BCI 科研雷达

基于摘要分析。Mamba4D 研究的是 4D 点云视频理解，针对点分布不规则、无序以及跨帧不一致的问题，提出完全基于状态空间模型（SSMs）的骨干网络，通过解耦空间与时间建模，处理局部几何结构和长时序动态，并降低长视频计算开销。 机制上，统一的空间—时间 Mamba 块包含 Intra-frame Spatial Mamba 与 Inter-frame Temporal Mamba：前者在一定时间步幅内编码局部相似的几何结构，再将局部相关 token 交给后者，以线性复杂度整合整个视频中的长期点特征。其设计意图是避免摘要所述 Transformer 类 4D 骨干的二次复杂度瓶颈；具体点排序、邻域构建、时序对应、损失与训练流程尚未验证。 作者报告，在 MSR-Action3D 动作识别、HOI4D 动作分割和 Synthia4D 语义分割上获得竞争性表现，分别给出“+10.4% accuracy”“+0.7 F1 Score”和“+0.19 mIoU”。摘要未明确这些增益对应的基线、划分及指标尺度，因此不将百分比改写为百分点，也不跨任务比较。作者另报告 GPU 显存减少 87.5%、速度提升 5.36 倍，尤其强调长视频场景，但对应序列长度、硬件、批量大小及比较对象尚未验证。摘要提供了代码发布地址；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）：若 EEG 任务具有可利用的电极空间关系和长时序结构，空间局部编码与时间 SSM 分工可能用于缓解长窗口建模开销；这是假设，而非本文验证的结果。可复用的是解耦建模思路，需改造点云几何邻域与 token 构建，使其适配电极布局和信号片段。点云局部几何相似性并不等同于 EEG 通道相关性，低信噪比、跨被试差异、通道缺失及小数据可能使该假设失效。可在固定 EEG 数据划分、训练预算和窗口长度下，对比空间—时间解耦 SSM 与仅时间 SSM，分别核对任务指标、显存和延迟。相关 EEG 工作尚未检索确认。

作者：

Jiuming Liu; Jinru Han; Lihao Liu; Angelica I. Avilés-Rivero; Chaokang Jiang; Zhe Liu; Hesheng Wang

机构：

尚未验证

发表平台：

CVPR 2025

标识：

jefatgkWPH

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 · 2026-03-18 · 状态未知

基于摘要分析。该研究面向跨被试 EEG 情绪识别中的被试间差异与复杂的被试内变异，提出 FACE（Few-shot Adapter with Cross-view Fusion），将动态多视图融合与少样本被试特定适应相结合，旨在利用有限标注数据适应未见被试，并缓解适应过程中的严重过拟合。 核心机制包含两个模块：跨视图融合模块通过被试特定的融合权重，动态整合全局脑连接与局部模式，以获取互补的情绪信息；少样本适配器模块利用元学习增强适配器结构，以支持对未见被试的快速适应。摘要未说明脑连接的构建方式、局部模式的表示方法、融合权重的学习过程，以及适配器结构、优化目标和元学习任务组织方式，这些实现细节尚未验证。 作者将方法定位为对现有域适应、域泛化及少样本学习方案局限的回应：部分现有方案依赖较多目标被试数据，或对未见被试泛化有限，而少样本适应可能出现过拟合。FACE 的主要设计重点是结合互补视图与元学习增强的适应机制；各模块的独立贡献及其相对基线的优势需由正文和消融实验核对。 作者报告，在三个公开 EEG 情绪识别基准的跨被试评估中，FACE 的泛化表现优于所比较的先进方法。摘要未提供数据集名称、被试数量、每个目标被试的标注样本预算、数据划分、对照方法或具体指标，因此不能量化提升，也不能判断不同协议下结果的可比性。 复现时应重点核对未见被试的适应集与测试集划分、目标被试数据的使用范围、元训练与评估被试的隔离方式，以及融合模块和适配器的消融设置。实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未确认。该摘要支持的是少样本跨被试 EEG 情绪识别研究，不宜据此扩展为其他 EEG 任务或实际 BCI 部署中的已验证效果。

作者：

Haiqi Liu; C. L. Philip Chen; Tong Zhang

机构：

尚未验证

发表平台：

CoRR 2025

标识：

FqO0I1I9rO

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 · 2025-05-13 · 状态未知

基于摘要分析。该研究针对现有水文深度学习方法偏重局地应用、未充分利用水体空间连接的问题，提出 RiverMamba，通过长期再分析数据预训练与 Mamba 时空建模开展全球河流流量及洪水预报。其主要研究对象是水文预测，而非 EEG 或 BCI。 方法上，RiverMamba 利用高效 Mamba blocks 捕捉全球尺度河网的水流路由关系，以支持较长预报提前期；预报模块整合 ECMWF HRES 气象预报，并通过时空建模处理其不准确性。摘要未说明河网连接如何编码、具体输入变量、训练损失、预训练与后续训练流程，这些实现细节尚未验证。 作者报告，模型可在 0.05° 网格上开展最长提前 7 天的全球河流流量及洪水预报，并在不同洪水重现期和预报提前期下提供可靠预测，包括极端洪水；作者报告其表现优于业务化 AI 模型和物理模型。摘要未提供具体评估指标、数值、基线名称、数据划分及区域覆盖，因此不能量化优势，也不能判断不同评估协议下的可比性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 借鉴的是状态空间序列建模与空间关系联合建模的思路，而非水文预训练权重或河网结构本身。假设该机制有助于处理多通道长时序 EEG，则需将河网关系替换为适合 EEG 的通道关系，并重新设计输入与任务监督；河网路由与 EEG 通道依赖并不等价，低信噪比、通道布局差异、跨被试变化及小样本规模均可能使迁移失败。一个可检验的小实验是在固定 Cross-subject 划分和训练预算下，比较加入通道关系建模与不加入该模块的 Mamba 基线，并进行通道扰动测试。已有相关 EEG 工作尚未检索确认，此建议不代表已证实的 BCI 效果。

