、被试数、任务、少样本数量、训练测试划分、基线名称、指标或具体数值。跨电极配置微调应与无需目标配置数据的直接泛化区分；目标配置的数据及标签使用方式、实验协议、消融及统计信息尚未验证。 来源提供了代码仓库，但代码内容、运行条件与结果复现情况尚未验证。全文核查重点包括：渲染过程能否在不同电极数量与位置下保持可比较的空间结构；被试级少样本协议如何划分预训练、微调和测试被试；以及 BSR、VideoMAE 自监督预训练与微调策略各自的增益。该工作直接研究 EEG，但摘要中的概括性优势尚不足以确认其对特定 BCI 任务或低信噪比场景的有效性。

作者：

Wei Wang; Fang He; Yifan Li; Wanying Qu; Yawei Li; Quanying Liu; Yanwei Fu

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

iCjSoADDPs

学术质量 71 / 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 · 2026-09-22 · 状态未知

基于摘要分析。本文研究多模态学习中大规模对齐配对数据难以获取，以及共享信息与模态特异信息相互纠缠的问题，提出 MultiLoReFT：利用预训练单模态模型进行低秩表示微调，学习可解释的投影子空间，以分离两类信息并支持多模态预测。 核心机制是将低秩适配扩展到多模态表示学习，通过投影子空间显式呈现共享与模态特异信息在不同模态中的分布。研究重点不仅是融合后的预测能力，也包括表示的可解释性与可控性。摘要未说明投影的具体参数化、共享子空间的约束方式、损失函数、监督形式、训练时需要多少配对样本，以及预训练模型哪些部分被更新；不能据此认定方法无需配对数据。 作者报告，该方法在模拟与真实世界基准上得到支持多模态预测的表示，并显式揭示共享与模态特异信息的分布。摘要未提供基准名称、样本规模、划分协议、对照方法或定量指标，因此尚不能判断其相对其他融合或微调方法的性能与效率优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与另一模态存在可对齐的共同任务信息，同时各自保留独有信息，这类子空间分离机制可能用于检验融合模型是否过度依赖单一模态。可考虑复用低秩投影思路，但需改造 EEG 编码、时间对齐及缺失模态处理；其可行性依赖配对数据结构、监督信号和预训练表示质量。低信噪比、被试差异、通道变化及小数据可能使子空间捕获噪声或被试身份，而非稳定的共享任务信息。一个可检验的小实验是在已有配对 EEG 多模态数据上固定编码器，比较普通融合与低秩子空间分离，在一致的跨被试划分下评估任务性能及单模态遮蔽后的变化，以检验解耦是否改善泛化与模态互补性。已有 EEG 相关工作尚未检索确认。

作者：

Sana Tonekaboni; Viktoria Schuster; Caroline Uhler

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

aUkI7iKovO

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 · 2026-09-22 · 状态未知

基于摘要分析。本文研究采用 HiPPO 矩阵的轻量序列处理模型 LSSL 的连续极限，提出 Continuized-HiPPO Operator。作者报告，该算子可用于分析与 HiPPO 矩阵相关的矩阵的特征值渐近行为，且由其诱导的连续极限 LSSL 具有显式解。 技术贡献主要在理论层面：将有限维矩阵描述推进到连续极限算子描述，并以谱渐近分析和显式求解展示这一表述的用途。摘要未给出算子的定义、连续极限的收敛条件、相关矩阵的具体形式或显式解的适用边界，因此尚不能判断这些结论如何转化为有限维模型的稳定性、计算效率或序列建模性能；具体推导、数值实现、实验协议及统计信息尚未验证。 平台推测（待验证）：若显式解和谱分析能够指导有限维近似及离散化，该理论可能为 EEG 时序模型的状态演化与长时依赖分析提供工具；这一假设不代表已证实的 BCI 效果。原工作针对序列处理中的 HiPPO/LSSL 结构，迁移所依赖的输入形式、监督方式与数据规模尚未明确。可能复用的是算子分析和求解思路，需改造的是多通道 EEG 输入映射、有限维截断与采样离散化；低信噪比、跨被试差异、通道变化及小数据条件均可能使理论性质无法转化为任务收益。已有 EEG 相关工作尚未检索确认，当前材料不足以制定可靠的任务级复现实验。

