BCI 科研雷达

基于摘要分析。该研究面向视觉骨干网络中图像 patch 之间的信息交换，提出以双曲层次聚类实现 token mixing 的 ClusterMixer，并将其整合为视觉骨干架构 HCFormer，旨在兼顾表征能力与编码过程的可解释性。 核心机制是将 token mixing 显式表述为层次聚类，而非仅依赖卷积、注意力、MLP 或其混合。作者认为视觉数据具有自然的树状关系，因此选择适于低失真嵌入层次结构的双曲空间。HCFormer 进一步结合一系列聚类策略，但摘要未说明具体聚类规则、双曲空间参数化、训练目标、可微实现或推理流程；“可解释性”目前是作者的设计主张，其验证方式尚未核实。 作者报告，HCFormer 在 image classification、object detection、instance segmentation 和 semantic segmentation 等任务上持续优于对照方法。摘要未提供数据集、数据划分、基线配置、指标数值或计算开销，因此尚不能判断增益幅度及公平比较条件。实验协议、消融及统计信息尚未验证。作者表示将发布源代码，不能据此认定代码已公开。 平台推测（待验证）：若 EEG 的时空 token 确实存在稳定且与任务相关的层次关系，显式聚类可能为信息聚合提供可检查的分组结构；这是假设，不是论文已证实的 EEG 或 BCI 结果。潜在可复用部分是层次聚类式 token mixer，需改造的是 EEG 的通道与时间片编码，以及层次结构的构建方式。原方法依赖图像 patch 和视觉层次假设，其监督方式与所需数据规模尚未明确；EEG 的低信噪比、被试差异、通道布局变化及小数据条件可能使聚类优先捕捉伪迹或个体特征。可检验的小实验是在固定 EEG 数据划分和相同训练预算下，仅替换 token mixer，对照注意力聚合，分别检查被试内与跨被试表现及聚类稳定性。已有 EEG 相关工作尚未检索确认。

作者：

Jianan Wei; Guikun Chen; Zhiyuan Weng; Yujia Wang; Wenguan Wang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

SnC8wh5Ap9

学术质量 74 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-02-11 · 预印本

基于摘要分析。该研究针对 EEG 源定位中噪声干扰及既有神经网络方法难以泛化到原训练设置之外的问题，提出用于单源与多源定位的 Transformer 模型，并建立考虑源区域密度、噪声水平和电极缺失等因素的训练与评估框架。 方法与数据：作者利用已知脑内源位置生成数十万条模拟 EEG 测量数据训练模型，以已知源位置提供定位监督。摘要强调模型针对 EEG 数据中的困难进行设计，但未披露输入表示、源位置编码、网络结构、损失函数及单源与多源输出方式，不能据此判断其如何处理通道变化或源间相互作用。 结果与对照：作者报告，在上述多种模拟条件下，Transformer 模型的定位误差持续低于所比较的经典方法和机器学习方法。摘要未给出误差数值、单位、基线名称、训练测试划分或各条件下的结果，因此尚不能确定优势幅度，以及评估是否涉及未见源位置、头模型或电极布局。作者还报告开展了网络配置与训练流程的消融研究，具体实验协议、消融结果及统计信息尚未验证。 适用边界与复现：主要研究对象是 EEG 源定位，而非直接的 BCI 任务解码；模拟数据上的表现不能直接视为真实 EEG、跨被试或跨会话有效性的证据。需进一步核对真实测量验证、头部正向模型、噪声生成方式、电极缺失处理及训练测试条件的关系。作者表示代码和数据将在论文发表时公开，材料未确认当前开放状态，也未提供可核对的实现细节。

作者：

David Marvin Hart; Simon Polishchuk; Moritz Dannhauer

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

rIIpKdKzkC

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 · 2025-11-20 · 已撤回

基于摘要分析。本文研究如何从低层观测中识别高层潜变量及其因果关系，重点对象是连续时间潜在随机点过程，而非直接针对 EEG 或 BCI 的解码任务。作者通过分析参数空间的几何性质研究理论可辨识性，并提出带有时间自适应转移模块的变分自编码器框架 MUTATE，用于刻画随机动力学。 方法定位：摘要指出，已有可辨识因果表征工作通常考虑 i.i.d. 观测或潜在离散时间过程，本文则将研究对象扩展到连续时间随机点过程。需要区分理论上潜变量与因果关系能否被唯一识别，以及模型在有限观测下能否可靠估计这两个问题；具体可辨识性假设、可识别的等价类、观测生成机制和参数空间几何条件尚未验证。摘要未提供 MUTATE 的损失形式、时间自适应转移模块的实现或训练与推理细节。 证据范围：作者报告开展了模拟与实证研究，并据此认为 MUTATE 具有回答多个科学领域问题的潜力；摘要未列出数据集、样本规模、对照方法、评估指标或具体结果，因此尚不能判断其相对优势及适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若神经信号任务具有明确的事件时间记录，且事件生成过程符合论文的潜在点过程假设，其连续时间建模机制可能用于研究不规则事件间隔下的潜在动力学；这不等于已证实可用于常规连续 EEG 波形。可考虑复用潜在动力学与时间自适应转移模块，但需改造观测模型，并核对监督需求、数据规模及可辨识性条件。低信噪比导致的事件漏检、被试与通道差异，以及小数据下的不稳定估计均可能使该假设失败。一个可证伪的小实验是在已知潜在因果结构的模拟点过程中加入事件漏检和时间扰动，比较 MUTATE 与离散时间建模的结构恢复及动力学估计表现；这只能检验机制稳健性，不能直接证明 BCI 有效性。已有 EEG 相关工作尚未检索确认。

作者：

Jiaxu Ren; Yixin Wang; Biwei Huang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

