BCI 科研雷达

基于摘要分析。DefMamba 针对视觉 Mamba 将图像按预定义扫描顺序展平为一维序列、可能难以充分利用空间结构的问题，提出结合多尺度骨干与 deformable mamba（DM）模块的视觉基础模型，通过动态调整扫描路径增强相关输入特征的提取。 核心机制是 deformable scanning（DS）策略：不完全沿固定顺序处理图像，而是动态调整扫描路径，优先处理重要信息。作者认为，这有助于学习图像结构并捕捉物体细节变化。摘要未说明扫描位置如何生成、是否使用额外监督，以及动态扫描与状态空间计算如何衔接；具体损失、训练配置、参数规模和计算开销尚未验证。 作者报告，DefMamba 在 image classification、object detection、instance segmentation 和 semantic segmentation 等视觉任务上达到领先性能，但摘要未提供数据集、划分、基线或指标数值，因此无法评估各任务的收益幅度及效率权衡。实验协议、消融及统计信息尚未验证。摘要称代码已开源，但当前材料不足以核对实现入口、权重及复现条件。 平台推测（待验证）：迁移假设是，若 EEG 的通道空间关系与时序变化能够形成有意义的扫描结构，动态扫描可能缓解固定通道或时空遍历顺序对局部相关性的限制。可考虑复用状态空间处理与动态扫描思路，但需改造图像空间坐标、多尺度特征组织和扫描约束。原方法依赖的图像网格结构不能直接等同于 EEG 电极布局；低信噪比可能使扫描路径追随伪迹，跨被试及通道配置变化也可能破坏路径稳定性，小数据则可能增加路径学习的过拟合风险。一个可检验的小实验是在同一 EEG 数据划分、预处理与训练预算下，对比固定扫描与可学习扫描，并检查任务指标、计算开销及噪声扰动下的路径稳定性。已有 EEG 相关工作尚未检索确认。

作者：

Leiye Liu; Miao Zhang; Jihao Yin; Tingwei Liu; Wei Ji; Yongri Piao; Huchuan Lu

机构：

尚未验证

发表平台：

CoRR 2025

标识：

iMZkCBRKLF

学术质量 72 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-07-25 · 状态未知

基于摘要分析。该研究针对农业害虫识别中伪装性强、物种多样及近缘物种视觉特征相似的问题，提出 InsectMamba，通过混合特征编码与自适应特征组合改善细粒度视觉识别。研究对象是昆虫图像分类与检测，不是 EEG 或 BCI 信号解码。 核心机制是在 Mix-SSM blocks 中整合 State Space Models（SSMs）、Convolutional Neural Networks（CNNs）、Multi-Head Self-Attention（MSA）和 Multilayer Perceptrons（MLPs），利用不同编码策略提取综合视觉特征；另设 selective module，自适应组合这些特征，以增强对害虫特征的辨识能力。摘要没有说明各编码模块的具体连接方式、选择机制的数学形式、损失函数或训练与推理配置，这些细节尚未验证。 作者报告，InsectMamba 在昆虫分类和检测数据集上与较强竞争方法进行了比较，取得更优表现，并通过消融研究验证各模型组件的作用。摘要未提供数据集名称、样本规模、数据划分、对照方法名称、评价指标及具体数值，因此无法判断优势幅度或比较条件；实验协议、消融及统计信息尚未验证。 复现前需从全文核对 Mix-SSM 与 selective module 的实现、分类和检测任务的配置差异，以及数据划分、基线训练条件和计算成本。该摘要未建立视觉特征组合机制与 EEG 瓶颈的具体对应关系，不能据此推断 BCI 有效性，也不据此提出跨领域复现实验；已有 EEG 相关工作尚未检索确认。

作者：

Qianning Wang; Chenglin Wang; Zhixin Lai; Yucheng Zhou

机构：

尚未验证

发表平台：

ICASSP 2025

标识：

V5934sls26

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 · 2025-11-06 · 状态未知

基于摘要分析。本文研究Monocular Semantic Scene Completion（MonoSSC），即从单张图像重建3D环境并推断其语义；提出混合架构GA-MonoSSC，在2D图像域和3D空间中共同建模全局上下文，以应对投影点分布不均及3D到2D投影造成的信息缺失。其主要研究对象是视觉场景补全，而非EEG或BCI。 机制上，Dual-Head Multi-Modality Encoder采用Transformer捕获2D特征之间的空间关系；Frustum Mamba Decoder基于State Space Model（SSM）建模3D空间的长程依赖。作者还提出视锥重排序策略，旨在减轻体素转换为序列后的特征不连续，使空间特征组织更适配SSM扫描机制。摘要未说明双头对应的具体模态、体素排序规则、损失函数及训练流程，相关细节尚未验证。 作者报告，在Occ-ScanNet和NYUv2上的实验达到最先进性能，但摘要未提供指标数值、数据划分、对照方法或计算开销，无法据此判断提升幅度及效率优势。实验协议、消融及统计信息尚未验证；尤其需要核对重排序相对于编码器与解码器改动的独立贡献。材料称代码将在论文被接收后发布，不能据此认定已接收或代码已公开。 平台推测（待验证）：可供EEG研究借鉴的是“序列排列应与数据邻接结构匹配”的机制假设，而非整套MonoSSC架构。原方法依赖图像、3D体素及视锥几何，其监督形式和训练规模尚未验证；EEG没有同等的投影结构，需将体素排序改造为基于电极邻接或时空关系的序列组织。低信噪比、跨被试差异、通道配置变化及小数据条件可能削弱这种排序的收益。一个可证伪的小实验是在固定EEG数据划分、SSM结构与训练预算下，对比电极邻接排序、固定通道顺序及随机排序，检验收益是否稳定依赖空间连续性。该假设不代表已证实的BCI效果，已有EEG相关工作尚未检索确认。