作者：

Atsushi Takabatake; Takaharu Yaguchi

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

eeRgTFtEjv

学术质量 73 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析。该研究关注扩散模型的生成能力与自监督表征学习能力之间的联系，提出通过特征几何联合评估两者的框架；主要研究对象是扩散模型的表征与生成行为，并非 EEG/BCI 任务。 核心机制是将特征分解为不变分量与残差分量，并推导基于 Fisher 的 Invariant Contamination Ratio（ICR），用于量化特征空间中残差变化对不变信号的污染。摘要未提供分解的具体实现、ICR 公式及 Fisher 方向的估计方式，因此尚不能判断该指标对监督信息、特征维度及样本规模的具体依赖。 在表征评估方面，作者报告，不变性在中间噪声水平达到峰值，且这些噪声水平对应最佳下游分类表现。在生成评估方面，作者研究了数据受限条件下训练从真正泛化转向记忆化的过程，并报告沿 Fisher 方向增加的残差能量可标记记忆化的起点；ICR 能仅依赖训练特征进行监测，无需外部评估器或留出测试集。摘要未给出数据集、模型配置、分类指标、对照基线及数值结果，实验协议、消融及统计信息尚未验证。“无需留出测试集”是该监测指标的作者主张，不代表下游性能评估可以免除独立验证。 平台推测（待验证）：若 EEG 扩散模型中的任务相关稳定信息与扰动残差能够可靠分离，这一诊断框架可能用于考察噪声水平与表征质量的关系。可复用的是特征分解和 ICR 监测思路；需改造的是适用于 EEG 的不变性定义、扰动构造及 Fisher 估计。低信噪比、被试与通道差异可能使有用生理变化被误归为残差，小数据也可能使几何估计不稳定。一个可检验的小实验是在固定 EEG 数据划分与分类器条件下，比较不同噪声水平的 ICR 与下游分类 Accuracy 的关系，并检验该关系在被试内和跨被试协议下是否一致。相关 EEG 工作尚未检索确认。

作者：

Xiao Li; Yixuan Jia; Zekai Zhang; Xiang Li; Lianghe Shi; Jinxin Zhou; Zhihui Zhu; Liyue Shen; Qing Qu

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

2yMTCCHEjU

学术质量 74 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析。研究针对 EEG 基础模型评估协议不一致、迁移效率与规模效应缺乏诊断的问题，提出 EEG-FM-Bench，将标准化下游评估与梯度、表征分析整合为统一基准，以支持模型比较和可复现分析。 基准覆盖 14 个数据集、10 种范式，包含多种微调策略、任务组织方式和分类器配置。摘要未列出具体数据集、模型清单、被试数量，以及被试内、跨被试或跨会话划分，因此这些覆盖数量不能直接说明其对不同泛化场景的代表性。 作者报告，多任务学习在数据稀缺的 EEG 场景中常可作为正则化手段缓解过拟合，但特定任务范式下可能出现负迁移；重建目标与下游任务之间的梯度冲突限制了当前预训练效率。作者还报告，在已发布检查点和匹配的下游协议下，模型规模或数据规模本身不足以完全解释迁移表现，目标对齐、适配兼容性及 EEG 特定设计似乎也是重要因素。这些结论应限定于所评估的检查点与协议，不能据此推断扩大规模普遍无效；摘要未提供具体性能指标或效应量。 复现时值得核对各模型输入与通道处理、微调预算、分类器配置及数据划分如何匹配，并检查梯度冲突的测量方法、表征诊断与迁移结果之间的证据关系。作者提供了代码地址，但代码可运行性、实验协议、消融及统计信息尚未验证。

作者：

Wei Xiong; Jiangtong Li; Jie Li; Kun Zhu; Changjun Jiang

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

vGeNaFHdET

学术质量 77 / 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 · 2026-09-22 · 状态未知

基于摘要分析。该研究针对自然阅读中的心智游移（mind-wandering，MW）检测及 EEG-to-text 建模，提出 Reading Observed At Mindless Moments（ROAMM）多模态数据集，并提供标准化跨被试 MW 检测基准。 数据集包含 44 名参与者在自然、多页阅读过程中采集的共 50 小时同步 EEG 与眼动记录，同时提供眼动事件、页面级理解得分，以及通过回顾性自我报告获得的文本跨度级 MW 标注。这些信息支持联合研究生理信号、阅读行为、理解表现与注意状态，但摘要未说明各类标注的时间对齐方式、跨度定义及回顾性报告的可靠性。 在 MW 检测任务中，作者采用留一被试法（leave-one-subject-out）的 Cross-subject 评估，报告监督模型最高达到 0.609 AUROC；该指标不能解释为 Accuracy。模型类型、输入模态、训练与验证划分细节、对照基线及统计不确定性尚未验证，因此不能据此判断某一种模态或方法的优势。 作者还在带有或不带有 MW 标签的阅读片段上评估 EEG-to-text 解码，并报告 MW 发作期间解码表现下降。摘要未提供具体解码指标、下降幅度或该任务的数据划分协议，亦不足以确认这种关联具有因果解释。 该数据集的直接研究价值在于为自然阅读条件下的 MW 检测、EEG-to-text 解码和多模态表示学习提供共同数据与评估入口。复现前需核对数据获取条件、EEG 与眼动预处理、同步与标注流程，以及 EEG-to-text 的文本目标和评估设置；实验协议、消融及统计信息尚未验证。