作者：

Mohamad Hakam Shams Eddin; Yikui Zhang; Stefan Kollet; Juergen Gall

机构：

尚未验证

发表平台：

CoRR 2025

标识：

kx4QXITPKb

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 · 2025-10-06 · 状态未知

基于摘要分析。该研究针对 EEG 情绪识别中脑区生物学与拓扑信息利用不足的问题，提出时空特征网络 TS-Net，以结合时间特征和空间特征识别情绪状态。其主要研究对象是 EEG 情绪分类，摘要中的心理健康监测属于应用动机，不能据此视为已验证的临床效用。 机制方面，TS-Net 使用 1DCNN 作为专门的时间特征提取组件，使用 gMLP 作为专门的空间特征提取组件，旨在利用不同脑功能区的神经活动强度分析情绪状态。摘要未说明脑区拓扑如何编码、两个组件如何融合，也未提供输入表示、损失函数或训练细节，因此尚不能确认其空间建模是否显式利用脑区连接关系。 结果方面，作者报告在 DREAMER 上，arousal、valence 和 dominance 三个任务的整体 Accuracy 分别为 97.87%、96.79% 和 97.99%，并声称优于现有先进情绪识别方法。但摘要未给出数据划分、被试内或跨被试协议、对照方法及统计不确定性，以上数值只能作为该文所述评估下的结果，不能直接与其他协议比较。作者还报告在两个自采情绪分类数据集上取得满意结果，但未提供数据规模、标签定义、评估协议或具体指标。 复现时需核对 EEG 预处理与样本切分、脑区和通道映射、1DCNN 与 gMLP 的连接及融合方式，以及对照实验是否采用一致协议。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证；现有摘要不足以判断模型在跨被试、跨会话或实际在线情绪监测中的稳定性。

作者：

Bin Li; Shuangyou Li; Wei Pang

机构：

尚未验证

发表平台：

ICIC (17) 2025

标识：

rS8mxHQj99

学术质量 60 / 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 · 2026-01-15 · 状态未知

基于摘要分析（仅提供研究亮点，未取得论文全文）。该研究以窃电检测中的时间序列分类为主要对象，提出基于 Mamba 的多模态选择性状态空间模型架构，旨在通过多模态特征缓解非平稳序列的局部波动，并结合通道注意力与多尺度融合学习长程依赖。 机制方面，材料提到面向参数效率的子通道拆分，以及通道级注意力和多尺度融合，但未说明“模态”的具体定义、特征来源、拆分方式或模块连接关系。因此，不能据此将其理解为已验证的多传感器融合方案，也无法确定其损失函数、训练策略和推理成本。 作者报告在 128 个 UCR 数据集上的评估支持模型优势，但材料未提供具体指标、数据划分、对照基线、统计结果或计算开销。窃电检测任务所用数据及其评估协议也尚未验证；UCR 分类评估不能直接替代真实窃电场景中的有效性证据。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若其子通道拆分与多尺度融合确能在受控参数预算下处理非平稳信号，可假设这些模块对 EEG 的局部波动和多时间尺度特征具有研究价值。可考虑复用状态空间序列编码与融合机制，但需重新定义 EEG 通道与特征分组，并适配采样率、窗口长度及监督标签；低信噪比、跨被试差异、通道配置变化和小样本可能使这一假设失效。一个可证伪的小实验是固定 EEG 数据划分与参数预算，对照基础 Mamba 和加入拆分、注意力、融合模块的版本，分别评估被试内与跨被试表现，不混合比较两种协议。已有 EEG 相关工作尚未检索确认，此建议不构成已证实的 BCI 效果。

作者：

Wanghu Chen; Long Li; Jing Li

机构：

尚未验证

发表平台：

Expert Syst. Appl. 2025

标识：

UL3XKTfl4Q

学术质量 62 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-07-22 · 状态未知

基于摘要分析。本文研究视频人体姿态估计（VHPE）中的高分辨率时空表示，提出全局—局部状态空间模型框架，分别捕获整体人体运动趋势与局部关键点的高频运动细节，旨在兼顾长程依赖建模、细节保留和计算效率。 核心机制包括两个模块：Global Spatiotemporal Mamba 使用 6D selective space-time scan，以及受空间和时间调制的扫描合并，提取全局时空表示；Local Refinement Mamba 采用窗口化时空扫描，增强局部关键点运动的高频细节。摘要未解释“6D”的具体含义、扫描路径或调制实现，不能据此补全结构。相较于使用单一卷积或注意力结构统一建模的方法，该框架的设计重点是将全局动态与局部细节分开处理，并利用 Mamba 的线性复杂度长程建模能力；完整框架的实际复杂度与资源消耗仍需正文核对。 作者报告，在四个基准数据集上的实验中，该模型优于现有先进 VHPE 方法，并取得更好的计算权衡。摘要未提供数据集名称、划分、评估指标、具体数值及对照配置，因此目前无法判断优势幅度或跨场景稳定性。训练目标、输入表示、实验协议、消融及统计信息尚未验证，复现所需代码与配置也尚未确认。 平台推测（待验证）：若 EEG 任务同时依赖长时程状态与局部瞬态活动，全局扫描与窗口化细节建模的分工可能具有借鉴价值，但这是假设，不是本文验证的 BCI 效果。其迁移依赖可定义的通道—时间结构，以及适配 EEG 的监督信号和训练规模；扫描、合并与窗口机制可作为候选模块，视频输入编码和空间扫描顺序则需改造。低信噪比可能使局部分支强化伪迹，跨被试差异、通道布局变化和小数据也可能削弱收益。可在固定通道布局、严格跨被试划分下，以相同训练预算比较全局模块、局部模块及二者组合，同时记录任务指标和计算开销，检验分工是否带来独立增益。已有 EEG 相关工作尚未检索确认。