作者：

Shijie Li; Zhongyao Cheng; Rong Li; Shuai Li; Juergen Gall; Xun Xu; Xulei Yang

机构：

尚未验证

发表平台：

CoRR 2025

标识：

b6kSIyubPw

学术质量 72 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-13 · 状态未知

基于摘要分析。该研究针对电池退化模式复杂、运行条件与材料多样所造成的健康状态（SOH）预测及数据插补困难，提出 FESD，将特征工程、Transformer 与基于结构化状态空间方程的扩散模型结合，面向不同工况统一处理两项任务。其主要研究对象是电池管理，而非 EEG 或 BCI。 机制上，FESD 首先从原始电池循环数据中提取退化特征，再将这些特征与 SOH 数据送入 Transformer 架构，以建模退化模式和长程依赖；随后由结构化状态空间扩散模型捕捉时间动态，实现 SOH 预测与插补。摘要未说明具体特征、训练损失、扩散过程、推理采样方式，以及预测与插补如何共享训练目标。 作者报告，在 MIT、Center for Advanced Life Cycle Engineering（CALCE）、NASA 和 Hawaii Natural Energy Institute（HNEI）数据集上的评估显示，FESD 在 SOH 预测与插补方面优于所比较方法；应用于新数据集且不进行微调时，其表现与最先进的迁移学习方法相当。摘要未给出具体指标、数值、对照方法及数据划分，因而这些结论的适用范围仍需核对，不能据此认定已验证严格的 Cross-dataset 泛化。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设其条件扩散与时序动态建模机制可用于 EEG 缺失片段插补，可复用的部分是 Transformer 与结构化状态空间扩散模块；电池退化特征则需替换为 EEG 时频或通道表征，并重新定义缺失掩码和监督目标。原方法依赖电池循环特征及 SOH 信息，其训练数据规模与目标可见性尚不明确；EEG 的低信噪比、跨被试差异、通道变化和小样本条件可能使模型生成平滑但不保留任务信息的信号。一个可检验的小实验是在固定 Cross-subject 划分下，对真实 EEG 人工遮蔽连续片段，在相同掩码与训练数据下比较插补误差及插补后任务表现，检验该机制是否优于简单插补和时序基线。已有 EEG 相关工作尚未检索确认。

作者：

Qiqi Wang; Min Xie; Rui Wang; Huadong Mo

机构：

尚未验证

发表平台：

IEEE Trans. Instrum. Meas. 2025

标识：

B53Yb4P11g

学术质量 68 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2025-11-02 · 状态未知

基于摘要分析。本文针对视觉数据中的无监督解耦表征学习：潜变量相互独立，并不意味着其含义符合人类直觉。作者提出概念表征学习及基于 VAE 的生成模型 Conceptual VAE（ConcVAE），通过可训练概念生成数据的语义表征，使潜空间轴具有可言说的意义。 核心机制是由反义词对构成概念，并以此确定潜空间中具有语义意义的轴。作者以自然语言中词语与所指概念之间的任意性为出发点，借助预训练视觉语言知识，为无监督学习引入符合人类理解的概念归纳偏置。其研究重点不只是潜变量独立性，而是解耦后的表征能否被人理解。摘要未说明概念对的选择与训练方式、具体视觉语言模型、损失函数及概念与潜变量的映射细节；“无监督”与预训练阶段知识来源之间的关系也需结合全文核对。 作者报告，视觉数据上的定性和定量评估显示，这种概念归纳偏置能够在无监督条件下得到兼具解耦性和可理解性的潜表征。摘要未给出数据集、划分、对照基线或具体指标，不能据此判断提升幅度或适用范围；实验协议、消融及统计信息尚未验证。作者提供了代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：若 EEG 数据具有可由稳定语言概念描述的变化因素，概念轴约束可能用于研究潜表征的可解释性；这并非本文已验证的 EEG 或 BCI 效果。该假设依赖有效的 EEG—概念对应关系，不能直接沿用视觉语言预训练模型。可考察复用 VAE 与可训练概念轴机制，但需改造信号编码和语义对齐模块。低信噪比、被试差异、通道变化及小数据条件可能使概念轴对应伪迹或个体特征，而非目标因素。一个可证伪的小实验是在固定跨被试划分与相同编码器条件下，对比普通 VAE、具有明确对应关系的概念轴及打乱对应关系的概念轴，分别检查重建与概念轴一致性，而非仅看分类 Accuracy。已有 EEG 相关工作尚未检索确认。

作者：

Ren Togo; Nao Nakagawa; Takahiro Ogawa; Miki Haseyama

机构：

尚未验证

发表平台：

IEEE Trans. Neural Networks Learn. Syst. 2025

标识：

xWf04NtnzF

学术质量 72 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-01-15 · 状态未知

基于摘要分析。本文研究连续点云帧之间的三维运动预测，即场景流估计，主要面向自动驾驶场景。作者提出 MambaFlow，通过 Mamba-based decoder 加强时空特征交互，并利用点偏移信息将共享体素表示恢复为逐点特征，以缓解时空建模不足及体素化造成的细粒度信息损失。 机制上，模型以骨干网络耦合时空特征，再以点偏移信息引导体素特征的全局建模，学习 voxel-to-point 对应模式并进行去体素化。摘要将 Mamba 的线性复杂度全局建模能力作为方法动机，但尚未提供网络结构、序列组织方式或具体计算复杂度分析。作者另提出 scene-adaptive loss，旨在自动适应不同运动模式；其数学形式、监督需求及与常规损失的差异尚未验证。 作者报告，在 Argoverse 2 benchmark 上，MambaFlow 相对已有工作达到最先进性能并具备实时推理速度。摘要未给出具体指标、数值、数据划分、对照基线或测速硬件，因此不能据此量化精度与速度优势，也不能确认跨场景泛化的评估范围。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性与复现条件尚未核查。 平台推测（待验证）：其粗粒度共享表示结合局部位置信息恢复细节的机制，可作为 EEG 时空建模的跨领域假设，而非已证实的 BCI 方法。可复用候选是 Mamba 解码模块；点云体素、点偏移与三维运动监督则不能直接移植，需要改造为通道位置、时间索引及适当的 EEG 训练目标。低信噪比、跨被试电极差异和小数据可能使局部细节恢复失效。若评估这一假设，可在固定 EEG 任务与数据划分下，对照相同主干的直接输出与位置引导细节恢复版本，检查后者是否改善目标指标；已有相关 EEG 工作尚未检索确认。