6renfxmnAZ

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 · 2026-02-11 · 预印本

基于摘要分析。本文研究结构化状态空间模型（SSMs）的实际记忆行为是否符合其理论上的时间衰减预期；作者报告，在合成且统计平衡的记忆任务上训练和评估时，SSMs 更倾向于保留最初呈现的数据，表现出心理学所称的首因效应（primacy effect）。主要贡献是揭示这一记忆位置偏置，而非提出新的模型或 BCI 方法。 机制与发现：摘要指出，典型 SSMs 的记忆机制在理论上被设计为随时间单调衰减，因此较晚输入应比早期输入保留得更准确。作者报告的首因效应与这一预期形成反差，但摘要未说明偏置来自状态更新、输入表示、训练过程还是任务读出方式，尚不能据此判断具体成因或其对不同 SSM 架构的普适性。 证据边界：目前仅能确认任务为合成、统计平衡的记忆任务。具体模型、序列长度、数据生成与划分、训练目标、对照基线、记忆准确性指标及效应量均尚未验证；实验协议、消融及统计信息尚未验证。“统计平衡”本身不足以确定各序列位置及读出条件如何受控。 平台推测（待验证）：若将 SSM 用于 EEG 长序列建模，序列位置偏置可能影响不同时间段信息的利用，但原研究不涉及 EEG，不能将其结果直接视为 BCI 性能证据。可复用的是按输入位置检查记忆保留的评估思路；需改造任务输入、读出目标及位置控制，使其适应 EEG 的低信噪比、通道差异和非平稳性。一个小规模可证伪实验是在相同 EEG 背景片段的不同位置嵌入同强度、同分布的可识别信号，固定序列长度与读出时点，比较各位置的识别表现，以检验首因偏置是否仍存在。跨被试差异和小数据训练可能掩盖或改变该偏置，已有 EEG 相关工作尚未检索确认。

作者：

Takashi Morita

机构：

尚未验证

发表平台：

ACML 2025 Conference Track

标识：

TaKBnslxnS

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 · 2025-11-18 · 状态未知

基于摘要分析（当前仅提供 Highlights，未取得论文全文）。本研究面向多类别目标的快速序列视觉呈现脑机接口（RSVP-BCI），探索将 EEG 与眼动（EM）特征融合用于多类别解码。作者设计了三种多类别 RSVP 任务，并构建包含 EEG 与眼动数据的数据集，同时引入动态特征融合重加权及层级分类器间的知识迁移。 技术上，材料提出两条机制路径：其一，推导模态贡献比例，以指导融合特征的动态重加权；其二，在层级分类器之间进行知识迁移，以减少非目标错误。模态贡献比例的计算依据、重加权发生在训练还是推理阶段，以及分类层级、迁移方向和损失形式均尚未验证，不能据此推定具体网络结构。 作者报告 EEG 与眼动特征融合可增强多类别 RSVP 解码性能，并通过知识迁移减少非目标错误，但所给材料未提供定量指标及对照背景。“非目标错误”具体指哪类误判、是否影响目标类别之间的区分，仍需核对正文。数据集的被试数、任务类别、采集与同步方式、被试内或跨被试划分、评价指标、基线、消融及统计信息尚未验证，因此无法判断收益来自眼动信息、动态重加权还是知识迁移。 复现时需核对 EEG 与眼动的时间对齐、预处理和特征提取流程，模态贡献比例估计是否依赖标签，以及层级分类器的训练与推理规则。数据集和代码的公开情况亦尚未验证。

作者：

Xujin Li; Wei Wei; Kun Zhao; Jiayu Mao; Yizhuo Lu; Shuang Qiu; Huiguang He

机构：

尚未验证

发表平台：

Information Fusion

标识：

TUSjYxfTfv

学术质量 64 / 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 · 2026-09-11 · 状态未知

本文围绕 EEG 分析中的特征表征与知识迁移问题，综述利用大规模 EEG 数据、表征学习和迁移学习支持临床应用与 BCI 的机器学习方法，并尝试从信号处理角度联系模型分析与神经科学洞见。基于摘要分析，未取得论文全文；本文是综述性材料，而非一个新模型或权重的发布。 研究对象主要是 EEG 与 iEEG。作者以 EEG 在认知神经科学、临床和工程中的应用为背景，讨论表征学习的一般原则，并表示将提供 EEG 分析的实践示例。摘要所述方法路径是利用大规模数据学习潜在 EEG 特征，并借助迁移学习服务不同应用；但未明确具体基础模型、预训练任务、损失函数、训练规模或迁移协议，不能据此认定采用了自监督学习或掩码建模。 作者强调，AI 模型不仅用于预测任务，也可用于探索神经科学洞见，并应与 EEG 信号分析的基本原理建立联系。作者认为所讨论的多数方法也适用于其他脑信号模态，但摘要未提供跨模态验证细节，这一适用性不能视为已经证实的迁移效果。 摘要未提供可核对的定量结果、数据集、被试数、被试内或跨被试划分及对照基线，因此无法判断所述潜在特征在临床任务或 BCI 中的收益幅度。阅读全文时可重点核对基础模型的定义与覆盖范围、表征与生理机制的解释关系，以及实践示例的数据处理和评估条件；实验协议、消融及统计信息尚未验证。