作者：

Runyang Feng; Hyung Jin Chang; Tze Ho Elden Tse; Boeun Kim; Yi Chang; Yixing Gao

机构：

尚未验证

发表平台：

CoRR 2025

标识：

ZAEiwcsYQU

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 · 2026-01-16 · 状态未知

基于摘要分析。本文研究图像流中的连续三维感知，提出 CUT3R（Continuous Updating Transformer for 3D Reconstruction）：通过有状态的循环模型随新观测持续更新内部状态，在线生成具有度量尺度的 pointmaps（逐像素三维点图），并在共同坐标系中累积为持续更新的稠密场景重建。 核心机制是将历史观测的信息保存在可更新的状态表示中，再利用该状态预测新输入的三维结构。除观测图像对应的 pointmaps 外，模型还可通过虚拟、未观测视角查询推断场景中未见区域。摘要称其能够接收不同长度的视频流或无序照片集合，处理静态与动态内容；但状态结构、更新规则、视角查询方式、训练监督和损失形式尚未验证，不能仅据来源分类认定其采用特定 State Space Model 架构。 作者报告，在多种 3D/4D 任务评估中取得有竞争力或达到 state-of-the-art 的表现。摘要未提供具体任务、数据集、划分、对照基线及指标数值，因此尚不能核对性能优势及适用边界；实验协议、消融及统计信息尚未验证。复现需进一步确认训练数据规模、度量尺度监督来源、状态初始化与重置策略，以及长序列状态稳定性。 平台推测（待验证）：可供 EEG 研究借鉴的是持续状态更新这一机制，而非三维几何输出或场景先验。假设历史状态能够保留对当前解码有用的信息，可将图像编码与 pointmap 输出替换为 EEG 时间窗编码与任务预测头，探索流式上下文建模。原方法依赖图像观测及共同坐标系中的几何结构，其监督需求与训练规模尚未验证；EEG 的低信噪比、跨被试分布差异、通道变化及小数据条件可能造成噪声累积或状态漂移。一个可检验的小实验是在固定被试内划分与相同输入窗口下，比较持续保留状态和每窗口重置状态的解码结果，并核对连续运行中的稳定性。已有 EEG 相关工作尚未检索确认。

作者：

Qianqian Wang; Yifei Zhang; Aleksander Holynski; Alexei A. Efros; Angjoo Kanazawa

机构：

尚未验证

发表平台：

CVPR 2025

标识：

XGahg3DVqv

学术质量 78 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-09-15 · 状态未知

基于摘要分析。该研究针对 EEG 自然图像识别中性能与生物学合理性证据不足的问题，提出自监督框架，通过对比学习对齐 EEG 响应与图像刺激的表征，并引入 LLM 生成的刺激描述，引导模型学习核心语义信息。 核心机制是以图像刺激为对应参照学习 EEG 表征，再利用语言描述提供语义引导。摘要未说明语言信息如何参与对齐、具体损失形式、训练与推理流程，因此尚不能判断其独立贡献，也不能确定零样本推理阶段所需的图像或文本输入。 作者报告，在 THINGS-EEG2 的 200 类零样本识别任务中，top-1 Accuracy 为 19.7%，top-5 Accuracy 为 51.5%，并称结果显著高于机会水平。摘要未给出被试内或跨被试协议、训练与测试类别及样本划分、被试数量和统计检验细节；这些结果应限定在所述任务背景下理解，不宜直接与其他划分协议比较。 作者还报告，从时间、空间、频谱和语义角度分析人类视觉 EEG 响应，并通过与 THINGS-Magnetoencephalography（MEG）数据集的比较，为 EEG 图像识别的可行性与合理性提供证据。具体分析方法、对照设置及效应大小尚未验证；摘要对医疗和机器人控制的讨论属于潜在应用方向，而非实际 BCI 应用验证。 材料提供 NICE-LLM 代码仓库，可作为复现入口，但代码内容、数据预处理、运行环境及完整实验协议尚未核验。复现时宜优先核对零样本任务定义、训练测试划分，以及语言引导相对于仅 EEG—图像对齐的增益；消融及统计信息仍需全文确认。

作者：

Yonghao Song; Yijun Wang; Huiguang He; Xiaorong Gao

机构：

尚未验证

发表平台：

IEEE Transactions on Neural Networks and Learning Systems

标识：

RDuMfQfz6h

学术质量 76 / 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

基于摘要分析。该研究针对被试特异性 EEG 识别中数据不足及被试差异导致的迁移困难，提出 deep multiview module adaption transfer（DMV-MAT）network，通过多视图特征提取与目标被试相关的模块适配，尝试同时学习域不变特征和域特异性特征。 核心机制包括两部分：deep multiview（DMV）网络从多个视角生成不同类型的判别特征，以丰富特征集合；module adaption transfer（MAT）依据源域与目标域样本的特征分布评估各模块，为不同目标被试生成相应的权重共享策略。相较于向不同目标域迁移相同特征表示的方式，其主要方法区别是将被试差异纳入模块级迁移决策。摘要未说明具体视图定义、模块划分、分布度量、共享策略的求解方式，以及损失函数与训练流程，这些机制细节尚未验证。 作者报告在运动想象（MI）和癫痫发作预测两类 EEG 识别任务、共四个数据集上进行了实验，并称相较于所对照的先进方法取得了有潜力的性能。摘要未提供数据集名称、被试数、评价指标或具体数值，也未交代被试内、跨被试或跨会话协议、目标域标签使用与数据划分，因此不能据此判断提升幅度或不同协议下的可比性。癫痫发作预测属于该论文的另一项 EEG 应用验证，不应直接等同于 BCI 任务效果。 摘要提供了实现代码地址，可作为复现入口；代码完整性、运行依赖及其与论文实验的一致性尚未验证。阅读全文或复现时，宜重点核对目标域数据的使用方式、模块评估与权重共享规则，以及多视图特征和模块适配各自的贡献；实验协议、消融及统计信息尚未验证。