作者：

Jiehao Luo; Jintao Cheng; Xiaoyu Tang; Qingwen Zhang; Bohuan XUE; Rui Fan

机构：

尚未验证

发表平台：

CoRR 2025

标识：

ee7mulYl8H

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 · 2026-07-22 · 状态未知

基于摘要分析（现有材料仅为 Highlights，未取得论文全文）。本研究针对 EEG 解码中的个体差异、非平稳性与数据稀缺问题，提出一个基于时频变换的三步数据增强框架，并强调将先验知识融入 EEG 解码。 技术机制方面，标题明确了时频变换这一方法方向，Highlights 则说明框架包含三个步骤，但未提供各步骤的操作、时频表示形式、先验知识内容或增强样本的生成与使用方式。因此，目前不能判断它如何保持任务相关信息、如何处理个体差异与非平稳性，也不能确认其与常规 EEG 数据增强方法的具体区别。 结果方面，作者报告在涵盖 3 类 BCI 范式的 17 个数据集上获得一致的性能改善。现有材料未列出范式与数据集名称、被试规模、被试内或跨被试等评估协议、数据划分、对照基线及指标，因而不能量化改善幅度，也不能据此认定跨被试或跨会话泛化有效。 阅读与复现时应优先核对三步增强流程、先验知识的具体作用、增强操作与训练及测试划分的关系，以及各数据集上的对照结果。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值得进一步核查的 EEG 数据增强研究，而非已验证可同时解决上述三类问题的通用方案。

作者：

Ziwei Wang; Siyang Li; Xiaoqing Chen; Dongrui Wu

机构：

尚未验证

发表平台：

Knowl. Based Syst. 2025

标识：

QBGWr4o72I

学术质量 61 / 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 · 2026-07-20 · 状态未知

基于摘要分析。本文研究 Multi-View Stereo（MVS，多视图立体重建）中的特征匹配与全局特征表征，提出基于 Mamba 的 MVSMamba，以缓解 Transformer 全局交互的二次复杂度带来的性能与效率权衡。其主要研究对象是多视图视觉重建，而非 EEG 或 BCI。 核心机制是 Dynamic Mamba module（DM-module）：通过以参考视图为中心的动态扫描策略，组织参考视图与源视图之间的特征交互，支持视图内与视图间交互、全方向多视图表征及多尺度全局特征聚合。作者以 Mamba 的全局建模能力和线性复杂度为设计动机，并声称这是首个基于 Mamba 的 MVS 网络；该优先性尚未独立核验。具体扫描次序、动态策略的生成方式、损失函数及训练配置尚未验证。 作者报告，在 DTU dataset 和 Tanks-and-Temples benchmark 上，MVSMamba 的性能与效率优于所比较的先进 MVS 方法。摘要未提供具体指标、数值、数据划分、对照方法或运行硬件，因此不能量化优势，也不能将架构的线性复杂度直接等同于端到端加速。实验协议、消融及统计信息尚未验证。摘要提供了源码地址，但代码完整性、环境依赖及结果可复现性尚未核验。 平台推测（待验证）：其可借鉴之处是围绕参考对象组织多路输入的扫描与交互，而不是直接迁移立体重建任务。假设将 EEG 通道或通道组作为交互单元，可考察扫描组织是否改善时空特征聚合；但视觉参考视图与源视图的对应关系不能直接等同于 EEG 通道关系，扫描规则与输入编码需改造。低信噪比、跨被试差异、通道布局变化及小数据可能削弱收益。一个可证伪的小实验是在同一 EEG 数据划分与相近计算预算下，比较固定扫描和参考通道中心扫描，检验任务指标、运行效率与通道扰动稳健性。已有 EEG 相关工作尚未检索确认。

作者：

Jianfei Jiang; Qiankun Liu; Hongyuan Liu; Haochen Yu; Liyong Wang; Jiansheng Chen; Huimin Ma

机构：

尚未验证

发表平台：

CoRR 2025

标识：

KmlMcb0oi9

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 · 2025-12-18 · 状态未知

基于摘要分析。本文研究 EEG 情绪识别中电极位置变化可能造成的特征不稳定问题，提出 Brain Region Knowledge based Dual-Stream network（BRKDSnet），通过双流架构融合时间、频谱与空间特征，并利用脑区划分先验将通道特征聚合为脑区特征。 核心机制是以脑区为单位组织 EEG 通道信息，降低表征对单个电极位置的依赖。作者认为，这种聚合可缓解消费电子设备佩戴时电极位移引入的噪声，并学习更稳健的特征。标题将方法描述为双流 Transformer，但摘要未给出两条流的具体分工、注意力结构、脑区划分依据、聚合算子、损失函数及训练设置，这些细节尚未验证。 作者报告，在 SEED 和 SEED-IV 上的 Accuracy 分别为 97.81% 和 90.76%，并称达到最先进结果。摘要未说明这些数值对应被试内、跨被试还是跨会话评估，也未提供数据划分及具体对照方法，因此不能据此与其他协议下的成绩直接比较。作者还报告相对已有工作的提升范围，但原文的百分比记法未明确区分相对增幅与百分点差值，需结合全文核对。 作者报告，可视化分析显示颞叶 EEG 通道对情绪分类的贡献最大，并据此提出可穿戴应用的潜力；这一结果不等同于已验证少通道设备的性能或颞叶活动的因果作用。复现时应重点核对电极位移是否经过显式扰动或真实佩戴变化测试、脑区先验相对其他通道分组的收益，以及时间、频谱、空间特征各自的贡献。实验协议、消融及统计信息尚未验证。

作者：

Yichuan Lin; Geng-Xin Xu; Haotian Liang; Yishan Wang; Feng Wan; Ye Li

机构：

尚未验证

发表平台：

IEEE Trans. Consumer Electron. 2025

标识：

DuQUTBKpz2

学术质量 69 / 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 · 2026-10-08 · 状态未知

基于摘要分析。该研究关注 EEG 机器学习中训练样本数量与参与者多样性对泛化和鲁棒性的不同影响，将 EEG 记录切分为短片段的常见流程概念化为多层数据生成过程，并通过大规模实证研究考察模型性能随总体样本量及参与者多样性的变化。 核心思路是区分片段层面的样本增长与参与者层面的数据多样性：切分记录能够增加训练样本数，却不等同于增加独立记录或参与者。作者使用同一框架进一步研究数据增强与自监督学习应对有限数据问题的有效性。摘要未提供多层框架的数学形式、具体模型、数据增强操作或自监督训练目标，相关实现尚未验证。 作者报告，在其所研究的 EEG 机器学习设置中，参与者分布偏移可能严重限制模型性能随数据规模增长的改善。摘要未给出具体任务、数据集、参与者人数、样本规模、指标或对照结果，也未明确被试内或跨被试划分，因此不能量化这种限制，或判断数据增强与自监督学习分别带来何种收益。 该工作的阅读价值在于为 EEG 数据采集与模型评估提供一个可核对的视角：应分别考察增加同一参与者的片段和增加不同参与者的数据，而不只依据总片段数判断数据是否充足。复现时需核对各层级数据的采样方式、训练与测试的参与者关系、参与者分布偏移的定义，以及不同策略比较时的数据预算是否一致。实验协议、消融及统计信息尚未验证；摘要所述 EEG 结论也不能直接视为某项 BCI 任务中的已验证效果。