作者：

Zhe Sage Chen; Bao-Liang Lu; Wei Wu

机构：

尚未验证

发表平台：

IEEE Signal Processing Magazine

标识：

VWK7zSHFI8

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 · 2026-05-05 · 状态未知

基于摘要分析。LatentICU 针对直接从高维临床观测预测结局、难以显式描述生理状态及其治疗响应的问题，将胸部 X 线影像与生理时间序列压缩为患者潜在状态，并以药物、操作及液体干预等临床行动为条件建模状态转移。其贡献在于将状态估计与状态转移分开，避免为刻画疾病演化而直接预测影像像素变化或生命体征的逐时波动。 机制上，模型在放射影像编码中分离时间不变的解剖特征与随时间变化的病理信息，再通过层次化时间对齐，将稀疏影像事件与连续生理数据流同步到潜在状态空间。摘要未提供具体编码器、状态转移参数化、损失函数及训练与推理流程，这些实现细节尚未验证。 作者报告，LatentICU 在临床结局预测上达到或超过判别式基线，同时得到支持状态推理的结构化潜在表示，包括干预规划和替代治疗策略下的结局模拟。摘要未给出数据集、患者规模、划分协议、结局定义、指标或具体基线，因而无法量化优势或判断适用范围；实验协议、消融及统计信息尚未验证。治疗条件下的预测并不自动等同于因果效应识别，替代策略模拟还需核对治疗选择混杂、时间顺序及验证方式。 平台推测（待验证）：若 EEG 任务包含连续信号、稀疏辅助观测及明确的刺激或干预记录，潜在状态建模与层次化对齐可能有助于描述动态变化。可复用的是状态估计与转移分离的思路；需改造影像编码、观测时间尺度和状态语义，不能直接把解剖与病理分离套用于 EEG。低信噪比、跨被试差异、通道配置变化及小数据可能使潜在状态学习到个体或设备特征。一个可检验的小实验是在具有刺激记录的 EEG 数据上，固定编码器、数据划分和预测目标，对比行动条件状态转移与不使用行动信息的转移模型，检验其对未见被试或会话的预测是否改善。已有相关 EEG 工作尚未检索确认。

作者：

Mingfu Yan

机构：

尚未验证

发表平台：

openreview

标识：

49QjlXcQwq

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 · 2026-09-21 · 状态未知

基于摘要分析。本文研究 Mamba 大语言模型在混合精度微调（MPFT）与参数高效微调（PEFT）下的递归动力学敏感性，结合经验对照与 Lyapunov 稳定性分析解释其鲁棒性，并考察这些微调方式下的上下文学习（ICL）能力。主要研究对象是自然语言任务中的 Mamba 与 Transformer LLM，并非 EEG 或 BCI 模型。 作者报告，在所考察的 MPFT 与 PEFT 组合下，Mamba LLM 对微调引入的变化表现出较强稳定性；相比之下，Transformer LLM 在部分组合下可能明显偏离各自的全精度对应模型。摘要未说明“偏离”的具体度量，不能直接解读为任务性能下降或训练发散。作者将 Mamba 的鲁棒性归因于递归动力学，并声称通过动力系统理论中的 Lyapunov 稳定性给出保证；该保证覆盖哪些状态、扰动与参数条件，以及是否能延伸至整个优化过程，尚需全文核对。 作者还利用 MPFT 与 PEFT 研究自然语言任务中的 ICL，但摘要未提供具体任务、数据集、模型规模、精度格式、PEFT 配置或结果数值。实验协议、消融及统计信息尚未验证，也不能由该摘要推断任意 Mamba 变体或微调配置均具有同样性质。 平台推测（待验证）：若其稳定性结论适用于经过 EEG 适配的状态空间模型，可用于检验低精度、低参数量微调是否导致递归状态或预测显著偏离全精度参照。可复用的是状态空间递归与稳定性分析思路，输入编码、通道组织和任务输出需针对 EEG 改造；理论条件对模型结构、监督方式与训练规模的依赖尚未明确。低信噪比、跨被试分布变化、通道缺失及小数据过拟合仍可能损害解码，即使递归状态稳定也不代表预测准确。一个可检验的小实验是在固定跨被试划分、初始化和训练预算下，对同一 EEG Mamba 实现比较全精度与选定 MPFT/PEFT 配置，分别记录状态扰动、预测差异及任务指标，以检验动力学稳定能否对应解码鲁棒性。已有相关 EEG 工作尚未检索确认。

作者：

John Timothy Halloran; Manbir S Gulati; Paul F Roysdon

机构：

尚未验证

发表平台：

Accepted by TMLR

标识：

wzsYQYs3dO

学术质量 77 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2025-08-29 · 已接收

基于摘要分析。CompletionMamba 研究如何利用状态空间模型（SSM）从不完整扫描中重建完整 3D 形状，核心贡献是结合点云坐标重排、局部 SSM 和 shape-aware Mamba，同时建模点间依赖与整体形状信息。 机制与创新：摘要指出，Transformer 的全局处理有利于点云补全，但注意力的二次复杂度限制了资源受限条件下的长序列处理；SSM 提供更节省内存的替代路径，却面临无序点云与其内在因果顺序要求不匹配的问题。仅沿单轴排序可能无法保留 3D 欧氏空间中的邻接关系。CompletionMamba 首先通过坐标重排构造序列顺序，再围绕各点按欧氏距离定义邻域，以局部 SSM 加强依赖建模；随后将每个 3D 形状的 shape code 融入 shape-aware Mamba，使形状信息传播至各点。这里的“因果结构”是模型处理顺序，不宜解释为现实中的因果关系。 结果与验证边界：作者报告，CompletionMamba 在 MVP 和 PCN 数据集上达到最先进性能。摘要未提供具体指标、数据划分、对照方法或计算资源条件，因此无法核对提升幅度及效率收益。坐标重排规则、shape code 的来源、训练损失、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，空间邻域建模与全局表征注入可能有助于 EEG 的通道关系建模，但原任务依赖 3D 点坐标与形状信息，不等同于低信噪比的多通道时间序列。可复用的是邻域 SSM 和全局条件信息传播思路；需改造通道排序、邻域定义及全局编码，并保留时间结构。跨被试电极位置变化、通道缺失和小数据条件可能削弱效果。一个可证伪的小实验是在相同 Cross-subject 划分下，对比时间序列 SSM 与增加电极空间邻域的版本，再进行通道扰动测试，检验邻域模块是否带来稳定增益；已有 EEG 相关工作尚未检索确认。