作者：

Haorui Sun; Ardyn Vivienne Olszko; Niharika Singh; David C. Jangraw

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

zqLPdt09fE

学术质量 77 / 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 · 2026-09-22 · 状态未知

基于摘要分析。本文研究孟德尔随机化（Mendelian Randomization，MR）中遗传工具变量与未观测混杂因素相关所导致的因果估计问题，提出利用多环境或多群体数据进行表征学习，恢复遗传工具变量中适合因果推断的潜在外生成分。 MR 使用遗传变异作为工具变量（instrumental variable，IV），从观察数据中推断因果关系。其关键假设之一是工具变量与未观测混杂因素独立，但该假设无法直接检验，并可能因群体分层、择偶等因素而受到破坏。本文的主要研究对象是遗传流行病学中的工具变量有效性，而非神经信号解码或 BCI 算法。 方法层面，作者将多环境数据视为恢复潜在外生成分的条件，并提供理论分析，讨论学习得到的成分何时、如何能够充当有效工具变量。摘要未披露具体表征模型、损失函数、环境划分方式、监督需求或理论成立所需的完整假设，尚不能判断其对环境差异及潜变量结构的具体依赖。 作者报告通过模拟实验，以及使用 All of Us Biobank 遗传数据开展的半合成实验，展示了方法的有效性。摘要未给出样本规模、对照方法、评价指标或效应数值；实验协议、消融及统计信息尚未验证。半合成验证也不能直接等同于真实观察研究中因果效应已被可靠识别。 阅读与复现时，应重点核对外生成分的可识别条件、环境信息的构造方式，以及学习成分满足工具变量假设的依据。材料未提供与 EEG 瓶颈的具体对应关系，因此不据此提出 BCI 迁移方案；已有 EEG 相关工作尚未检索确认。

作者：

Shimeng Huang; Matthew R Robinson; Francesco Locatello

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

zxJXgfCm63

学术质量 77 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析。该研究面向离线元强化学习：利用静态数据学习可适应未见环境的智能体，重点处理上下文分布偏移、策略分布偏移及稀疏奖励下的泛化困难。作者提出将信息论任务表征学习与基于 Transformer 的随机世界模型结合，并对基于想象的 rollout 施加保守价值惩罚。 核心机制是提取对行为策略不变、但能表征任务的潜变量，以减轻上下文分布偏移；随后利用世界模型生成想象轨迹，并通过保守价值惩罚限制策略利用模型预测误差。摘要没有给出信息论目标的具体形式、不变性的实现方式、世界模型训练目标，以及惩罚项的计算方法，因此尚不能判断各模块的作用边界与优化细节。 作者报告，在所评估的分布外与稀疏奖励设置中，该方法优于其对比的先进方法，并表现出更好的稳定性和泛化能力。摘要未提供环境名称、静态数据的行为策略组成、任务划分、适应阶段的数据与交互预算、具体基线或指标；实验协议、消融及统计信息尚未验证，不能据此量化优势或判断优势来自哪个模块。 平台推测（待验证）：若用于依赖交互轨迹的 BCI 控制，任务表征可能帮助区分控制目标与数据采集策略差异，保守想象 rollout 则可能限制错误模型诱导的策略更新。这一假设依赖状态、动作、奖励及任务标识或可辨识任务上下文，并非仅凭 EEG 就能直接应用。可复用部分是任务潜变量与保守模型 rollout；需改造神经信号状态编码、动作与奖励定义，以及世界模型对非平稳性的处理。低信噪比、跨被试和通道变化可能破坏任务可辨识性，小数据也可能使世界模型误差扩大。一个可检验的小实验是在具备明确状态—动作—奖励记录的固定 BCI 控制任务中，用不同采集策略构建离线轨迹，留出一种策略作为偏移条件，在相同数据与适应预算下比较完整方法及去除不变表征、去除保守惩罚的版本，检验控制回报和模型误差是否同步改善。已有 EEG 相关工作尚未检索确认。