作者：

Philipp Bomatter; Henry Gouk

机构：

尚未验证

发表平台：

CoRR 2025

标识：

RMco4t5xuy

学术质量 77 / 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 · 2025-05-09 · 状态未知

基于摘要分析。研究面向视频目标跟踪，针对既有方法主要利用相邻帧或视频片段、难以充分利用长期上下文的问题，提出 MambaLCT，将首帧至当前帧的目标变化线索持续聚合，并用于模板帧与搜索帧之间的关系建模。 核心机制是单向 Context Mamba 模块：沿时间维扫描帧特征，通过选择性扫描机制将目标相关信息压缩到隐状态中，持续更新整个已观测视频序列的目标变化线索。随后，这些线索被注入注意力机制，为模板与搜索帧的匹配提供时间信息。其方法特点是通过状态聚合延伸上下文，而非仅依赖局部帧间信息；摘要尚未给出状态更新公式、注意力注入方式、训练目标或计算复杂度。 作者报告，长时上下文改善了复杂场景中的目标感知能力，MambaLCT 在六个基准上取得新的 SOTA 性能并保持实时运行速度。摘要未列出基准名称、评估指标、数值、对照方法及硬件条件，因此这些性能与速度声明尚不能独立核对；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，持续更新的隐状态可能缓解 EEG 长时序建模中固定窗口难以覆盖缓慢变化的问题，但视频目标变化并不等同于神经信号状态变化。原方法依赖有序帧特征及模板—搜索帧关系，其具体监督与训练规模尚未验证；可考察复用单向状态聚合模块，输入特征和注意力接口则需针对 EEG 任务改造。低信噪比可能使状态累积伪迹，跨被试差异、通道配置变化及小数据训练也可能削弱其效果。一个可证伪的小实验是在固定 EEG 任务、划分和特征编码器条件下，对比重置状态的短窗口模型与连续状态模型，检查长上下文是否改善预先指定的任务指标，并核对在线状态更新仅使用当前及历史信号。已有 EEG 相关工作尚未检索确认；本摘要不构成 BCI 有效性的证据。

作者：

Xiaohai Li; Bineng Zhong; Qihua Liang; Guorong Li; Zhiyi Mo; Shuxiang Song

机构：

尚未验证

发表平台：

AAAI 2025

标识：

RQw8Ty5vFT

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 · 2025-11-04 · 状态未知

基于摘要分析。该研究针对 EEG 情绪识别中由信号非平稳性与个体差异引起的跨被试泛化问题，提出 Neighborhood Semantic Aware Learning-based Dynamic Graph Attention Convolution（NSAL-DGAT），在域特征对齐后利用源域与目标域之间的邻域语义拓扑结构，为目标样本学习更具判别性的表示并改善分类器适应。 核心动机是：仅对齐源域和目标域特征的边缘分布，并不保证特征与标签之间的类条件关系一致；当类条件分布差异较大时，域不变特征可能对无标签目标样本缺乏判别能力，甚至产生负面作用。NSAL 的机制假设是，对齐后的部分目标样本与邻近源域样本具有相似语义，因此可以借助邻域拓扑提取并融入目标语义信息，训练更可迁移的分类器。其熵加权机制进一步强调有代表性的目标语义信息，使目标样本优先利用源域邻域中高置信度样本的信息。摘要未展开动态图注意力卷积的具体实现，图构建规则、熵的计算对象、损失形式及训练流程尚未验证。 作者报告，在公开 SEED 与团队采集的 Hearing-Impaired EEG Dataset（HIED）上进行了实验，并在 subject-dependent 与 subject-independent 场景中取得其所称的最先进 Accuracy。摘要未给出具体数值、被试数量、数据划分、基线或统计结果，不能据此量化提升，也不能将这两种场景直接等同于某一标准被试内或跨被试协议。 复现时值得重点核对源域邻域的语义可靠性、低置信度样本如何被降权，以及邻域语义利用相对单纯分布对齐的独立贡献。还需确认目标域数据的使用范围、邻域构建与测试数据划分的关系，以及两个数据集采用的评估协议；这些属于待核对事项，并非已确认的方法缺陷。实验协议、消融及统计信息尚未验证。

作者：

Yi Yang; Ze Wang; Yu Song; Ziyu Jia; Boyu Wang; Tzyy-Ping Jung; Feng Wan

机构：

尚未验证

发表平台：

IEEE Trans. Affect. Comput. 2025

标识：

ZcfTnunfZk

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 · 2026-01-03 · 状态未知

基于摘要分析。本文研究三维血管分割，针对细小血管及其边缘难以准确捕获、伪影与噪声容易造成伪阳性的问题，提出基于状态空间模型的 MambaVesselNet。其贡献是结合选择性状态空间序列建模、边缘增强和特征选择，并采用 nnUNet 的预处理策略。 核心机制：作者采用选择性状态空间时序建模策略扩大感受野，以支持长序列特征建模；边缘增强模块用于强化血管边缘特征，特征选择模块用于改善细微结构的捕获。摘要未说明三维空间特征如何组织为序列，也未提供模块结构、损失函数或训练与推理配置。nnUNet 预处理被用于保证输入数据的空间一致性，其具体配置尚未验证。 结果：作者报告在三个标准血管分割基准上达到最先进性能，并报告在心血管和肝脏血管数据集上的 Dice 系数分别提升 1.38% 和 2.69%。摘要未给出具体数据集名称、划分协议、对照方法及绝对 Dice 值，也未明确这些提升属于相对百分比还是百分点，因此不能据此进行跨方法定量比较。 验证与复现：需要核对状态空间建模、边缘增强及特征选择各自的消融结果，以及边界指标、伪阳性表现和计算开销；实验协议、消融及统计信息尚未验证，代码与复现配置也尚未验证。本文主要研究对象是三维血管图像，并未提供 EEG 或 BCI 评估，不能将其分割结果视为神经信号建模有效性的证据。相关 EEG 工作尚未检索确认。

作者：

Tianyong Liu; Zhiqing Zhang; Guojia Fan; Bin Li; Shoujun Zhou; Chengwu Xu; Gang Zhao; Fuxia Yang