作者：

Zhiheng Fu

机构：

尚未验证

发表平台：

openreview

标识：

tDaGICGK4Y

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 · 2026-05-06 · 状态未知

基于摘要分析。BrainDiffNet 针对 EEG 视觉图像重建中噪声敏感、时空特征复杂的问题，将被试上下文信息与 EEG 时空信息用于引导微调后的 Stable Diffusion，目标是生成语义相关的图像，并支持 Object Classification 与 Image Reconstruction 两项任务。 机制方面，作者提出面向高分辨率 EEG 的 Temporal Masked Autoencoder，用于提取特征并处理带噪或不完整的 EEG 查询表示。摘要未说明上下文信息的具体内容、语义编码器之间的融合方式、掩码策略、训练目标，以及 Stable Diffusion 的微调范围，因此尚不能据此还原完整训练与推理流程。该工作的可核对价值在于：EEG 表征学习与生成模型条件引导如何衔接，以及对带噪或不完整输入的处理能否带来稳定收益。 作者报告，在大规模 EEG-ImageNet 数据集上，BrainDiffNet 在 Object Classification 的所有粒度层级上，相较其所称的当前最先进方法取得 15–20% 的 Accuracy 提升；在 Image Reconstruction 的所有特征特定 two-way identification 指标上取得 7–12% 的提升。摘要未明确这些增幅是相对百分比还是百分点，也未给出基线名称、绝对指标值、数据划分及被试内或跨被试协议，因此不能据此作不同协议间的性能比较；“显著优于”的统计依据尚未验证。 复现时需核对 EEG 预处理、被试上下文的来源与可用条件、训练测试划分、图像生成条件及 two-way identification 的特征与候选构造方式。尤其需要区分语义相关图像生成与对具体视觉刺激的忠实重建，确认各指标支持哪一种能力。实验协议、消融及统计信息尚未验证，代码与模型权重的可用性亦未由所给材料确认。

作者：

Shreyas Bellary Manjunath; Sreyasee Das Bhattacharjee

机构：

尚未验证

发表平台：

BSN 2025

标识：

zpSP8NxqlD

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 · 2025-09-24 · 状态未知

基于摘要分析。该研究针对上肢运动活动，提出利用非侵入式 EEG 和深度序列学习重建表面 EMG，以在推理时不直接测量肌肉信号的条件下解码肌肉活动。作者将其定位为学习直接皮层—肌肉映射的初步概念验证，而非已经完成临床或实际控制验证的系统。 机制上，框架结合信号预处理与时空建模，由训练后的模型合成表面 EMG。摘要未提供预处理步骤、序列模型结构、损失函数、EEG 与 EMG 的同步方式或输入输出时间窗口，因此尚不能判断其如何处理两类信号的时间对应关系，以及重建目标是原始波形还是经过处理的肌电表示。 作者报告，合成的表面 EMG 与真实 EMG 接近，并主张以单一 EEG 模态替代传统 EEG–EMG 双模态系统，可降低硬件复杂度，同时保持较高的神经肌肉解码保真度。但摘要没有给出定量指标、对照基线、数据集、被试数量或被试内、跨被试、跨会话评估协议；实验协议、消融及统计信息尚未验证。单模态部署也不意味着训练阶段无需 EMG，训练监督与参考信号的具体获取方式需要全文核对。 作者提出的潜在用途包括辅助控制、康复反馈和运动意图解释，目前应视为应用前景。复现时需核对 EEG–EMG 配对数据、上肢任务与肌肉位置、时序对齐、数据划分及重建指标，并区分信号重建质量与实际控制性能；摘要不足以确认其在跨被试或跨会话条件下的泛化能力。

作者：

Purva Jain; Varad Bharadiya; Unnath Chittimalla; Yash Anand; Madhav Rao

机构：

尚未验证

发表平台：

BHI 2025

标识：

iFBz74M376

学术质量 56 / 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 · 2025-10-12 · 状态未知

基于摘要分析。该研究针对听觉刺激处理中 EEG 传感器信号混合多个皮层区域活动、难以解释其时空组织的问题，提出由无监督功能聚类与源到传感器重建组成的两部分框架。需要区分：摘要描述的重建方向是从源表征预测传感器空间 EEG 特征，并非直接从 EEG 恢复皮层源活动。 第一部分采用无监督 biLSTM 自编码器，分析 EEG 电极激活及其时间动态的聚类模式。作者报告，聚类呈现刺激起始与间隙期间不断变化的时空共同激活模式，并将其解释为功能重组；这些模式是否能稳定对应具体皮层区域，尚需正文证据支持。 第二部分采用双路径网络，包含独立的刺激处理路径与扩张卷积层，用于从源表征预测传感器空间的时间诱发神经特征。摘要描述了输入降维、带残差连接的卷积块特征整合，以及结合特征项和频谱项的混合损失，但未提供源表征的获取方式、各路径的具体输入、损失定义或权重。传统 minimum norm estimation 对个体 MRI、电极定位及解剖图谱的依赖构成研究动机，但该框架实际需要哪些个体信息仍待核对。 作者报告，模型能够准确重建刺激相关神经关联特征，所得地形分布与聚类发现一致，并具有跨被试泛化能力。摘要未提供数据集、被试数量、训练与测试划分、评价指标或对照结果，因此无法量化重建质量，也不能据此判断其是否优于传统方法。实验协议、消融及统计信息尚未验证。 对 EEG 研究的直接价值在于联合考察传感器空间的功能组织和源到传感器映射。其用于 BCI 的意义目前仍是作者提出的潜在应用，摘要未展示 BCI 解码或在线控制验证。复现前应优先核对源表征构建、刺激信息的使用方式、跨被试评估协议，以及聚类与重建空间模式一致性的量化方法。

作者：

Adarsh Mukesh; Shourya Verma; Varsha Mysore Athreya; Ananth Grama; Michael G. Heinz