作者：

Fuyuan Qian; Menglong Zhang; Song Wang; Quanying Liu

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

n4SsjVKXWQ

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 · 2026-09-22 · 状态未知

基于摘要分析。该研究针对 EEG 基础模型在不同任务上表现不一致、逐一微调以选择最优模型计算开销较大的问题，提出 EmBrace，以样本感知的中间表征融合整合多个模型的互补知识。 核心机制：作者通过实证分析观察到，没有单一 EEG 基础模型在所有任务上持续占优；任务总体表现较弱的模型仍可能在特定样本上具有优势，作者将这种互补性归因于不同架构的归纳偏置。EmBrace 因而采用以表征为中心的融合路径，将具有判别性的中间表征对齐至统一流形，按样本自适应分配多个模型的权重，并选择最兼容的模型作为承载模型。其设计旨在避开参数级或输出级对齐的约束，但摘要未说明流形对齐、权重计算及承载模型选择的具体实现，损失函数、训练流程与推理阶段的模型调用方式尚未验证。 结果与证据边界：作者报告，在多个 EEG 基准上，EmBrace 相较 SOTA EEG 基础模型持续取得改进，并在跨任务设置下表现出泛化能力。摘要未提供基准名称、任务类型、指标数值、被试规模或数据划分，不能据此判断收益大小，也不能将跨任务泛化等同于跨被试、跨会话或跨数据集泛化。 复现核对重点：需确认融合是否依赖各候选模型的任务微调、承载模型如何确定、训练与推理所需的模型数量，以及表征对齐和样本级加权各自的贡献。尤其应区分减少模型选择开销与减少整体计算成本；当前摘要不足以验证后者。实验协议、消融及统计信息尚未验证，代码、预训练权重与复现资源的可用性亦尚未验证。

作者：

Ziyu Jia; Junyi Lin; Pu Wan; Jinxin Pi; Jingying Ma; Peiliang Gong; Xinliang Zhou; Yi Ding; Chenyu Liu

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

BJ5rYj8O8W

学术质量 74 / 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 · 2026-09-22 · 状态未知

基于摘要分析。该研究针对现有 EEG-to-fMRI 方法依赖脑区专属模型、难以处理被试及数据集异质性的问题，提出统一合成模型 UniEFS，旨在由 EEG 重建具有时间分辨信息的全脑 fMRI 活动，并在单一模型中纳入人口学、生理及实验情境差异。其主要研究对象是跨模态脑活动重建，而非直接验证 BCI 控制或解码性能。 机制上，UniEFS 利用预训练 fMRI 解码器引入空间先验，并通过条件感知 prompt tokens 编码被试层面和实验元数据。该设计将全脑重建与情境条件化结合，试图减少脑区独立建模的限制。摘要未说明 EEG 编码方式、跨模态时间对齐、预训练数据、损失函数，以及元数据如何进入训练与推理，这些细节尚未验证。 作者报告，在闭眼静息态数据上开展了广泛评估，模型能够可靠重建随时间变化的全脑 fMRI 活动；摘要未提供数据集名称、被试数、划分协议、对照基线或定量指标，因此尚不能判断被试内、跨被试或跨数据集条件下的具体表现。作者同时提出向任务态 fMRI 和临床人群零样本泛化的潜力，但摘要不足以确认其验证范围及效果。 阅读与复现时需核对 EEG 与 fMRI 的配对及时间对齐方式、预训练解码器的数据来源、条件元数据的可用性，以及不同被试和数据集之间的划分关系。还需核对重建是否捕捉个体特异的时序变化，而不只是利用空间先验生成合理的活动模式。实验协议、消融及统计信息尚未验证；不能据此认定低成本 EEG 已可替代实际 fMRI 采集，也不能将重建结果直接视为 BCI 有效性的证据。摘要提供了项目页，但代码、权重与复现资源的实际可用性尚未验证。

作者：

Yamin Li; Shiyu Wang; Chang Li; Ange Lou; Haatef Pourmotabbed; Sarah Goodale; Dario J. Englot; Daniel Moyer; Roza G Bayrak; Catie Chang

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

Kw1Z8gOTvk

学术质量 71 / 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 · 2026-09-22 · 状态未知