机构：

尚未验证

发表平台：

IEEE J. Biomed. Health Informatics 2025

标识：

bxeTir9L3m

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 · 2025-11-04 · 状态未知

基于摘要分析。本文研究 EEG 基础模型的预训练目标与下游解码任务错配，以及跨被试分布偏移问题，提出结合领域自监督微调与测试时训练（TTT）的两阶段对齐策略 NeuroTTT。作者以 CBraMod 和 LaBraM 为骨干，在 imagined speech（想象言语）、压力检测和运动想象任务上评估该策略。 第一阶段在基础模型上引入任务相关的自监督目标，使潜在表征对齐 EEG 的频谱、空间和时间特征，不需要额外标注数据。这一设计针对通用预训练表征与具体解码需求之间的差距，但摘要未给出自监督任务的具体构造、损失形式或训练参数更新范围，尚不能判断不同目标各自的贡献。 第二阶段在推理时对单个无标签测试样本进行自监督测试时训练，并结合预测熵最小化（Tent）。摘要将 Tent 的更新范围描述为仅更新归一化统计量，以持续校准新输入；其具体实现、与自监督更新的组合顺序，以及样本间是否保留模型状态，均需全文核对。这些细节关系到在线适应的稳定性与计算成本。 作者报告，该策略在上述三类任务上提高了鲁棒性和准确率，优于常规微调与适应方法，并达到最先进性能；摘要未提供具体数据集、被试数、划分协议、指标数值或基线清单，因此不能量化提升，也不能将结果直接视为已核实的跨被试泛化证据。作者关于首次统一领域自监督与大型 EEG 基础模型测试时训练的表述属于其优先性主张，尚未独立检索确认。 材料提供了代码仓库地址，但代码内容与可运行性尚未验证。复现时应核对预训练和下游数据的关系、被试与会话划分、测试流顺序、标签使用边界、更新步数及状态重置规则，并检查两阶段策略与各自单独使用时的对照。完整实验协议、消融及统计信息尚未验证。

作者：

Suli Wang; Yangshen Deng; Zhenghua Bao; Xinyu Zhan; Yiqun Duan

机构：

尚未验证

发表平台：

CoRR 2025

标识：

88t8a0MTlQ

学术质量 69 / 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 · 2025-12-16 · 状态未知

基于摘要分析。本文研究量化交易中的股票排序与选择，针对市场非平稳波动、股票间复杂依赖及确定性建模难以表征不确定性的问题，提出 Relational stock selection framework via probabilistic State Space Learning（RSSL）。其贡献是结合树状高阶关系、时变注意力交互和带不确定性估计的 Probabilistic Kalman Network（PKNet），支持股票动态建模与收益—风险权衡。 机制上，RSSL 首先构建树状结构，通过股票间联系的层次划分显式呈现高阶关系，再使用注意力机制将这些关系与随时间变化的市场走势结合。PKNet 受概率贝叶斯学习中的 state space models（SSM）启发，递归模拟股票波动并估计不确定性。摘要未说明树结构如何学习、状态与观测的定义、概率分布、损失函数，以及训练和推理流程，不能据此将其等同于某种具体 SSM 架构。 作者报告，在若干真实股票市场数据集上，RSSL 相较多个代表性基线取得显著优势；摘要未提供数据集名称、时间划分、指标、具体数值或统计检验信息。其是否改善收益—风险权衡，以及交易成本、关系构建时点和各模块贡献，均需全文核对；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：层次关系与概率递归状态估计的结合，可能对应 EEG 中通道依赖、非平稳变化及不确定性表征问题，但股票关系不等同于脑区或电极关系。可考虑复用关系聚合和状态估计思路，需重新定义 EEG 观测、通道层次结构与任务监督；原方法所依赖的数据规模和监督条件尚不明确。低信噪比、跨被试差异、通道布局变化及小数据条件可能使关系学习不稳定或不确定性失准。一个可检验的假设是：在固定 Cross-subject 运动想象划分下，以同一 EEG 编码器比较无关系模块、层次关系模块及加入概率状态估计后的分类与校准表现，检验各机制能否独立贡献增益。以上仅为迁移假设，相关 EEG 工作尚未检索确认。

作者：

Qiang Gao; Zhengxiang Liu; Li Huang; Kunpeng Zhang; Jun Wang; Guisong Liu

机构：

尚未验证

发表平台：

IEEE Trans. Knowl. Data Eng. 2025

标识：

3BdIdrywvm

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 · 2025-02-06 · 状态未知

基于摘要分析。本文针对 EEG 癫痫发作检测模型透明度不足、难以解释潜在病因的问题，提出 SzXAI，通过对齐 EEG 表征与临床文本概念，将发作检测与病因解释联系起来。研究主要面向癫痫管理中的可解释 AI，并非直接验证 BCI 控制或交互任务。 机制方面，SzXAI 使用 LLM 从临床记录中获得文本概念嵌入，再通过跨模态相似度层和对比训练机制与 EEG 编码对齐；同时采用注意力加权池化，识别发作及基线状态对应的潜在病因。模型输出进一步用于结构化句子生成，提供人类可读的说明。摘要未说明所用 LLM、EEG 编码器、具体损失形式、病因标签定义或句子生成规则，这些实现条件尚未验证。 评估方面，作者报告在公开的 Temple University Hospital 数据集上进行 10 折交叉验证，并称对齐驱动训练相较直接病因预测显著改善病因预测表现，但摘要未提供具体指标、数值或统计检验。数据集具体版本、被试规模、折间是否按被试隔离，以及临床记录在训练和推理阶段的使用方式尚未验证，因此不能据此判定跨被试泛化能力，也不能将病因预测提升直接等同于发作检测性能提升。 阅读与复现的关键是核对 EEG—临床文本配对方式、病因标注依据及直接预测基线的设置，并确认生成解释是否忠实反映模型所依据的信号证据。可读的句子不等同于正确的病因解释；摘要所述提升临床信任与可用性属于作者对应用价值的判断，尚不能视为已完成临床验证。实验协议、消融及统计信息尚未验证。