作者：

Weigang Cui; Yansong Xiang; Yifan Wang; Tao Yu; Xiao-Feng Liao; Bin Hu; Yang Li

机构：

尚未验证

发表平台：

IEEE Trans. Neural Networks Learn. Syst. 2025

标识：

T1muSTv2yl

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 · 2025-05-13 · 状态未知

基于摘要分析（仅提供 Highlights，未取得论文全文）。该研究面向有限数据条件下的 EEG 分类，提出缓解深度神经网络过拟合的训练策略、处理 EEG 数据离群点的聚类方法，以及一种 EEG 信号数据增强方法。 从提供的材料看，研究涉及训练策略、离群点处理与数据增强三个方面。标题将整体方法称为深度聚类，但材料未说明聚类如何与分类训练结合、如何识别或处理离群点，也未给出增强操作、损失函数或训练与推理流程，因此尚不能判断各部分的具体作用及相互关系。 材料没有提供具体 EEG 任务、数据集、被试规模、有限数据的定义、被试内或跨被试等评估协议，也没有可核对的性能指标与对照结果，不能据此确认其泛化收益。实验协议、消融及统计信息尚未验证。 后续阅读应重点核对聚类与训练数据划分的关系、离群点处理是否保留任务相关信号，以及数据增强是否保持类别语义；复现还需确认数据预处理、聚类配置、增强参数、训练设置与实现可用性。这些属于待核对事项，并非对作者实验缺失的判断。

作者：

Mohsen Tabejamaat; Hoda Mohammadzade; Farhood Negin; François Brémond

机构：

尚未验证

发表平台：

Pattern Recognit. 2025

标识：

Bt4XRS01IS

学术质量 48 / 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 · 2024-11-11 · 状态未知

基于摘要分析，且所提供摘要末尾截断。本文研究文本生成中的上下文长度与计算效率问题，提出 QMamba，将 Mamba 的选择性状态空间模型与量子计算结合，探索面向硬件约束的量子生成模型。其主要研究对象是自然语言处理，并非 EEG 或 BCI。 机制与贡献：作者将 QMamba 称为首个 Mamba 架构的量子改造，提出利用叠加、纠缠等量子特性支持无界上下文并降低计算复杂度，同时改进编码、嵌入与测量技术。摘要没有说明选择性状态更新如何实现为量子运算，也未提供量子资源需求、测量开销或复杂度推导，因此上述优势应视为作者主张，尚不能据此确认端到端效率收益或实际可扩展性。 实验与证据：作者报告在模式复现与“Needle in a Haystack”等上下文挑战任务上进行了实验，并称 QMamba 在不同序列长度下保持较高效率与性能。摘要未提供具体序列长度、评价指标、对照基线，也未说明使用量子模拟器还是实际量子硬件；实验协议、消融及统计信息尚未验证，无法量化其相对经典 Mamba 的收益。 复现关注点：需核对全文中的数据编码方式、状态更新与测量过程，以及硬件约束下的资源统计和经典对照设置。平台推测（待验证）：选择性状态空间机制可能与长时序神经信号建模有关，但现有材料不足以建立量子文本模型到 EEG 的具体迁移路径，不据此认定 BCI 效果或提出复现实验；已有 EEG 相关工作尚未检索确认。

作者：

Gerhard Stenzel; Michael Kölle; Tobias Rohe; Maximilian Balthasar Mansky; Jonas Nüßlein; Thomas Gabor

机构：

尚未验证

发表平台：

ICAART (1) 2025

标识：

f4NMl03taj

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 · 2025-05-13 · 状态未知

基于摘要分析。本文研究视觉零样本学习（ZSL）：利用已见类别的语义知识识别未见类别，提出以 Vision Mamba 为骨干的参数高效框架 ZeroMamba，通过局部与全局语义表征的融合改善视觉—语义交互；其主要研究对象是视觉分类，而非 EEG 或 BCI。 框架包含三个组件：Semantic-aware Local Projection（SLP）利用语义嵌入，将视觉特征映射为与局部语义相关的表征；Global Representation Learning（GRL）促进全局语义表征学习；Semantic Fusion（SeF）融合两类表征，以增强语义特征的判别性。作者将这些组件集成到 Vision Mamba，形成端到端 ZSL 框架。其动机是利用视觉状态空间模型的长程依赖建模能力，回应作者所指出的 CNN 感受野限制与 ViT 二次复杂度问题。摘要未提供具体损失函数、语义嵌入来源、训练策略或参数效率测量。 作者报告，在四个 ZSL 基准上，ZeroMamba 在传统零样本学习（CZSL）和广义零样本学习（GZSL）设置下均优于 CNN、ViT 类对照方法。摘要未列出基准名称、类别划分、指标、数值或具体基线，因此无法核对优势幅度，也不能将两种设置的结果直接比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，语义引导的局部投影与全局融合可能帮助 EEG 未见任务类别识别，但前提是存在可用且能与神经信号对齐的类别语义监督。SLP、GRL、SeF 的功能设计可供考察，视觉骨干及局部特征定义则需改造为时间—通道表征；低信噪比、跨被试差异、通道变化和小数据可能使语义对齐失效。一个可证伪的小实验是固定 EEG 编码器与训练数据，在严格隔离未见类别的划分下，对比全局语义映射与加入局部投影、融合后的表现，并单独报告 CZSL、GZSL 结果。相关 EEG 工作尚未检索确认，原论文结果不构成 BCI 有效性的证据。