基于摘要分析。研究提出从呼吸信号合成睡眠 EEG 的跨生理信号转换任务，以波形条件生成框架保留细粒度呼吸动态，并通过离散 tokenization 约束 EEG 目标空间。主要贡献是探索低复杂度生理信号能否生成具有下游任务价值的 EEG 表征，而非直接测量真实 EEG。 机制上，呼吸波形提供生成条件，EEG 的离散化用于应对两种模态之间的复杂度差距。摘要未说明 tokenization 的具体实现、生成模型结构、训练损失，以及呼吸与 EEG 的配对和时间对齐方式；这些信息尚未验证。 作者报告，模型在超过 28,000 名个体的数据上训练，EEG 频谱图重建的 Mean Absolute Error 为 7%；该百分比的归一化口径、测试集构成及数据划分尚未验证。在摘要所述下游评估中，合成 EEG 与真实 EEG 的年龄估计 MAE 分别为 5.0 与 5.1 年，性别检测 AUROC 分别为 0.81 与 0.82，睡眠分期 Accuracy 分别为 0.84 与 0.88。作者将这些表现概括为接近真实 EEG，并报告显著优于直接使用呼吸信号训练的基线；基线配置、统计检验及被试内、跨被试或跨数据集协议尚未验证，不能据此判断对未见个体的泛化程度。 作者还报告，可从无线射频反射信号合成 EEG，以展示向非接触感知场景泛化的可行性；摘要未提供该场景的样本规模和独立性能指标。下游任务接近真实 EEG，并不等于逐时刻脑电活动或临床异常被准确恢复，尤其需要核对细粒度 EEG 特征保真度与独立测试表现。本研究直接涉及睡眠 EEG，但材料未验证 BCI 解码或交互控制效果。实验协议、消融及统计信息尚未验证；代码、数据和复现所需条件也尚未验证。

作者：

Kaiwen Zha; Chao Li; Hao He; Peng Cao; Tianhong Li; Ali Mirzazadeh; Ellen Zhang; Jong Woo Lee; Yoon Kim; Dina Katabi

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

ceErPsyO38

学术质量 80 / 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 · 2026-09-22 · 状态未知

基于摘要分析。本文研究资源受限场景中的超长时间序列分类与回归，提出二阶脉冲状态空间模型 S$H^2$RFSSM，将 Harmonic Resonate-and-Fire 神经元层与状态空间建模结合，并引入基于核的脉冲回归器。原论文的主要对象是传感器与通用时间序列任务，并非已验证的 EEG 或 BCI 方法。 机制方面，研究结合脉冲神经网络的稀疏事件处理与状态空间模型的长程序列建模能力。作者报告，S$H^2$RFSSM 消除了矩阵乘法，并观察到谐波谐振发放层中的异质性与离散化能够减少脉冲操作、改善性能。摘要未给出状态更新方程、核构造、脉冲编码、训练损失或梯度估计方式，因此尚不能确定这些设计各自如何贡献于效果与计算节省。 作者报告在覆盖传感器、时间序列分类与长期预测等任务的 17 个数据集上评估 Harmonic Resonate-and-Fire 层，S$H^2$RFSSM 的平均表现优于所比较的 Transformer 和一阶 SSM；作者还报告，基于核的脉冲回归器可建模长度达 50k 步的序列依赖。具体数据集、划分、指标、基线配置及统计信息尚未验证；摘要也未提供实际硬件能耗或延迟数据，不能将操作减少直接等同于部署能效提升。 平台推测（待验证）：若谐振动力学能够保留有用的节律信息，且脉冲编码能在不过度丢失弱信号的前提下降低计算量，该机制可能对应 EEG 长序列处理与端侧资源约束。可考虑复用状态更新与谐振层，但需改造多通道输入编码及任务输出；其对监督方式、训练数据规模和采样率的依赖尚不明确。低信噪比、跨被试频谱差异、通道变化及小数据训练均可能使优势失效。一个可证伪的小实验是在固定 EEG 数据划分和相近模型容量下，对比该模型与一阶 SSM，并控制异质性与离散化设置，同时测量任务指标和同一设备上的能耗、延迟。相关 EEG 工作尚未检索确认。

作者：

Kartikay Agrawal; Vaishnavi Nagabhushana; Abhijeet Vikram; Vedant Sharma; Ayon Borthakur