作者：

Maryam Riazi; Deeksha M. Shama; Archana Venkataraman

机构：

尚未验证

发表平台：

MICCAI (14) 2025

标识：

a12NqvbAqa

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 · 2025-12-15 · 状态未知

基于摘要分析。该研究针对选择性状态空间模型 Mamba 在长序列建模中的记忆衰减问题，提出 MemMamba，将状态摘要机制与跨层、跨 token 注意力结合，旨在保留关键信息并维持线性复杂度。 机制与贡献：作者通过数学推导和信息论分析研究 Mamba 的长程记忆如何衰减及保留信息，并提出横向—纵向记忆保真度指标，用于刻画层内及跨层的信息退化。MemMamba 的设计受到长文阅读中提炼和保留显著信息的启发。摘要未给出保真度指标的定义、状态摘要的更新规则、注意力范围或复杂度推导，因此尚不能确认具体实现及其适用条件。 结果与证据：作者报告，在 PG19、Passkey Retrieval 等长序列基准上，MemMamba 相比既有 Mamba 变体和 Transformers 有显著改善，并报告推理效率提速 48%。但摘要未说明该提速对应的基线、硬件、序列长度、批量及计时口径，也未提供各任务指标或具体分数，不能据此判断收益范围。实验协议、消融及统计信息尚未验证；作者关于复杂度与记忆权衡取得突破的结论仍需结合全文核对。 平台推测（待验证）：迁移假设是，状态摘要可能帮助长时 EEG 建模保留稀疏但重要的事件信息，跨层和跨 token 交互可能缓解长程信息丢失。原方法面向文本类长序列任务，其训练监督、规模及对序列结构的依赖尚未明确；用于 EEG 时需改造输入表示，并验证通道与时间结构如何进入摘要机制。低信噪比可能使摘要保留伪迹而丢失弱事件，跨被试差异和小数据训练也可能限制收益。一个可证伪的小实验是在固定跨被试划分、输入时长和训练预算下，比较 Mamba 与 MemMamba 对间隔逐渐增大的 EEG 事件的识别表现，同时记录任务指标、延迟和显存，检验收益是否随依赖距离增加而保持。已有 EEG 相关工作尚未检索确认。

作者：

Youjin Wang; Yangjingyi Chen; Jiahao Yan; Jiaxuan Lu; Xiao Sun

机构：

尚未验证

发表平台：

CoRR 2025

标识：

EruTGtd6Bv

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 · 2026-01-07 · 状态未知

基于摘要分析。研究针对 EEG 情绪识别中的噪声敏感性与情绪个体差异，提出在 L1 范数空间中定义的判别性脑网络流形学习模型 L1-SGL，并进一步实现在线情绪监测与调节系统，面向情感脑机接口（aBCIs）应用。 机制上，作者提出利用 L1-SGL 分离 EEG 噪声离群点，并自动纠正由主观感受造成的伪标签样本，以提取与情绪相关的内在模式。摘要未说明脑网络如何构建、流形表示与优化目标的具体形式，也未交代伪标签的生成及纠正依据，因此尚不能判断这些机制在不同噪声与标签不确定性条件下的适用范围。 作者报告，离线实验显示 L1-SGL 能抑制噪声影响，并优于其他现有 EEG 情绪识别方法；摘要未提供数据集、被试规模、对照方法名称或具体离线指标。在线实验涉及 25 名参与者，作者报告情绪解码结果为 86.30%，但摘要没有明确该数值的指标名称、类别设置及评估划分，不能直接视为 Accuracy，也不能与其他协议下的结果直接比较。作者据此认为系统能够满足在线监测的实时要求，但具体运行延迟、硬件和计算开销尚未验证。 作者另报告负性情绪调节实验达到统计显著性（p < 0.001），并据此支持实时情绪调节与交互应用的可行性。调节方式、对照条件、效应量、统计检验及持续效果尚未验证；该结果不能直接等同于临床闭环治疗的疗效证据。复现需进一步核对 EEG 预处理、脑网络构建、标签纠正流程、被试内或跨被试划分，以及在线反馈流程；实验协议、消融及统计信息尚未验证。

作者：

Cunbo Li; Zehong Cao; Yue Pan; Pengcheng Zhu; Peiyang Li; Fali Li; Huafu Chen; Bao-Liang Lu; Feng Wan; Dezhong Yao; Peng Xu

机构：

尚未验证

发表平台：

IEEE Transactions on Neural Networks and Learning Systems

标识：

ogTUcq6M0p

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 · 2026-09-11 · 状态未知

基于摘要分析。本文研究语音分离中 Transformer 自注意力计算与内存开销较高的问题，以选择性状态空间模型 Mamba 替换 Transformer，提出 Dual-path Mamba，用于建模语音信号的短期、长期及前向、后向依赖。主要贡献是将双路径时序建模与双向选择性状态空间结合，而非提出 EEG 或 BCI 方法。 技术机制：摘要以自注意力的二次复杂度作为动机，强调用 Mamba 替换 Transformer，而不是继续叠加额外模块。双路径分别覆盖短期与长期依赖，双向建模利用前向和后向上下文；具体分块方式、状态空间配置、损失函数、训练流程及计算与内存实测尚未验证。双向上下文也提示其在线因果应用需要另行评估，不能直接据此宣称适合实时 BCI。 结果与证据：作者报告，在 WSJ0-2mix 语音分离数据上，相对较小的 Dual-path Mamba 模型优于 RNN 模型 DPRNN、CNN 模型 WaveSplit 和 Transformer 模型 Sepformer；其最大模型达到 23.4 dB 的 SI-SNRi。摘要未给出各模型参数量、具体划分、对照训练条件及结果波动，因此不能进一步量化参数效率或确认对照公平性。实验协议、消融及统计信息尚未验证。摘要提供 Mamba-TasNet 代码链接，但实现内容与复现条件尚未核对。 平台推测（待验证）：可检验的迁移假设是，短期与长期时序建模可用于同时刻画 EEG 局部波形与较长时间依赖；可考虑复用双路径状态空间模块，但输入通道组织、任务输出和监督目标需改造。语音分离依赖混合语音及分离目标，不能直接对应缺少干净源参照的真实 EEG；低信噪比、跨被试差异、通道变化和小数据可能削弱收益。一个小实验是在固定跨被试划分下，以有参考信号的模拟 EOG 污染 EEG 去噪为任务，与参数量和训练预算匹配的双路径 Transformer 比较重建误差、内存和时延，并明确限定为离线双向处理。相关 EEG 工作尚未检索确认。

