BCI 科研雷达

基于摘要分析，当前材料仅包含 Highlights，未取得论文全文。研究针对跨被试 EEG 情绪识别中的数据差异与标注受限问题，提出 CL-CS 框架，通过整合通道、时间和频率维度的 EEG 特征，并采用基于信号相关性的对比学习，旨在改善跨被试情绪分类与泛化。 机制方面，作者提出的对比损失同时考虑 EEG 信号的幅值与相位信息，而非仅依据单一维度表征构建相似性。材料还描述了一个经对比学习训练的“3-domain encoder”，但其与通道、时间、频率维度的具体对应关系、编码结构及融合方式尚未验证。对比学习与联合学习相结合是另一组成部分；联合学习的任务定义、监督来源、正负样本构建及损失组合方式均未在所给材料中展开。 作者报告，该框架能够减少不同域之间的数据差异，改善跨被试情绪识别的分类性能与泛化，并提高有限 EEG 数据的利用效率，不依赖大规模标注数据。不过，材料未提供数据集、被试数、情绪标签、跨被试划分、对照基线或定量指标，因此这些结论目前只能作为作者的定性报告，不能据此判断提升幅度或与其他方法的优劣。 复现核对的重点是信号相关性的计算方式、幅值与相位如何进入对比目标、跨被试训练与测试的隔离方式，以及“有限数据”和“大规模标注”的具体定义。实验协议、消融及统计信息尚未验证；尤其需要通过全文确认各模块对跨被试泛化的独立贡献及标注预算下的对照结果。

作者：

Mengting Hu; Dan Xu; Kangjian He; Kunyuan Zhao; Hao Zhang

机构：

尚未验证

发表平台：

Biomed. Signal Process. Control. 2025

标识：

196i5NgFJb

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 · 2025-05-16 · 状态未知

基于摘要分析；当前材料仅包含研究亮点，未取得论文全文。研究面向多类别目标快速序列视觉呈现（RSVP）BCI，探索融合 EEG 与眼动（EM）信息进行解码，并通过动态特征融合重加权和层级分类器间知识迁移改善分类。 任务与数据方面，作者设计了三种多类别 RSVP 任务，并构建包含 EEG 与 EM 数据的数据集。材料尚未说明任务类别设置、被试人数、刺激呈现方式、信号采集配置、两种模态的时间对齐方式及数据集开放情况。 方法方面，作者融合 EEG 与 EM 特征，并推导模态贡献比例，用于指导动态特征融合重加权；此外，在层级分类器之间进行知识迁移，以减少非目标相关分类错误。模态贡献比例的计算方法、权重更新依据、层级划分、知识迁移机制，以及训练和推理流程尚未验证，不能据此确定具体网络结构或损失形式。 作者报告，EEG 与 EM 特征融合能够提升多类别 RSVP 解码表现，层级分类器间的知识迁移能够减少非目标相关错误，但材料未提供量化指标、对照基线或数据划分，因而无法判断收益幅度及其在被试内、跨被试或跨会话条件下的适用性。实验协议、消融及统计信息尚未验证。 全文核对的重点是单模态与融合方法的对照、动态重加权及知识迁移各自的贡献，以及非目标错误的定义和评估方式。复现还需确认预处理、特征提取、EEG 与眼动同步、训练划分及代码和数据可用性。

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：

Inf. Fusion 2025

标识：

dMWJ5A3Nrc

学术质量 65 / 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 · 2025-11-04 · 状态未知

基于摘要分析。XYScanNet 针对单幅图像去模糊中 Mamba 类状态空间模型的扫描方式问题，提出 slice-and-scan 策略，并结合新的 Vision State Space Module（VSSM）与轻量特征融合模块，旨在改善局部依赖建模和图像感知质量。 核心机制：作者认为，既有 flatten-and-scan 将图像块展平为一维序列，会把空间上相距较远的像素置于序列相邻位置，导致空间错位并削弱局部噪声感知。slice-and-scan 改为交替沿切片内部与切片之间扫描，以处理这一问题。摘要还说明新 VSSM 旨在应对现有 Mamba 视觉模块的效率问题，但切片定义、扫描顺序、状态更新、融合结构、损失函数及训练设置尚未验证。 结果与证据范围：作者报告，XYScanNet 保持了有竞争力的失真指标，并显著改善感知表现；相对最接近的竞争方法，KID 改善 17%。摘要未给出该比较使用的数据集、划分、基线名称、KID 绝对值及计算协议，因此不能将这一相对改善解释为百分点变化，也不能据此判断跨数据集表现。实验协议、消融及统计信息尚未验证，效率优势也需结合正文中的运行时间、计算量与硬件条件核对。 平台推测（待验证）：迁移假设是，若 EEG 被表示为通道×时间或时频二维结构，保留局部邻接关系的扫描可能缓解展平造成的序列邻接错配。可借鉴的是扫描组织方式，需改造的是切片定义、通道拓扑和面向 EEG 任务的输入输出与训练目标；其依赖合理的邻接结构及足够的训练信号，而图像去模糊结果不构成 EEG 有效性的证据。低信噪比、跨被试差异、通道布局变化和小数据可能使这种局部先验失效。一个可证伪的小实验是，在同一 EEG 任务、固定模型规模和训练预算下，对比展平扫描与切片扫描，并采用一致的跨被试划分，检验任务指标与计算成本是否改善。已有 EEG 相关工作尚未检索确认。