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

dDGxzaRkxO

学术质量 75 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析。该研究针对同一样本经不同预训练模型提取后特征分布存在差异的问题，提出 multiview self-representation learning（MSRL），利用异质视图间的自表示性质，从大规模无标签视觉数据中学习不变表示。原论文主要研究对象是视觉特征的完全无监督迁移与多视图表示学习，并非 EEG 或 BCI。 方法将不同预训练模型对同一批视觉样本生成的特征视为异质多视图数据，引入依赖自表示学习的信息传递机制，对线性模型的输出进行特征聚合；同时利用分配概率分布一致性引导多视图学习，结合视图间的互补信息，约束不同线性模型之间的表示不变性。摘要还提及对分配概率分布一致性及增量视图的理论分析，但具体假设、目标函数、优化流程和增量处理方式尚未验证。 作者报告，在所开展的实验中，MSRL 持续优于若干先进方法；摘要未提供数据集、评价指标、数值、划分协议或对照方法名称，因此无法判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证，复现所需的预训练特征、实现和超参数也需查阅全文确认。 平台推测（待验证）：若多个 EEG 编码器为同一试次生成可对应的特征，MSRL 的自表示聚合与分配一致性可能用于缓解异质表征融合困难。可复用部分是多视图聚合和一致性约束，需改造的是 EEG 特征提取、视图对应与归一化；视觉大规模无标签数据条件不能直接等同于 EEG 小样本条件。低信噪比、跨被试差异、通道不一致或错误分配相互强化，都可能使该机制失效。一个可检验的小实验是在固定 Cross-subject 划分下，对同一批训练试次提取两种编码器特征，比较单视图、简单拼接与 MSRL，并消融一致性机制，统一报告 Balanced Accuracy；测试被试是否参与无标签训练须单独说明。已有 EEG 相关工作尚未检索确认。

作者：

Jie Chen; Zhu Wang; Chuanbin Liu; Xi Peng

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

CB1VQVnZas

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 · 2026-09-22 · 状态未知

基于摘要分析。该研究针对多说话者环境中的 EEG 听觉注意解码（Auditory Attention Decoding，AAD），目标是识别被试正在关注的说话者。作者提出 Phase-aware Complex Refinement Network（PCRNet），结合时域上下文建模与相位引导的频域处理，以改善结构化神经信号与随机噪声的区分。 方法包含 Temporal Context Calibration（TCC）和 Dual-Domain Integration（DDI）两个模块。TCC 通过多尺度时间注意机制捕获长程时间依赖；DDI 采用相位引导的频谱滤波，动态抑制噪声占主导的频率，并分别细化实部与虚部。作者将这一设计解释为能够实现相位重新校准、增强复数域目标特征的可区分性。摘要未提供相位引导的具体计算方式、噪声频率判定依据、两模块的融合细节或训练损失，相关实现尚未验证。 作者报告，在三个公共数据集上，PCRNet 优于所比较的 SOTA 方法，尤其是在具有挑战性的 0.1 秒窗口条件下。摘要未列出数据集名称、被试数量、数据划分、被试内或跨被试协议、评价指标、具体分数及对照方法，因此尚不能量化其优势或判断不同评估条件下的泛化能力。实验协议、消融及统计信息尚未验证。 复现时值得优先核对：0.1 秒窗口对应的实际输入范围及 TCC 可利用的时间上下文，相位处理相对于仅使用幅值或不进行相位校准的对照贡献，以及跨被试、跨会话条件下的稳定性。这些属于待核对事项，不代表作者未开展相关实验。摘要提供了代码仓库地址，但代码内容、运行条件及其与论文实验的一致性尚未验证。

作者：

Xiran Chen; Xiaoke Yang; Jian Zhou; Zhao Lv; Cunhang Fan

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

89MeH5Ax8r

学术质量 74 / 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 · 2026-09-22 · 状态未知

基于摘要分析。该研究关注如何利用物理或几何对称性，在回归、条件概率估计和不确定性量化中构建具有统计学习保证的表示。作者提出统一的等变表示学习框架，以条件期望算子的谱分解近似为核心，同时构造等变表示及沿独立对称商群解耦的表示。 技术上，框架建立在算子理论与群表示理论之上，将对称性先验与统计推断联系起来，而非仅依赖几何深度学习中的经验性能。作者声称提供此类框架的首次非渐近统计学习保证；具体误差界、成立假设、样本复杂度及谱近似实现尚未验证，不能据摘要判断保证是否适用于任意群、数据分布或模型规模。 作者报告，在合成数据集及真实机器人应用的评估中，该方法的回归表现达到或超过既有等变基线，并提供校准良好的不确定性估计。摘要未给出数据集名称、划分方式、基线名称、指标或数值，实验协议、消融及统计信息尚未验证，因而暂不能比较提升幅度或校准稳定性。 平台推测（待验证）：若 EEG 任务中存在可明确建模且保持预测目标的对称变换，该框架可能为小数据条件下的表示学习和不确定性估计提供研究路径。可复用部分是等变表示与谱近似思路；需改造部分包括 EEG 的群作用定义、输入结构及任务输出的变换规则。假设的主要风险是通道变换未必对应真实对称性，跨被试差异及低信噪比也可能破坏相关假设。一个可检验的小实验是在固定被试内划分下，对比同容量的等变与非等变模型，测试候选变换是否保持任务标签，并评估预测误差及不确定性校准；这不是论文已验证的 EEG 结果。已有 EEG 相关工作尚未检索确认。