机构：

尚未验证

发表平台：

BHI 2025

标识：

3EF4JHSsnc

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 · 2025-10-12 · 状态未知

基于摘要分析。该研究面向基于 LiDAR 的地点识别，服务于 SLAM 中的回环检测与全局定位；提出 OverlapMamba，将输入距离图表示为序列，并利用随机重建方法构建移位状态空间模型，以压缩视觉表征。 机制与对照：摘要将现有方法概括为以原始点云或多种点云表征为输入、采用卷积神经网络或 Transformer 架构。OverlapMamba 则利用 Mamba 与状态空间模型的长序列建模能力。随机重建如何产生移位、序列如何组织、压缩表征如何用于地点匹配，以及损失函数、训练监督和推理流程，均尚未验证，不能仅凭摘要确定其实现细节或各模块的独立贡献。 结果与证据：作者报告，在三个公开数据集上的实验取得了有竞争力的性能和实时推理速度，并能在从不同方向再次经过已访问地点时检测回环。摘要未提供数据集名称、数据划分、具体对照、评价指标或运行硬件，因此这些结论目前只能作为作者报告的定性结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：序列化输入与状态空间建模可能为 EEG 长时间序列表征提供方法参考，但距离图的空间组织与 EEG 的时间—通道结构并不等价，移位与随机重建是否保留任务相关信息需要重新验证。可复用候选是序列建模模块，需改造输入编码和训练目标；低信噪比、通道差异及小数据可能使重建扰动损害有效信号。若进一步评估，可在固定数据划分、监督与训练预算下，对同一 EEG 任务比较基础状态空间模型及加入论文所述移位／重建机制后的表现，先检验模块增益而非预设跨被试收益。已有 EEG 相关工作尚未检索确认。

作者：

Jiehao Luo; Jintao Cheng; Qiuchi Xiang; Jin Wu; Rui Fan; Xieyuanli Chen; Xiaoyu Tang

机构：

尚未验证

发表平台：

IEEE Robotics and Automation Letters

标识：

sUKxBJ3y1O

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 · 2026-09-11 · 状态未知

基于摘要分析。该研究针对基于 EEG 的帕金森病检测中单个数据集规模较小、不同数据集之间存在差异而导致的跨数据集泛化问题，提出 GAN 增强模型 GEPD，将生成数据与 EEG 分类网络结合。其主要研究对象是帕金森病的 EEG 分类检测，并非 BCI 控制任务。 核心机制包含两部分：生成网络通过控制生成数据与真实数据之间的分布相似性，构造融合 EEG 数据，并配套 EEG 信号质量评估模型以评估生成数据质量；分类网络组合多个卷积神经网络，提取 EEG 的时频特征。作者将保持可泛化结构和便于收敛作为设计目标，但摘要未说明分布相似性的具体度量、生成与质量评估的损失函数、质量筛选方式，以及多个卷积神经网络的组合结构。 作者报告，在跨数据集评估设置下，GEPD 的 Accuracy 为 84.3%，F1 为 84.0%，并称表现与当前先进模型相当。摘要未提供数据集名称、被试数量、源域与目标域划分、对照模型及 F1 的计算方式，因此这些数值尚不能用于不同协议间的直接比较，也不能据此判断临床诊断效用。 复现时应重点核对生成网络使用哪些数据、是否接触目标数据集及其标签、训练与测试是否按被试隔离，以及生成数据质量评估与分类效果的关系。这些是需验证的协议事项，并非已确认的问题。还需核对生成增强、质量评估和分类网络各自的消融贡献，以及结果的统计不确定性；实验协议、消融及统计信息尚未验证。摘要所述诊断与监测属于研究目标，尚不足以构成临床有效性证据。

作者：

Qian Zhang

机构：

尚未验证

发表平台：

openreview

标识：

WyEPj9t7iQ

学术质量 66 / 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 · 2026-09-29 · 状态未知

基于摘要分析。该研究面向重症监护场景中 Ictal-Interictal-Injury Continuum（IIIC）模式的 EEG 分类，针对导联间相关性捕获不足和类别不平衡问题，提出多流 Transformer 框架 ESCAViT。其主要贡献是结合时空特征建模与域适应学习，改善不同 IIIC 模式的识别；研究对象是临床 EEG 模式分类，而非直接验证 BCI 控制任务。 机制方面，ESCAViT 利用 Video Vision Transformer 和专门的特征提取机制建模 EEG 时空模式，并通过域适应学习增强数据多样性、缓解异质性 Other 类（HOC）的影响。摘要未说明多流输入如何构造、对称性如何编码、导联相关性如何进入模型，也未给出域适应的源域与目标域定义、监督条件或损失形式，相关实现尚未验证。 结果方面，在摘要所述 IIIC 数据集实验中，作者报告相较其所称的最先进模型，mean accuracy per class（mACC）提升 21.9%，F1-score 提升 22.6%；作者还报告 LRDA 分类改善超过 20%，并称模型在不同 IIIC 模式和不平衡分布下保持一致表现。摘要未明确这些增幅是相对百分比还是百分点，亦未给出绝对分数、具体对照模型及被试内或跨被试划分，因此不能直接用于同协议性能比较；LRDA 改善所对应的具体指标也需核对。 复现方面，材料提供了代码仓库地址，但代码内容与运行条件尚未核验。阅读全文时宜重点核对数据集版本、被试与样本划分、类别分布、mACC 和 F1-score 的计算方式，以及对称性、多流结构和域适应各自的贡献。实验协议、消融及统计信息尚未验证，摘要所述改善也不足以直接确立临床部署有效性。

作者：

Se Hwan Lim; Hyungyu Lee

机构：

尚未验证

发表平台：

MSB EMERGE 2025 Oral

标识：

F1kcicqS6o

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 · 2025-08-20 · 已接收

基于摘要分析。本文研究 Markov decision processes（MDPs）的状态表示学习，提出以 minimum action distance（MAD，最小动作距离）刻画环境结构：MAD 定义为从一个状态转移到另一个状态所需的最少动作数。核心贡献是仅从状态轨迹学习这一距离，不需要奖励信号或智能体执行的动作记录。 方法通过自监督学习构建嵌入空间，使状态对的嵌入距离对应其 MAD，并支持对称与非对称近似。作者指出，这种具有几何意义的进度度量可用于目标条件强化学习和奖励塑形。摘要未说明具体损失形式、轨迹采样方式，以及对称与非对称近似如何实现；随机动力学下 MAD 的精确定义和估计条件也需查阅全文。 作者报告，在具有已知 MAD 值的多种环境中进行了评估，覆盖确定性与随机动力学、离散与连续状态空间，以及含噪观测环境；作者报告该方法能够有效学习准确的 MAD 表示，并在表示质量上显著优于现有状态表示方法。摘要未提供环境名称、数据划分、对照方法、指标数值或显著性检验细节，实验协议、消融及统计信息尚未验证，不能据此判断其对下游控制任务的实际收益。 平台推测（待验证）：若闭环 BCI 数据包含可重复的交互状态与状态轨迹，MAD 学习或可用于构建任务进度表示，而非直接替代 EEG 解码器。该假设依赖轨迹对可达状态和转移路径的充分覆盖；可复用的是轨迹驱动的距离学习思路，需改造的是 EEG 状态编码及观测噪声处理。低信噪比、跨被试差异、通道变化与小数据可能使观测距离偏离真实任务距离。一个可证伪的小实验是在转移结构已知的简单闭环任务中，检验所学距离与真实最少动作数的一致性，并分别测试噪声和跨会话条件下的稳定性。已有 EEG 相关工作尚未检索确认。