作者：

Hanzhou Liu; Chengkai Liu; Jiacong Xu; Peng Jiang; Mi Lu

机构：

尚未验证

发表平台：

CVPR Workshops 2025

标识：

rvVlyVItSu

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 · 2026-02-02 · 状态未知

基于摘要分析。该研究针对自动驾驶轨迹预测中端到端深度学习模型可能忽略车辆动力学限制、产生不现实轨迹的问题，提出结合深度学习与运动学运动模型的混合方法。核心贡献是将专家知识纳入学习目标，约束可用动作空间，使预测的对象属性及其生成的轨迹更符合物理可行性要求。 机制上，深度学习部分预测加速度、偏航率等对象属性，再通过运动学模型生成轨迹。与直接输出轨迹的思路相比，该方法引入了可解释的中间运动属性及物理模型；但摘要未说明具体网络结构、运动学方程、约束表达、损失形式，以及约束属于硬约束还是软惩罚，因此不能判断其是否严格保证物理可行性。 作者报告，在公开真实世界 Argoverse 数据集上的实验呈现了现实的驾驶行为，并通过基准比较与消融研究取得有希望的结果。摘要未提供数据划分、预测时域、对照方法、误差指标或定量数值，无法据此评估性能提升幅度。作者同时将安全性、鲁棒性、可解释性和可信赖性的改善作为方法价值，但这些性质的具体评价方式及证据强度尚未验证。 复现时需核对专家约束的来源与实现、属性预测到轨迹生成的接口，以及物理可行性与预测准确性是否分别评估；实验协议、消融及统计信息尚未验证。原论文的主要研究对象是车辆轨迹预测，并非神经信号解码。材料未建立车辆运动约束与 EEG/BCI 任务之间的具体机制对应，因此不据此提出 BCI 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。

作者：

Alexander Fertig; Lakshman Balasubramanian; Michael Botsch

机构：

尚未验证

发表平台：

CoRR 2025

标识：

miDuBMFN9y

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 · 2025-05-15 · 状态未知

基于摘要分析。本文研究视觉对象识别中的类别增量学习（CIL）：模型需要适应不断新增的类别，同时减少旧任务性能退化。作者提出 C-HPN，将视觉特征投影到超球面空间，通过原型学习、原型适应与关系保持蒸馏处理新类别学习和灾难性遗忘；研究对象是图像识别，并非 EEG 或 BCI。 核心机制包含两部分。首先，作者以实例—原型紧致损失和原型—原型可分性损失替代常用交叉熵损失，分别促进超球面嵌入的类内聚集，以及通过原型间较大角距离的归纳偏置增强类别分离。其次，模型设计原型构建与适应策略以接纳新类别，并通过实例—原型关系保持蒸馏约束增量学习过程中的知识变化。摘要未提供损失公式、原型更新规则、蒸馏目标或旧类样本保留方式，这些实现条件尚未验证。 作者报告在多个图像数据集上的实验支持方法有效性，但摘要未列出数据集名称、增量划分、对照方法、评价指标及具体数值，因而尚不能判断改善幅度或区分不同增量协议下的表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法依赖带类别监督的特征表示及逐步新增类别的任务结构，可能对应 EEG 解码中新增运动想象类别时的旧类遗忘问题，而不直接等同于跨被试或跨会话适应。可尝试复用超球面原型约束与关系蒸馏，但需改造 EEG 特征编码及增量数据组织。假设类内表示足够稳定，角距离约束可能帮助维持类别边界；低信噪比、被试差异、通道变化和小样本原型估计误差也可能使该假设失效。一个可检验的小实验是在固定被试、固定通道与固定数据划分下依次引入运动想象类别，比较相同编码器和旧类数据预算下的常规微调与 C-HPN 式约束，分别记录旧类和新增类 Accuracy。已有 EEG 相关工作尚未检索确认，该迁移建议不代表已验证的 BCI 效果。