作者：

Daniel Ordonez-Apraez; Vladimir R Kostic; Alek Fröhlich; Vivien Brandt; Karim Lounici; Massimiliano Pontil

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

dWCG53oQWc

学术质量 80 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析。该研究面向视觉假体中的脑编码环节，探索如何从图像生成 M/EEG，以补充从脑信号解码视觉信息的流程。其核心贡献是将 CLIP 图文语义条件、交叉注意力和可学习时空位置编码结合到扩散生成框架中；摘要未提供视觉假体刺激或视觉恢复的验证证据。 机制上，作者采用基于 denoising diffusion implicit models（DDIM）的 diffusion transformer（DiT）架构生成脑信号，通过交叉注意力对齐脑信号嵌入与 CLIP 图像嵌入。进一步使用 large language models（LLMs）生成图像描述，将对应的 CLIP 文本嵌入与图像嵌入拼接为统一条件，以引入图像的核心语义信息。可学习时空位置编码则结合脑区嵌入与时间嵌入，用于表征脑信号的空间和时间特征。具体损失、信号表示、采样配置及各模块的独立贡献尚未验证。 作者报告在 THINGS-EEG2 和 THINGS-MEG 两个多模态基准数据集上评估，并称生成信号具有生物学合理性。摘要未给出这一结论的具体指标、对照基线、被试数量或被试内、跨被试等划分协议，因此不能据此判断波形保真度、语义一致性或跨被试泛化能力；实验协议、消融及统计信息尚未验证。 复现时需核对图像与脑信号的配对和预处理方式、训练与测试图像及被试的划分、LLM 描述生成流程，以及生物学合理性的操作性定义。该工作直接涉及 EEG/MEG 生成，但从生成记录信号到可用于视觉假体的刺激编码仍有验证距离，不能将作者报告的离线生成结果等同于视觉感知恢复。

作者：

Ganxi Xu; Zhao-Rong Lai; Yuting Tang; Yonghao Song; Guoxu Zhou; Boyu Wang; Jian Zhu; Jinyi Long

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

iPTCYxloni

学术质量 67 / 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 · 2026-09-22 · 状态未知

基于摘要分析。本文研究机器人操作中视觉触觉传感器设计异质性导致的跨传感器表征泛化问题，提出 Cross-Tactile Sensor Representation Learning（CTSRL），旨在学习不依赖特定传感器的共享触觉表征。研究对象是机器人触觉感知，而非 EEG 或 BCI。 核心机制包括 Cross-Sensor Modulator（CSM）与两阶段学习：CSM 用于消除传感器特有偏差；第一阶段利用对齐的合成数据开展跨传感器自监督学习，提取不同传感器域之间的共享潜在表征；第二阶段引入真实世界多模态触觉数据，通过跨模态对齐缩小仿真到真实的语义差距，并补充细粒度语义属性。摘要将该方案与侧重重建或任务特定监督的方法区分开来，但 CSM 的具体实现、对齐目标、损失形式及训练配置尚未验证。 作者报告，方法在多传感器泛化实验中改善了传感器无关表征学习；摘要未提供数据集、传感器种类、划分方式、对照基线或定量指标，因此尚不能判断提升幅度及未见传感器评估的具体条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“抑制设备特有偏差、保留共享信息”的机制可能对应 EEG 跨设备或跨通道配置的域偏移。该假设依赖能建立可信的跨设备样本对应关系，或获得适当的共同模态监督；触觉合成数据的对齐条件不能直接视为 EEG 中可得。可考虑复用偏差调制和分阶段对齐思路，但需改造信号编码、通道映射及对齐数据构建。低信噪比、被试差异、通道缺失和小样本可能使调制模块误删任务相关信息，或使对齐学习捕获非任务因素。一个可检验的小实验是在固定被试划分和相同训练数据下，以不同 EEG 通道配置构建设备差异代理，对比基础编码器与加入调制及对齐模块的模型在未见配置上的表现；该实验只能检验通道配置鲁棒性，不能替代真实跨设备验证。相关 EEG 工作尚未检索确认。