作者：

Lorenzo Steccanella; Joshua Benjamin Evans; Özgür Şimşek; Anders Jonsson

机构：

尚未验证

发表平台：

EWRL 2025 Poster

标识：

nYm28AqtWB

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 · 2025-10-07 · 已接收

基于摘要分析。该研究针对 EEG 运动想象（MI）分类中的被试间差异，以及采集目标被试任务特定（TS）EEG 数据耗时、费力的问题，提出利用静息态（RS）EEG 进行个性化适应的元学习框架。其核心贡献是尝试通过更易采集的 RS EEG 获取被试信息，使模型仅依赖目标被试的 RS EEG 完成适应，再用于该被试的 MI 分类。 框架包含两个迭代阶段：在被试特定训练阶段，将 RS EEG 与 TS 信息融合，在保留个体特征的同时，用融合信号适应目标被试；在元训练阶段，模型预测输入 TS EEG 对应的 MI 类别，并计算损失以更新元参数，支持快速的目标被试适应。摘要未说明 TS 信息的具体表示、来源及融合实现，也未给出适应步骤与损失形式。因此，“仅用目标被试 RS EEG 适应”应与训练阶段使用 TS 信息区分，不能理解为整个训练流程不需要任务数据。 作者报告，在两个编码器和三个基准数据集上，平均 Accuracy 提升为 10.05%；摘要未明确该数值是相对提升还是百分点差值，也未列出数据集名称、对照基线、数据划分及结果汇总方式，暂不能据此判断不同协议下的收益。作者还报告，可视化中融合 TS 信息后的 RS EEG 呈现与真实 TS EEG 相似的特征；这一观察支持其融合思路，但不能单独证明融合信号完整保留了任务判别信息。 复现时应优先核对训练与目标被试的划分、TS 信息是否来自目标被试、RS 采集条件与时长，以及适应阶段所需的标签和计算成本。还需核对不同被试与数据集上的收益分布，以及 RS 单独适应、融合适应和任务数据适应等对照。实验协议、消融及统计信息尚未验证。该方法直接面向 EEG/BCI，但减少采集负担的实际幅度及在线使用效果仍需全文证据确认。

作者：

Sion An; Myeongkyun Kang; Soopil Kim; Philip Chikontwe; Li Shen; Sang Hyun Park

机构：

尚未验证

发表平台：

Information Fusion

标识：

MVPTARECIE

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 · 2025-07-26 · 状态未知

基于摘要分析。该研究针对可穿戴 EEG 数据大量无标签、信号变异及伪迹影响表征学习的问题，在 Muse Meditation Dataset（MMD）上探索通过自监督学习构建 EEG 基础模型，并以年龄和性别分类评估所得表征。 方法在参与者级与片段级应用对比学习，并比较 ShallowNet 与 EEGConformer 两种架构。作者提出的假设是，参与者级对比学习能够更有效地捕捉被试间变异；摘要未说明正负样本如何构造、数据增强方式、具体损失或下游训练流程，尚不能判断其学习到的是何种参与者特征及其任务通用性。 作者报告，在所评估的下游分类任务中，自监督训练所得嵌入优于完全监督模型，尤其在标签较少的条件下；参与者级对比学习提高了分类 Accuracy，采用 Transformer 自注意力的 EEGConformer 优于 ShallowNet。摘要未提供具体数值、标签比例、被试规模及被试内或跨被试划分协议，因此这些结论只能限定于作者所述评估条件，不能据此推定跨会话、跨数据集或 BCI 解码收益。 复现时应重点核对 MMD 的采集与预处理、参与者及片段的划分关系、预训练和下游评估数据的关系，以及监督基线的标签量和训练预算；实验协议、消融及统计信息尚未验证。论文使用“基础模型”定位，但摘要所述年龄与性别任务尚不足以确认广泛任务泛化能力，代码与权重的可获得性也尚未验证。

作者：

Jiansheng Niu

机构：

尚未验证

发表平台：

openreview

标识：

ey5dI4CVCt

学术质量 64 / 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 · 2026-05-07 · 状态未知

基于摘要分析。该研究面向 EEG 癫痫发作监测中的自动化分析问题，提出用 Deep Convolutional Autoencoder（DCAE）提取保留重要信号特征的低维潜在表示，重点考察时间序列输入能否保留频率信息，以及时间域、频率域损失对重建质量的影响。 核心机制是通过自编码器压缩并重建 EEG，以重建误差评估潜在表示的信息保留能力。作者训练并评估了采用不同时间域与频率域损失的多个自编码器，同时比较时间序列和频率域表示的重建误差。摘要未给出具体损失公式、两类损失的组合权重、频率表示的计算方式或网络结构细节，不能据此认定模型使用双分支或同时接收两种输入。 作者报告，在摘要所述自编码器重建比较中，同时考虑时间序列与频率损失的 DCAE 获得了最佳重建表现，但未提供具体误差数值及评估协议。作者据此认为，仅依赖单一表示的深度神经网络可能无法保留相关信号属性；这一结论目前应限定在所报告的重建任务范围内，不能直接等同于更有效的发作检测。 癫痫发作检测是研究的应用动机，摘要实际呈现的证据主要是 EEG 表征与重建评估，而非临床验证或 BCI 控制性能。摘要没有提供检测灵敏度、每小时误报率（FAR/h）等下游结果。数据集、被试数、被试内或跨被试划分、预处理、对照配置、消融及统计信息尚未验证；复现前还需核对训练与测试划分、损失实现及重建评估方式。