作者：

Wenjin Hou; Dingjie Fu; Kun Li; Shiming Chen; Hehe Fan; Yi Yang

机构：

尚未验证

发表平台：

AAAI 2025

标识：

FuZpbG81Qi

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 · 2026-01-16 · 状态未知

基于摘要分析。该研究针对图像与文本参与的多模态句子表征学习，提出 DALR（Dual-level Alignment Learning），旨在缓解粗粒度对齐中的跨模态错位偏差与模态内语义分歧。其贡献是将细粒度跨模态一致性学习与全局模态内排序关系学习结合，而非仅依赖二元正负样本关系。 跨模态层面，DALR 使用一致性学习模块软化负样本，并引入辅助任务提供的语义相似度指导对齐。模态内层面，作者认为句子间关系具有超出二元正负标签的排序结构，因此将排序蒸馏与全局模态内对齐学习结合。摘要未说明辅助任务、负样本软化方式、排序信号来源及具体损失形式，这些实现细节尚未验证。 作者报告，在语义文本相似度（STS）和迁移（TR）任务上的实验中，DALR 持续优于其所比较的先进基线。摘要未提供数据集、划分协议、指标、具体数值或基线名称，因而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。 平台推测（待验证）：若 EEG 与文本或刺激信息之间存在可用的配对关系及可信语义排序监督，负样本软化和排序蒸馏可能帮助减少语义相近样本被强行推离的问题。可考虑复用对齐目标，但需改造 EEG 编码器，并重新定义辅助相似度与排序监督；原研究依赖的监督来源和数据规模尚不明确。低信噪比、跨被试差异、通道不一致及小数据可能使语义排序失真，不能由文本任务结果推断 BCI 效果。一个可检验的小实验是在固定 EEG—刺激配对数据及跨被试划分下，对比二元对比学习与加入负样本软化、排序蒸馏后的表征检索表现，并检查语义近邻是否改善。相关 EEG 工作尚未检索确认。

作者：

Kang He; Yuzhe Ding; Haining Wang; Fei Li; Chong Teng; Donghong Ji

机构：

尚未验证

发表平台：

ACL (Findings) 2025

标识：

EPOoqUwgyf

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 · 2026-01-09 · 状态未知

基于摘要分析。该研究面向高光谱图像（HSI）与 LiDAR/SAR 数据的联合遥感图像分类，提出 Multi-Scale Feature Fusion Mamba（MSFMamba），旨在利用状态空间模型（SSM）的长程依赖建模能力，在空间、光谱与跨模态融合之间兼顾分类性能和计算效率。其主要研究对象是多源遥感影像，而非 EEG 或 BCI。 机制上，MSFMamba 包含三个模块：Multi-Scale Spatial Mamba（MSpa-Mamba）通过多尺度策略降低多扫描路径的计算成本并缓解特征冗余；Spectral Mamba（Spe-Mamba）负责 HSI 的光谱特征提取；fusion Mamba（Fus-Mamba）将原始 Mamba 扩展为双输入形式，以加强 HSI 与 LiDAR/SAR 的跨模态交互。摘要以 CNN 的局部感受野和 Transformer 的较高计算复杂度说明设计动机，但具体扫描顺序、双输入交互算子、损失函数及训练配置尚未验证。 作者报告，在 Berlin、Augsburg、Houston2018、Houston2013 四个真实多源遥感数据集上，Overall Accuracy 分别为 76.92%、91.38%、92.38%、92.86%，并报告优于若干先进方法。上述结果对应各数据集的分类评估，但摘要未交代训练测试划分、样本规模、具体对照和统计不确定性，不能据此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。作者表示将公开源代码，当前可用性及复现条件尚未核实。 平台推测（待验证）：假设多尺度状态空间建模和双输入融合能够迁移至 EEG 的长时序与异构神经信号融合问题，可尝试复用其多尺度建模思路与融合模块，但需将遥感空间扫描及光谱表示改造为时间、通道或时频表示，并明确不同模态的时间对齐方式。遥感中的空间与光谱结构并不等同于 EEG 通道结构；低信噪比、跨被试差异、通道配置变化及小数据训练均可能使收益消失。一个可证伪的小实验是在固定跨被试划分的同步 EEG–fNIRS 数据上，对比双输入 Mamba 融合与简单特征拼接，在相同预处理和训练预算下核对分类表现、计算成本及单模态消融。该实验仅是迁移假设，已有 EEG 相关工作尚未检索确认。

作者：

Feng Gao; Xuepeng Jin; Xiaowei Zhou; Junyu Dong; Qian Du

机构：

尚未验证

发表平台：

IEEE Trans. Geosci. Remote. Sens. 2025

标识：

RSXHOl4Hn7

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 · 2025-11-13 · 状态未知

基于摘要分析。该研究关注复杂听觉环境中移动声源的连续轨迹追踪，而不只是选择性听觉注意解码。作者提出 Adaptive Temporal Graph Network（ATGnet），利用 EEG 的时空表征追踪声源运动，面向包含多个移动说话者的动态鸡尾酒会场景。 核心机制包括自适应图拓扑和 graph-convolutional long short-term memory（GC-LSTM）：前者用于提取空间特征，后者用于捕捉时空依赖。其方法重点是将空间关系建模与时间动态建模结合，用于连续轨迹估计。图节点与边的定义、拓扑更新方式、输入时间窗、轨迹输出形式、损失函数及训练细节在摘要中未明确，尚待全文核对。 作者在 10 名参与者的 EEG 上进行了 Within-subject（被试内）留一试次交叉验证。作者报告，ATGnet 能稳健追踪被注意和未被注意的声源，并显著优于传统方法；但摘要未给出具体对照方法、指标数值或统计检验细节。作者还称模型能够克服试次间及被试间的信号变化，但所列评估协议是被试内验证，因此不能据此将结果解释为已验证的 Cross-subject（跨被试）泛化。 复现时需核对声源轨迹及注意状态的标注方式、EEG 预处理与通道设置、试次划分、轨迹误差指标，以及自适应图拓扑和 GC-LSTM 各自的贡献；这些实验协议、消融及统计信息尚未验证。摘要将神经控制助听设备列为潜在应用，尚不能据此确认在线追踪性能、系统延迟或真实设备中的有效性。

作者：

Saurav Pahuja; Gabriel Ivucic; Siqi Cai; Dashanka De Silva; Tanja Schultz; Haizhou Li