作者：

Xilin Jiang; Cong Han; Nima Mesgarani

机构：

尚未验证

发表平台：

ICASSP 2025

标识：

ddfuZ3pj4t

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 · 2026-01-06 · 状态未知

基于摘要分析。该研究针对快速序列视觉呈现（RSVP）任务中 EEG 的空间与时间依赖建模，提出时空渐进式注意力模型 STPAM，并构建以弱红外小目标图像为刺激的 Infrared RSVP EEG Dataset（IRED）。其核心贡献是依次通过空间专家和时间专家，将注意力逐步集中到重要电极及关键 EEG 时间片。 空间建模阶段包含三个不同的空间专家，渐进学习脑区的空间拓扑信息。摘要描述，前一个专家筛选相关脑区的 EEG 电极，并将筛选信息作为下一个专家的先验，使后续专家逐渐关注重要电极，以降低无关脑区的干扰。时间建模阶段以包含空间信息的特征序列为输入，通过三个时间专家逐步对关键 EEG 时间片分配注意力，捕捉时间依赖。摘要未说明专家的具体结构、筛选操作是否可微、先验的传递方式及训练损失，这些实现细节尚未验证。 数据方面，作者称首次构建基于弱红外小目标图像的 RSVP EEG 数据集 IRED；该“首次”表述尚未独立核验。作者报告在 IRED 的实验中，STPAM 优于所有参与比较的方法，但摘要未提供具体指标、数值、对照方法或数据划分，因此不能据此判断提升幅度，也不能确定结论适用于被试内、跨被试或跨会话评估。 复现与阅读重点是核对电极筛选和时间注意力的具体实现、两类渐进机制各自的消融结果，以及 IRED 的刺激设置、被试信息、类别分布和训练测试划分。实验协议、消融及统计信息尚未验证，数据与代码的可获取性亦需确认；现有材料不足以判断该方法对其他 RSVP 数据或其他 EEG 任务的泛化能力。

作者：

Yang Li; Wei Liu; Tianzhi Feng; Fu Li; Chennan Wu; Boxun Fu; Zhifu Zhao; Xiaotian Wang; Guangming Shi

机构：

尚未验证

发表平台：

CoRR 2025

标识：

Xlk0dVro1I

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 · 2026-01-08 · 状态未知

基于摘要分析。本文研究车联网（IoV）服务网络中的联邦学习（FL），针对差分隐私（DP）保护与通信轮数之间的权衡，提出统一状态空间反馈控制框架 USFCF，通过动态调节模型聚合频率协调隐私保护与通信开销。其主要研究对象是车联网协同训练，而非 EEG/BCI 或序列建模中的 State Space Model 架构。 机制上，路侧单元（RSUs）作为分布式协调器，监测系统状态并调整聚合频率。摘要描述：当隐私噪声过大时抑制冗余通信，当隐私保护减弱时增加更新轮数，并通过优化推导更新策略。状态变量、反馈信号、优化目标与约束尚未验证；尤其需要核对“增加更新轮数强化保护”的具体实现，以及多轮更新下 DP 隐私预算如何累计，不能仅凭调度方向判断隐私保证。 作者报告，在多种数据集上的实验改善了隐私适应性、降低通信成本并保持稳健性能，但摘要未提供数据集名称、任务、划分协议、对照基线、指标或数值。实验协议、消融及统计信息尚未验证，具体 DP 机制、隐私参数、通信成本口径与复现条件也需全文确认。 平台推测（待验证）：若将不同被试或采集站点视为联邦客户端，依据训练状态调节聚合频率的控制思想可能用于 EEG 联邦学习中的隐私—通信权衡；这一假设依赖可观测且稳定的反馈信号、明确的隐私会计与客户端间可协调的训练过程。可复用的是反馈调度思路，需改造的是车联网状态定义、RSU 协调角色及 EEG 任务评价。低信噪比、跨被试差异、通道不一致和小样本可能使反馈信号波动，导致不稳定调度。一个可检验的小实验是在同一 EEG 任务、客户端划分、DP 机制与总隐私预算下，对照固定聚合频率和反馈调度，比较任务指标、通信量与稳定性；相关 EEG 工作尚未检索确认。

作者：

Chen Li; Xuelei Qi; Xin Yuan; Kai Wu; Yang Zhang; Wei Ni; Ren Ping Liu; Quan Z. Sheng

机构：

尚未验证

发表平台：

ICWS 2025

标识：

5KSU8DPnIH

学术质量 57 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-01-21 · 状态未知

基于摘要分析。该研究关注数据可视化任务中，基于 EEG 的心理负荷（MW）估计是否与自报告测量及任务难度一致。研究通过可视化任务实验比较不同测量方式，主要贡献是呈现其潜在差异，而非提出已验证的新型 BCI 解码算法。 实验采用 Visualization Literacy Assessment Test（VLAT）和 Spatial Visualization（SV）任务，在参与者执行任务期间使用 32 通道系统以 128 Hz 采样率记录 EEG。研究使用基于 Graph Attention Network（GAT）架构的模型，为每位参与者估计 MW，再与常规心理负荷测量进行比较。摘要未说明图节点与边的定义、EEG 特征、模型训练监督来源，以及模型是否按参与者单独训练。 作者报告，在不同任务难度水平下，任务难度与 EEG-based MW 估计之间，以及 EEG-based 与自报告 MW 测量之间，均出现明显差异。摘要未提供差异的效应量、统计检验或具体数值。作者进一步认为，观察到的模式提示可能存在自报告未捕捉的无意识认知努力；这属于对测量差异的解释，不能据此认定 EEG 估计更准确，或已直接验证无意识认知努力。 阅读全文时需核对参与者数量、自报告工具、任务难度设定、EEG 预处理与伪迹控制、模型训练及评估划分，以及预测误差是否会影响测量一致性结论。实验协议、消融及统计信息尚未验证。该研究可为 EEG 心理负荷测量的效度分析提供问题依据，但摘要不足以支持其在跨被试、跨会话或在线 BCI 场景中的有效性。

作者：

Soobin Yim; Sangbong Yoo; Chanyoung Yoon; Chanyoung Jung; Chansoo Kim; Yun Jang; Ghulam Jilani Quadri