作者：

Stefan Geisselsoeder

机构：

尚未验证

发表平台：

47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)

标识：

bVm8Cbc4fT

学术质量 59 / 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 · 2026-05-08 · 状态未知

基于摘要分析。研究针对 DNA 预训练模型主要依赖核苷酸序列自监督学习、难以利用专家整理的结构化知识这一问题，提出 Knowledge Graph-Augmented DNABERT（KGA-DNABERT），在 DNABERT-2 的掩码语言建模（MLM）目标之外引入知识图谱（KG）建模。其贡献包括探索序列表征与知识图谱嵌入的结合，并报告这一尝试在所测试知识图谱上的收益有限。 方法上，作者从人类基因组数据库 GenomicKB 提取事实三元组以构建 KG，并纳入六种常用 KG embedding 方法，尝试补充序列层面之外的知识。摘要未列出这些方法的名称，也未说明三元组与序列的对齐方式、目标组合形式及训练流程，因此尚不能判断知识通过何种具体路径影响 DNA 表征。 结果方面，作者报告，在本文测试的 KG 条件下，加入知识图谱未带来实质性收益；摘要没有提供任务、指标、划分协议或数值。作者将这一结果归因于所构建 KG 仅覆盖 GenomicKB 的一部分、知识覆盖不足，但这一解释是否得到覆盖率分析或受控实验支持尚未验证。该结论不宜扩大为知识图谱增强 DNA 表征普遍无效。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：其可迁移假设是，结构化领域知识可能补充 EEG 自监督序列表征，但需先建立可与 EEG 样本对齐的实体、关系及知识监督；DNA 中的实体关系不能直接复用。可借鉴的是辅助 KG 建模思路，需改造的是知识构建与信号对齐模块。低信噪比、跨被试差异、通道配置变化和小数据可能使知识对齐不稳，或让辅助目标引入偏差。一个可检验的小实验是在固定 EEG 数据划分与编码器条件下，对照仅掩码建模、加入真实 KG 和加入关系打乱的 KG，并控制知识覆盖率，检验收益是否确由结构知识带来。已有 EEG 相关工作尚未检索确认。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

FM4LS 2025

标识：

L5RgTfNE6h

学术质量 60 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-07-12 · 状态未知

基于摘要分析。研究探讨如何将辅助表征系统地融入扩散模型，以改善生成质量。作者提出表征引导框架，通过不同的去噪模型分解及对应训练准则，规定辅助表征在何时、以何种方式参与模型学习。 机制与贡献：摘要以既有工作中的表征对齐为出发点，即将扩散模型的内部表征与预训练模型表征对齐。作者在理论分析基础上提出两项策略：一是将样本与来自样本自身或不同合成模态的目标表征配对，再学习这些多模态配对的联合模型；二是设计平衡表征学习与数据生成的训练课程，作者称其为最优训练课程。具体分解形式、损失函数、合成模态构造方式及最优性的成立条件尚未验证。 结果与复现：作者报告，在蛋白质序列与分子生成任务中取得更优性能并加速训练。摘要未给出数据集、划分、对照基线、指标数值或计算预算，因此不能判断收益大小及适用范围。摘要提供了代码仓库，但实现与论文的一致性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，在 EEG 生成或数据增强中，辅助表征可能帮助生成模型保留任务相关结构；这不等于已验证的 BCI 效果。该路径依赖可靠的目标表征与样本配对，可考虑复用表征对齐和训练课程机制，但需改造 EEG 编码、时序与通道表示。低信噪比、跨被试差异及小数据可能使引导偏向噪声或被试身份。一个可证伪的小实验是：在固定被试划分与训练预算下，对比无引导和表征引导的 EEG 生成模型，同时评估生成信号的结构保真度及对独立测试集解码的帮助。相关 EEG 工作尚未检索确认。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

FM4LS 2025

标识：

B22PKwX6Tl

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 · 2025-07-12 · 状态未知

基于摘要分析。该研究针对超声视频逐帧分析容易忽略时间连续性的问题，结合时间一致性掩码与对比学习学习时序表征，并以超声心动图射血分数（EF）估计为主要验证任务。核心贡献是将跨帧时间连贯性纳入表征学习，以捕捉心脏节律性收缩与舒张等运动模式；研究对象是医学超声视频，并非 EEG 或 BCI。 机制方面，摘要明确提出通过时间一致性掩码和对比学习强化视频帧之间的时间连贯性，但未说明掩码粒度、跨帧掩码生成方式、对比样本构造、损失形式或训练与推理流程。这些细节决定模型学习的是有效运动信息，还是图像外观等捷径，需取得正文后核对，不能据摘要作出判断。 作者报告，在 EchoNet-Dynamic 数据集的 EF 预测评估中，该方法显著改善了预测准确性，但摘要未给出具体指标、数值、数据划分或对照基线，因此无法量化增益，也不能将此处的“准确性”直接解释为分类 Accuracy。实验协议、消融及统计信息尚未验证；代码、预训练权重与复现条件也尚未验证。 平台推测（待验证）：假设时间一致性约束能够保留任务相关动态，其可为 EEG 时序自监督学习提供机制参考，但超声视频的空间运动结构与 EEG 多通道低信噪比波形并不等价。可考虑复用掩码一致性与对比学习思想，需改造时间窗、通道掩码及正负样本定义；过强的时间平滑可能抹去短暂 ERP，跨被试差异和小数据条件也可能导致表征偏向个体特征。一个可检验的小实验是在固定 EEG 数据划分、模型和掩码比例下，对比独立时间掩码与时间一致性掩码，并检验下游性能及短暂事件信息是否保留。已有 EEG 相关工作尚未检索确认，该设想不构成已验证的 BCI 效果。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