机构：

尚未验证

发表平台：

ICASSP 2025

标识：

Az0LRPpbcK

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 · 2025-11-13 · 状态未知

基于摘要分析，现有材料仅包含论文亮点摘录，未取得全文。该研究面向广义图像外推，提出 Mamba-GIE，将视觉状态空间模型与双层自适应特征融合结合，用于生成更精细的外推图像；其主要研究对象是图像，而非 EEG 或 BCI。 机制方面，标题与亮点表明方法包含两种自适应、动态的特征融合机制，但未说明各层级对应的特征、融合规则、状态空间建模方式、损失函数或训练与推理流程。作者声称这是首个基于视觉状态空间模型的广义图像外推方法，该优先性尚未独立核实。 结果方面，作者报告广泛实验验证了 Mamba-GIE 的性能与效率优势，但材料未提供数据集、数据划分、对照方法、评估指标、具体数值或计算开销，因此尚不能判断优势适用的实验条件与幅度。实验协议、消融及统计信息尚未验证，代码、权重与复现条件亦尚未验证。 现有材料没有给出图像外推机制与 EEG 信号建模之间的具体对应关系，暂不提出跨领域复现实验，也不将其视觉任务结果视为 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。

作者：

Ruoyi Zhang; Guotao Li; Shuyi Qu; Jun Wang; Jinye Peng

机构：

尚未验证

发表平台：

Expert Syst. Appl. 2025

标识：

CVlPklh31I

学术质量 55 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-11-21 · 状态未知

基于摘要分析。本文研究实时图像目标检测中全局依赖建模与计算开销的矛盾，提出 Mamba YOLO，以状态空间模型（SSM）构建 ODMamba 骨干，并通过宏观结构设计和 RG Block 补偿局部图像依赖建模能力。其主要研究对象是视觉目标检测，而非 EEG 解码或 BCI。 核心机制方面，作者以线性复杂度的 SSM 替代自注意力的二次复杂度建模，并称 ODMamba 可无需预训练直接训练。面向实时需求，作者设计了骨干的阶段比例与缩放规模；RG Block 则采用多分支结构建模通道维度，以缓解 SSM 可能存在的感受野不足与图像定位能力较弱的问题。具体状态更新、分支运算、损失函数和训练配置尚未验证。 结果方面，作者报告在公开 COCO benchmark 上，相较既有方法达到最先进性能；其中 tiny 版本的 mAP 提升为原文所述“7.5%”，在单张 4090 GPU 上推理时间为 1.5 ms。摘要未明确该增益的对照模型、相对百分比或百分点口径，也未说明 mAP 定义、数据划分、输入分辨率、批大小及计时范围，因此不能据此直接比较其他检测器的精度或速度。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，SSM 的序列建模与局部依赖补偿可能用于 EEG 长时序解码，但原方法依赖图像空间结构、目标检测监督及 COCO 训练规模，原领域有效不等于 BCI 有效。可探索复用序列建模模块，需重做 EEG 时序输入、空间通道组织和任务输出；视觉特征通道与电极通道不能直接等同。低信噪比、跨被试变化、通道缺失及小数据训练都可能削弱收益。一个可证伪的小实验是在固定跨被试划分的 EEG 任务上，以相同训练预算比较基础 SSM 与加入局部依赖模块的版本，核对解码指标及同一硬件、同一批大小下的延迟。已有 EEG 相关工作尚未检索确认。

作者：

Zeyu Wang; Chen Li; Huiying Xu; Xinzhong Zhu; Hongbo Li

机构：

尚未验证

发表平台：

AAAI 2025

标识：

CxOm9IlJvu

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 · 2026-01-14 · 状态未知

基于摘要分析。该论文研究利用 EEG 与机器学习模型进行 VR 晕动症（cybersickness）分类，聚焦开放数据可得性、数据分布不平衡、泛化测试有限及个性化 EEG 数据探索不足四项挑战。所提供摘要片段主要说明研究动机，尚不足以确认具体方法贡献或分类效果。 技术层面，标题表明研究涉及人类前庭网络相关的开放 EEG 数据集，但材料未给出数据集名称、前庭网络的操作性定义、EEG 特征、预处理流程、模型类型或训练方式。摘要将数据不平衡列为关键问题，但其具体分布及处理策略尚未验证；同样，个性化建模如何实现，以及泛化测试采用跨被试、跨会话还是跨数据集协议，均无法从现有材料确认。 评估层面，材料未提供被试数量、标签来源、数据划分、对照基线或指标，因此不能判断作者是否解决了所列挑战，也不能比较个性化模型与通用模型的表现。阅读全文时应重点核对类别不平衡与评估指标的对应关系、训练与测试的被试及会话边界，以及个性化模型所需的校准数据。实验协议、消融及统计信息尚未验证。该工作直接涉及 EEG 状态分类，但现有材料不足以支持其在线 BCI 应用有效性的结论。

作者：

Gang Li; Hae-Rin Byeon; Sung-Bae Cho; Frank E. Pollick

机构：

尚未验证

发表平台：

AIxVR 2025

标识：

ktvbPONAs8

学术质量 46 / 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 · 2025-11-05 · 状态未知

基于摘要分析。该研究针对 EEG 情绪识别中融合特征冗余可能引发维度灾难与过拟合的问题，提出 manifold of multiscale information fusion（MMIF），通过学习局部与全局脑激活模式的多尺度融合流形，获得情绪 EEG 的有效表示。 机制上，MMIF 将多尺度 EEG 特征融合与表示学习结合，目标是在融合局部和全局信息的同时减少冗余、保留情绪判别信息。摘要使用“多模态特征”表述，但未明确其具体构成，不能据此认定研究融合了 EEG 以外的传感模态。流形学习的目标函数、优化方式、特征提取方法及表示维度尚未验证，也不能将其直接等同于黎曼几何方法。 作者报告，离线与在线 EEG 情绪识别实验均支持 MMIF 的有效性及其用于实时情绪解码系统的可行性；分析实验还支持其判别能力与认知可解释性。摘要未提供数据集、被试数、情绪任务、被试内或跨被试划分、对照方法及定量指标，因此无法判断提升幅度、跨被试泛化能力，或在线系统的延迟与稳定性。“实时可行”不应被扩展为已验证的实际部署效果。 全文核对的重点是：多尺度与局部／全局脑激活模式如何定义，流形表示是否确实减少冗余，以及认知可解释性结论由何种分析支撑。复现还需确认特征处理流程、训练与测试划分、在线评估协议及实现资源；实验协议、消融及统计信息尚未验证。该工作直接面向 EEG 情绪识别与在线情感脑机交互，但现有材料不足以推断其对其他 BCI 任务的有效性。