作者：

Yan Zhang; Zheng WANG; Pengpeng Zeng; Xing Xu; Jingkuan Song; Heng Tao Shen

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

0GlXVAmy7b

学术质量 70 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析。本文研究 Structured State-Space Duality（SSD）的适用范围，将标量乘单位状态矩阵的 SSM 与 masked attention 之间的既有等价关系推广到一般对角 SSM，并分析等价成立的条件及标准 softmax attention 下的边界。 原有 SSD 将状态矩阵为标量乘单位矩阵的 SSM，与采用 1-semiseparable 因果掩码的自注意力对应起来：同一个序列变换可由线性时间 O(T) 递归或二次时间 O(T²) attention 实现，其中 T 为序列长度；这些复杂度描述的是对应算法实现，不代表任意 SSM 或 attention 的通用复杂度。 作者报告，一般对角状态矩阵可支持更丰富的动态，同时达到标量情形相同的训练复杂度下界；作者还给出 SSM 等价于 1-semiseparable masked attention 的充要条件，并指出由于秩膨胀，这种对偶不能推广至标准 softmax attention。摘要未给出具体复杂度下界表达式、充要条件的数学形式或证明假设，这些仍需正文核对。上述贡献属于理论结论，不能据此推断任务精度、实际训练速度或硬件效率提升。摘要提供了代码地址，但实现内容及复现条件尚未验证。 平台推测（待验证）：一般对角 SSM 的递归计算与更丰富状态动态，可能为长 EEG 序列建模提供候选模块；这一假设依赖 EEG 的时间顺序结构，并不意味着原文已验证 BCI 效果。可复用部分是状态更新及其等价计算形式，需另行设计多通道输入映射、监督目标和跨被试评估。低信噪比、通道差异与小样本可能使更丰富的动态难以稳定学习。一个可证伪的小实验是，在固定 EEG 数据划分、预处理及训练预算下比较标量与一般对角 SSM，分别记录任务指标、运行时间和内存，并验证等价实现的输出一致性。已有 EEG 相关工作尚未检索确认；本文实验协议、消融及统计信息尚未验证。

作者：

Jerry Yao-Chieh Hu; Xiwen Zhang; Ali ElSheikh; Weimin Wu; Han Liu

机构：

尚未验证

发表平台：

ICML 2026 regular

标识：

DKathyl3XN

学术质量 80 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析。该研究针对 EEG 视觉感知解码中的表征对齐与通道建模问题，提出 SUPA-EEG，在 THINGS-EEG 上开展零样本视觉检索。其核心贡献是将尺度感知通道加权、多尺度时空表征学习和中间特征对齐整合到同一框架中。 作者将现有方法的局限概括为：仅与 CLIP 最终层对齐，可能忽略神经信号中保留的低层和中层视觉结构；对所有 EEG 通道同等处理，未充分利用空间相关性与多尺度结构。SUPA-EEG 受人类视觉层级处理启发，尝试同时利用通道相关性、不同尺度的时空信息及视觉模型中间表征。摘要未说明通道权重如何计算、多尺度如何定义、使用哪些中间特征，以及对齐损失、训练与推理流程，具体机制尚未验证。 作者报告该框架可产生稳定且可解释的 EEG 嵌入，用于零样本视觉解码，但摘要未提供检索指标、数值或对照结果，不能据此确认性能提升及其幅度。评估对象明确为 THINGS-EEG；零样本的具体定义、训练与测试类别划分、被试内或跨被试设置，以及实验协议、消融及统计信息尚未验证。 阅读全文时应重点核对：中间特征对齐相较仅对齐 CLIP 最终层的贡献，通道加权与多尺度学习各自的作用，以及稳定性和可解释性的证据。摘要提及 BCI、修复性假体及认知负荷监测作为潜在应用，但未提供这些应用场景的验证，不能将视觉检索结果直接视为实际 BCI 系统有效性的证据。代码、预处理与复现条件尚未验证。

作者：

Lydia Liya He; Huy Hai Nguyen; Finn Beckmann; Natthanan Bhukan

机构：

尚未验证

发表平台：

THU 2026 Spring ANM Submission

标识：

mPijePpEQk

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 · 2026-04-28 · 预印本