FM4LS 2025

标识：

kdbd0XFHhn

学术质量 67 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2025-07-12 · 状态未知

基于摘要分析。MS-SSM 针对传统状态空间模型（SSM）有效记忆受限、难以同时捕获多尺度依赖的问题，将序列动态表示在多个分辨率上，并为各分辨率配置专门的状态空间动力学；同时引入输入依赖的 scale-mixer，动态融合不同分辨率的信息。 核心机制是同时建模细粒度高频模式与粗粒度全局趋势，以改善记忆效率和长程建模。相较于摘要所述依赖扩大状态尺寸来提升召回能力的传统 SSM，本文侧重多分辨率处理与动态跨尺度融合。分辨率如何构造、各尺度状态如何更新、scale-mixer 的具体形式，以及训练目标、稳定性约束和复杂度尚未验证。 作者报告，在包括 Long Range Arena、hierarchical reasoning、time series classification 和 image recognition 的基准实验中，MS-SSM 持续优于此前的 SSM 模型，并保持计算效率。摘要未提供具体分数、数据划分、对照模型配置或效率测量条件，因此无法判断提升幅度及性能与成本的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设多尺度机制能区分 EEG 的局部快速变化与较慢的时序背景，其可能缓解长序列建模中的记忆压缩瓶颈，但原领域结果不等于 EEG/BCI 有效。可尝试复用多尺度状态动态与 scale-mixer，需按采样率和目标信号调整分辨率构造，并适配多通道输入。低信噪比可能使动态融合追随伪迹，降采样可能损失任务相关信息，跨被试差异与小数据也可能限制泛化。一个可检验的小实验是在固定 EEG 任务和相同 Cross-subject 划分下，对比单尺度 SSM、多尺度但固定融合、完整 MS-SSM，并控制参数量与训练预算，联合检查任务指标、推理成本和噪声扰动下的稳定性。已有 EEG 相关工作尚未检索确认。

作者：

Mahdi Karami; Ali Behrouz; Peilin Zhong; Razvan Pascanu; Vahab Mirrokni

机构：

尚未验证

发表平台：

COLM 2025

标识：

cCYWeCzAv0

学术质量 71 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2025-08-26 · 状态未知

基于摘要分析。本文研究变分状态空间模型（VRSSMs）中潜状态转移函数的架构设计，提出使用 highway layers，通过可训练门控灵活组合原始表示与变换后的表示，以增强序列动态建模。 核心机制是将既有的 highway 连接用于概率序列模型的潜状态转移，而非仅采用标准多层感知机（MLP）。摘要明确了门控组合机制，但未给出“双重残差”的具体实现、门控公式、变分目标、训练或推理流程，相关细节尚未验证。 作者报告，在多个数据集的评估中，采用 highway 转移的 VRSSMs 相比标准 MLP 基线持续取得更好的验证表现，并对超参数选择更稳健。摘要未列出数据集、任务、划分方式、评价指标及具体数值，因此目前只能确认作者报告的定性结论；实验协议、消融及统计信息尚未验证。复现时需核对模型容量、超参数搜索预算及验证集使用方式是否可比，不能仅凭摘要判断收益来源。 平台推测（待验证）：若将 EEG 建模为具有潜在时间动态的观测序列，门控保留与变换潜状态的机制可能用于调节动态更新幅度，但这只是一项迁移假设，并非已验证的 BCI 效果。可复用部分是潜状态转移模块；观测模型、时间尺度及通道输入表示需适配 EEG。低信噪比可能使门控受噪声驱动，跨被试或通道变化可能改变潜动态，小数据条件下额外门控参数也可能增加过拟合风险。一个可证伪的小实验是在固定 EEG 任务与数据划分下，仅替换 MLP 和 highway 转移，匹配参数量及搜索预算，比较验证与独立测试表现、多随机种子波动；被试内与跨被试结果应分别报告。已有 EEG 相关工作尚未检索确认。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

Rejected by TMLR

标识：

snRypaYihO

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 · 2025-10-10 · 预印本

基于摘要分析。该研究针对头皮 EEG 中多源活动混合及被试间差异对跨被试情绪识别造成的困难，提出 Sera，将源活动分离与粗到细表征对齐结合，以学习更适合跨被试识别的表示。 核心机制包括两个部分：一是带有多个多阶段解码器的变分自编码器（VAE），作者将其设计为把 EEG 解耦为独立源活动，并以此模拟神经信号生成过程；二是粗到细表征对齐模块（CFRA），粗粒度阶段通过域判别器进行对抗训练，细粒度阶段匹配协方差矩阵，以捕捉 EEG 片段内部的时间相关性。其方法特点是显式处理多源混合，而非仅依赖频带、空间相关性或时间依赖特征，同时在不同粒度上缓解被试差异。摘要未提供独立性的约束方式、协方差计算对象及具体损失形式，这些实现细节尚未验证。 作者报告，在跨被试 EEG 情绪识别实验中，Sera 在 DEAP 和 DREAMER 上相较作者所称的最先进方法分别提升 3.14% 和 3.05%。摘要未明确对应指标、相对提升或百分点口径，也未给出具体基线、被试划分及情绪标签设置，因此不能据此换算为 Accuracy 增益或进行统一协议下的横向比较。实验协议、消融及统计信息尚未验证。 复现时应重点核对源分离与 CFRA 的单独及组合贡献、跨被试划分与预处理流程，以及模型学习到的独立源是否具有可验证的生理对应关系；解耦潜变量本身不能直接证明恢复了真实神经源。摘要提供了匿名代码地址，但代码可用性、依赖环境及其与论文实验的一致性尚未验证。

作者：

Zhihao Jia; Meiyan Xu; Jingyuan Wang; Ziyu Jia; Yong Li; Xinliang Zhou; Chenyu Liu; Junfeng Yao; Yi Ding

机构：

尚未验证

发表平台：

ACMMM 2025

标识：

ghbzssAnDT

学术质量 72 / 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 · 2026-07-25 · 状态未知