作者：

Cunbo Li; Shuhan Zhang; Yufeng Mu; Lei Yang; Yueheng Peng; Fali Li; Yangsong Zhang; Zhen Liang; Zehong Cao; Feng Wan; Dezhong Yao; Peiyang Li; Peng Xu

机构：

尚未验证

发表平台：

IEEE Trans. Affect. Comput. 2025

标识：

H3Q8gHDRbI

学术质量 64 / 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 · 2026-08-21 · 状态未知

基于摘要分析；当前材料仅提供 Highlights，未取得论文全文。研究围绕内部与外部注意状态的平衡，设计并评估一个利用 EEG 频率进行自适应调整的 VR 系统，旨在兼顾任务表现与参与度。 方法方面，标题表明系统利用 EEG 频率信息，Highlights 则提到使用 LDA 模型分类注意状态，并通过细微、自然的环境因素调整实现自适应。具体频段、特征提取方式、注意状态定义，以及分类输出如何触发环境调整，均尚未验证。 结果方面，作者报告 LDA 注意状态分类的 Accuracy 为 79.4%，但材料未说明被试数量、类别构成、数据划分，以及采用 Within-subject、Cross-subject 还是 Cross-session 评估，因此该数值不能直接用于比较跨被试泛化或在线系统性能。作者还报告环境自适应改善了任务表现，但未提供任务类型、对照条件、收益幅度或统计信息；参与度是否得到改善也无法据现有材料确认。 阅读全文时应重点核对分类评估与在线自适应评估是否分别开展、注意状态标签如何获得，以及环境调整是否影响 EEG 测量或任务难度。实验协议、消融及统计信息尚未验证，现有证据不足以判断该系统在不同被试、会话和 VR 任务中的稳健性。

作者：

Francesco Chiossi; Changkun Ou; Carolina Gerhardt; Felix Putze; Sven Mayer

机构：

尚未验证

发表平台：

Int. J. Hum. Comput. Stud. 2025

标识：

7fvaQJv9xd

学术质量 54 / 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 · 2025-07-15 · 状态未知

基于摘要分析。本文研究部分 MRI 模态不可用时的脑肿瘤分割，提出 Learnable Sorting State Space Model（LS3M），通过可学习的序列重排与状态空间建模，充分利用可用模态。主要研究对象是三维脑 MRI 分割，而非 EEG 解码或 BCI。 核心机制：LS3M 基于 Mamba 设计建模长程依赖，并引入可微分置换矩阵，依据模态特定特征重排输入序列。作者认为，这种动态排序有助于保留三维 MRI 的空间归纳偏置及长程语义关联。重排后的序列交由 Series State Space Model（S3M）模块处理，以捕获局部和长程依赖，并表征模态内及模态间关系。摘要未说明置换矩阵的生成方式、优化约束、损失函数或缺失模态的具体处理流程，这些内容尚未验证。 结果与证据边界：作者报告，在 BraTS2018 和 BraTS2020 的模态缺失脑肿瘤分割实验中，LS3M 优于现有方法；摘要未提供具体指标、数值、缺失模态组合、数据划分或对照方法，因此不能量化优势，也不能判断不同缺失条件下的稳定性。实验协议、消融及统计信息尚未验证。复现时需核对排序模块的独立增益、空间结构保留方式，以及训练和测试阶段的模态缺失设置；代码与训练配置是否公开尚未验证。 平台推测（待验证）：可学习排序与状态空间建模可能启发 EEG 多通道序列的关系建模，但这是迁移假设，依赖通道拓扑和时间结构可被合理编码，三维 MRI 上的作者报告不构成 BCI 有效性证据。状态空间模块可能复用，排序依据及位置约束则需改造，避免破坏 EEG 时间顺序与通道关系；低信噪比、跨被试差异、通道缺失和小数据均可能使排序不稳定。一个可检验的小实验是在同一 EEG 数据划分与训练预算下，对比固定排序和可学习排序，并施加通道缺失，观察性能及排序稳定性。相关 EEG 工作尚未检索确认。

作者：

Zheyu Zhang; Yayuan Lu; Feipeng Ma; Yueyi Zhang; Huanjing Yue; Xiaoyan Sun

机构：

尚未验证

发表平台：

CVPR 2025

标识：

K9k7XmFA9A

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：当前仅提供 Highlights，未取得论文全文。该研究关注基于 EEG 的 BCI 在对抗扰动下的安全性，提出注意力引导的通用对抗扰动方法，核心设计是通过时空机制选择 EEG 通道和时间步。 机制方面，材料明确说明了通道与时间步选择，但未披露注意力如何计算、选择结果如何参与扰动生成，以及扰动的优化目标、幅度约束和训练流程。通用扰动适用的样本范围、攻击者可获得的信息，以及白盒或黑盒攻击条件尚未验证，不能据此推断其跨被试或跨模型迁移能力。 作者报告，实验中的攻击表现优于现有方法，并称所提方法与已有脑科学发现一致；但材料未提供具体任务、数据集、被试数、数据划分、对照方法、评价指标或数值，也未说明脑科学一致性的检验依据。因此，目前只能确认作者提出了这些结论，无法核对优势幅度或适用范围。 复现与技术核查应关注时空选择机制的具体实现、通用扰动的构建与测试样本划分、扰动约束及基线比较条件，并核对攻击效果是否在不同被试、会话或模型条件下保持。实验协议、消融及统计信息尚未验证；代码和其他复现资源的可用性也尚未验证。

作者：

Sheng-hua Zhong; Sijia Zhao; Zhijiao Xiao; Zhi Zhang; Yan Liu

机构：

尚未验证

发表平台：

Expert Syst. Appl. 2025

标识：

NreTrwEHcj

学术质量 58 / 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 · 2025-08-03 · 状态未知