机构：

尚未验证

发表平台：

CoRR 2025

标识：

cFc2VZTyRe

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 · 2025-11-07 · 状态未知

基于摘要分析。该研究面向医学点云理解，提出基于状态空间模型（SSM）的分层特征学习框架，并构建 MedPointS 数据集，用于解剖分类、点云补全和分割。原论文的主要研究对象是医学点云的几何结构，而非 EEG 或 BCI 信号。 核心机制是通过最远点采样将输入点云下采样为多个层级，在各层执行一系列 k-nearest neighbor（KNN）查询，聚合多尺度结构信息。为使 SSM 处理不规则点集，作者引入 coordinate-order 与 inside-out 扫描策略进行序列化；随后通过 vanilla 和 group Point SSM blocks，逐步从短邻域序列与长点序列计算特征，以捕获局部模式和长程依赖。具体扫描规则、模块结构、损失函数及训练配置尚未验证。 作者报告，在 MedPointS 的解剖分类、补全和分割任务上，该方法均取得优于对照的表现，但摘要未提供指标数值、对照方法、样本规模或划分协议，不能据此量化优势。实验协议、消融及统计信息尚未验证。摘要提供了数据集获取地址，并说明代码已合并至公开医学影像平台 flemme；可复现性仍需核对数据版本、预处理、配置与运行环境。 平台推测（待验证）：其可迁移机制可能是利用空间邻域聚合与点集序列化处理不规则 EEG 电极布局，对应跨设备通道位置不一致的建模问题，而不是直接移植医学点云任务。该假设依赖可用的电极坐标及相应信号数据；可复用邻域构建和扫描思路，但需改造输入特征、时间建模及任务监督。EEG 低信噪比、稀疏通道、跨被试差异和小数据规模可能使几何邻近关系失去预测价值。可检验的小实验是在固定 EEG 数据划分、通道配置和训练预算下，仅比较坐标扫描与随机排序，检查效果及其在通道删减后的稳定性。已有 EEG 相关工作尚未检索确认。

作者：

Guoqing Zhang; Jingyun Yang; Yang Li

机构：

尚未验证

发表平台：

MICCAI (10) 2025

标识：

AfGySNFlTv

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 · 2025-11-12 · 状态未知

基于摘要分析。本文研究退化图像的细节恢复与对比度增强，提出纹理感知图像恢复方法 TAMambaIR，旨在兼顾恢复质量与计算效率，主要研究对象是图像超分辨率、去雨和低光照图像增强，而非 EEG 或 BCI。 核心机制：作者认为，对整幅图像进行均匀的深层表征提取，未能充分利用退化的空间差异，尤其是复杂纹理区域可能受到更严重损伤。TAMambaIR 引入 Texture-Aware State Space Model，通过调制状态空间方程的转移矩阵增强纹理感知，并将处理重点放在复杂纹理区域；同时采用 Multi-Directional Perception Block，以较低计算开销扩大多方向感受野。摘要未给出纹理的估计方式、转移矩阵的具体调制规则、扫描路径、损失函数或训练配置。 结果与证据边界：作者报告，该方法在图像超分辨率、去雨及低光照图像增强基准上取得 SOTA 表现，并显著提高效率。但材料未提供基准名称、数据划分、对照模型、指标数值及效率测量条件，因此尚不能判断优势幅度，也不能直接比较不同任务的结果。实验协议、消融及统计信息尚未验证；代码、模型权重与复现条件亦尚未验证。 平台推测（待验证）：可探索的迁移假设是，将图像中的纹理感知调制改造成 EEG 的局部时频结构感知调制，用于长序列中非均匀信息的建模。可复用思路是输入相关的状态转移调制，需重新设计 EEG 特征估计及时间、频率和通道方向的处理方式；不能直接把复杂纹理等同于有效神经活动。摘要未明确原方法依赖何种监督或训练规模。EEG 的低信噪比、伪迹、跨被试差异、通道布局变化及小数据条件，可能使调制模块聚焦噪声或过拟合。一个可检验的小实验是在固定跨被试划分与相同训练预算下，对比基础 Mamba 与加入时频结构调制的版本，并核对任务指标和计算开销是否同时改善。该假设不是本文已验证的贡献，相关 EEG 工作尚未检索确认。

作者：

Long Peng; Xin Di; Zhanfeng Feng; Wenbo Li; Renjing Pei; Yang Wang; Xueyang Fu; Yang Cao; Zheng-Jun Zha

机构：

尚未验证

发表平台：

CoRR 2025

标识：

eFz2mAlWpy

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 · 2025-08-06 · 状态未知

基于摘要分析。本文研究 fMRI 功能连接组分类，提出 Core-Periphery State-Space Model（CP-SSM），旨在兼顾脑区间复杂依赖的表征能力与计算效率，主要应用方向是基于神经影像的神经系统疾病诊断，而非直接研究 BCI 解码。 方法包含两个要点：采用选择性状态空间模型 Mamba，以线性复杂度建模功能脑网络中的长程依赖；引入核心—边缘组织原理指导的 Mixture-of-Experts 模块 CP-MoE，以改善脑连接模式的表示学习。摘要将核心—边缘结构描述为有助于高效信息传递的脑网络特征，但未说明核心与边缘如何识别、连接组如何序列化，以及专家路由如何利用该先验；这些机制及训练目标尚未验证。 作者报告，在 ABIDE 与 ADNI 两个 fMRI 基准数据集的分类评估中，CP-SSM 的分类表现优于 Transformer 类模型，并显著降低计算复杂度。摘要未提供具体分类任务、样本量、划分协议、指标数值、对照模型配置或运行资源，因此尚不能判断性能增益大小，也不能将理论复杂度优势等同于已量化的实际加速。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，复现时仍需核对数据预处理、功能连接构建、序列顺序和计算成本测量条件。 平台推测（待验证）：若 EEG 功能连接图中存在稳定且可估计的核心—边缘结构，CP-MoE 的结构先验与 Mamba 的依赖建模可能用于跨被试连接图分类。可考虑复用状态空间建模与专家模块，但需改造节点定义、连接估计及序列化方式；低信噪比、通道布局差异和小样本可能使结构估计不稳定或导致过拟合。一个可证伪的小实验是，在固定 EEG 连接构建流程与跨被试划分下，对比 Mamba、加入 CP-MoE 的模型及随机化核心—边缘分配的对照，同时测量分类指标与运行成本，以检验收益是否来自结构先验。相关 EEG 工作尚未检索确认。

作者：

Minheng Chen; Xiaowei Yu; Jing Zhang; Tong Chen; Chao Cao; Yan Zhuang; Yanjun Lyu; Lu Zhang; Tianming Liu; Dajiang Zhu

机构：

尚未验证

发表平台：

MICCAI (12) 2025

标识：

MeIikhBA43

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 · 2025-10-06 · 状态未知