基于摘要分析。研究针对基于模型的强化学习（MBRL）中世界模型训练带来的计算瓶颈，提出利用状态空间模型（SSMs）并行化动力学模型训练，并在训练期间向世界模型提供特权信息，以支持部分可观测环境。 核心机制与贡献：MBRL 通过学习环境动力学与奖励的世界模型提高交互样本效率，但世界模型与策略同时训练会增加计算开销。本文将加速重点放在动力学模型训练，并设计训练期特权信息架构。摘要未说明所用 SSM 的具体形式、特权信息内容、损失函数，以及推理时如何处理不可观测信息，这些细节尚未验证。 结果与证据边界：作者报告，在若干涉及复杂动力学的真实世界敏捷四旋翼飞行任务中，覆盖完全可观测与部分可观测环境，世界模型训练时间最多缩短至原来的约十分之一，整体 MBRL 训练时间最多缩短至原来的约四分之一；相较所比较的先进 MBRL 方法，样本效率与任务奖励相近。具体任务、基线、硬件、计时范围、数据划分、消融及统计信息尚未验证，不能据此推广为任意任务下的固定加速比。 平台推测（待验证）：迁移假设是，训练并行化与部分可观测建模可能适用于闭环 EEG/BCI 控制中的时序状态估计，但机器人控制中的有效性不等于 EEG 解码有效性。该路径需要带动作及奖励的连续交互数据，而非仅有离线分类标签；SSM 时序建模模块可作为候选组件，观测编码、奖励定义及特权信息来源则需改造。EEG 的低信噪比、跨被试差异、通道变化与小数据条件可能导致状态估计不稳或世界模型误差累积。一个可证伪的小实验是在固定被试内划分、相同交互预算与硬件下，对比 SSM 与原动力学模型的训练耗时、预测误差和闭环任务奖励，再检查收益能否延伸至跨会话评估。已有 EEG 相关工作尚未检索确认。

作者：

Maria Krinner; Elie Aljalbout; Angel Romero; Davide Scaramuzza

机构：

尚未验证

发表平台：

CoRR 2025

标识：

lGoYIzn0BP

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 · 2025-11-06 · 状态未知

基于摘要分析，当前材料仅包含 Highlights，未取得论文全文。该研究面向 EEG 情绪识别，尝试缓解不同皮层区域间的时间尺度异质性，并以神经科学先验指导模型设计，结合局部多尺度与全局时序特征建模。 机制方面，材料说明作者修改了 DWSC，以提取 EEG 的多尺度局部时序特征；采用 Coordinate attention，旨在降低不同皮层区域的时序异质性；引入 Retention Transformer，以捕获全局时序特征。材料未展开 DWSC 的具体定义、修改方式、注意力作用维度，以及局部与全局特征的融合流程，因此尚不能判断模型如何具体对齐不同区域的时间尺度，或先验知识如何落实到模型结构与训练中。 结果方面，作者报告该模型在二分类和四分类情绪识别任务中优于 SOTA 模型，但当前材料未给出数据集、被试数量、被试内或跨被试等评估协议、对照模型、指标及具体数值，无法据此核对优势幅度或跨被试泛化能力。 阅读与复现时，应重点核对皮层区域与 EEG 通道的对应方式、多尺度时间窗口设置、Coordinate attention 对异质性的实际作用，以及 Retention Transformer 相对其他时序建模方法的贡献。数据划分、预处理、训练细节、消融及统计信息尚未验证，代码与复现条件亦尚未验证；情绪分类任务上的作者报告不能直接视为在线 BCI 有效性的证据。

作者：

Zhangyong Xu; Ning Chen; Guangqiang Li; Jing Li; Hongqing Zhu; Zhiying Zhu

机构：

尚未验证

发表平台：

Knowl. Based Syst. 2025

标识：

woWYfwercL

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 · 2025-04-11 · 状态未知

基于摘要分析。该研究针对 EEG 分类模型的可解释性问题，提出知识驱动的机器学习方法 KnowEEG，将可理解的单电极统计特征与电极间连接统计量结合，用于兼顾分类性能和特征层面的解释。其主要研究对象是多类 EEG 分类任务，而非单一 BCI 控制范式。 核心机制：KnowEEG 首先提取一组单电极特征，通过统计检验筛选特征，再整合电极间连接统计量。这些特征输入改造后的 Random Forest 模型 Fusion Forest，在树的生长过程中平衡单电极统计信息与电极间连接信息。方法融合通用时间序列知识与 EEG 领域知识；具体特征定义、统计检验及多重比较处理、连接度量和平衡机制尚未验证，不能据摘要推定其实现形式。 结果与解释：作者报告，在情绪检测、心理工作负荷分类、睁眼/闭眼检测、异常 EEG 分类和事件检测五类任务上，KnowEEG 的性能与最先进深度学习模型相当或更优。摘要未提供数据集、被试数量、被试内或跨被试划分、指标数值及对照模型细节，因此这一结论目前不能用于定量比较。作者通过睁眼/闭眼分类示例展示特征重要性如何用于发现类别相关知识，并称其发现得到现有神经科学文献支持；这属于作者报告，尚不能据此将特征重要性等同于因果解释或临床有效性。 复现重点：需核对特征筛选是否严格限定在训练数据中、两类特征如何参与树构建，以及特征重要性在相关特征、不同被试和通道配置下的稳定性。上述均是待核对事项，不代表已发现方法缺陷。完整实验协议、消融及统计信息尚未验证；摘要也未提供可确认的实现获取方式。其对医疗场景的价值仍需独立验证，不能由分类表现直接推导临床适用性。

作者：

Amarpal Sahota; Navid Mohammadi Foumani; Raúl Santos-Rodríguez; Zahraa S. Abdallah

机构：

尚未验证

发表平台：

CoRR 2025

标识：

o0AVyWfiYr

学术质量 70 / 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 · 2025-10-07 · 状态未知