作者：

Yixin Ren; Yewei Xia; Li Ke; Longtao Huang; Hui Xue; Shuigeng Zhou

机构：

尚未验证

发表平台：

ICASSP 2025

标识：

8Etvor1ElU

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 · 2026-01-21 · 状态未知

基于摘要分析。本文研究高光谱图像（HSI）的无监督异常检测，即从背景中识别未知目标；针对高维数据与密集采样训练带来的计算开销，提出非对称共识状态空间模型 ACMamba，以区域级实例替代密集像素级训练样本，并结合 Mamba 全局上下文建模与共识学习改善背景重建和异常抑制。 核心机制是利用同质区域内样本的冗余减少训练成本。作者设计非对称异常检测范式，通过低成本的 Mamba 模块提取区域全局上下文属性，服务于 HSI 重建；共识学习则从优化角度同时促进背景重建与异常压缩，减轻异常被重建带来的负面影响。摘要未给出区域构建方式、训练与推理之间的具体非对称关系、损失函数或异常评分定义，这些细节尚未验证。 作者报告，理论分析及八个基准上的实验支持 ACMamba 相较现有先进方法具有更快速度和更强检测表现。摘要未提供基准名称、数据划分、对照方法、检测指标、耗时数值及硬件条件，因此无法量化优势或核对效率与精度的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其迁移假设是，若 EEG 无监督异常检测中的背景时间片段存在可识别的冗余，代表性片段采样与背景重建约束可能降低训练成本。可复用的是冗余采样和共识优化思路；HSI 的空间同质区域必须改造成适合 EEG 时间与通道结构的片段定义，异常评分也需重新验证。低信噪比、跨被试差异、通道变化及小数据可能破坏背景一致性，稀疏采样还可能遗漏短暂异常。一个可检验的小实验是在固定 EEG 数据划分、重建模型与计算环境下，对比密集窗口和代表性窗口训练，再加入共识约束，分别检验检测指标与训练耗时。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。

作者：

Guanchun Wang; Xiangrong Zhang; Yifei Zhang; Zelin Peng; Tianyang Zhang; Xu Tang; Licheng Jiao

机构：

尚未验证

发表平台：

CoRR 2025

标识：

3OsjM5X1nQ

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 · 2025-09-30 · 状态未知

基于摘要分析。本研究面向医疗物联网（IoMT）中的 EEG 情绪识别，针对特征提取、分类与数据隐私问题，提出结合模糊集成和异步联邦学习的框架。核心贡献是融合多种时序模型的预测，并在联邦聚合中引入异步 dropout 算法，以处理梯度陈旧性问题。 方法方面，框架集成 temporal convolutional network（TCN）、long short-term memory（LSTM）和 gated recurrent unit（GRU）三类深度学习模型，通过基于 Gompertz 函数的 fuzzy rank 方法组合预测。摘要未说明各模型的输入特征、训练方式、模糊排序计算细节，以及预测集成与全局模型聚合之间的具体关系，这些机制尚待全文核对。 联邦学习方面，作者提出用异步 dropout 算法聚合全局模型，并称其可保障数据隐私、缓解梯度陈旧性。摘要未交代 dropout 的作用对象、客户端参与机制、陈旧梯度处理规则或隐私威胁模型，因此不能仅据联邦训练形式判断其隐私保障强度，也不能将这里的 dropout 直接等同于常规网络正则化。 评估方面，作者报告在 GAMEEMO、SEED 和 DEAP 三个公开数据集上，相比已有方法取得更好的 Accuracy 和 F1；摘要未提供具体数值、对照方法、情绪标签设置或数据划分。被试内、跨被试、跨会话等评估协议，以及客户端如何映射被试或数据来源，均尚未验证，不能据此认定已实现跨数据集泛化。 复现时需优先核对 EEG 预处理与窗口划分、联邦客户端构建、异步更新和 dropout 规则，以及单模型、模糊集成和异步聚合的对照结果。实验协议、消融及统计信息尚未验证；当前材料支持其作为 EEG 情绪识别方法阅读，但不足以确认性能增益的来源、通信成本或实际部署中的隐私收益。

作者：

Weiwei Jiang; Yang Zhang; Haoyu Han; Xiaozhu Liu; Jeonghwan Gwak; Weixi Gu; Achyut Shankar; Carsten Maple

机构：

尚未验证

发表平台：

J. Ind. Inf. Integr. 2025

标识：

ELS0AHA6hB

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 · 2025-11-12 · 状态未知

基于摘要分析。研究针对多临床站点 EEG 癫痫发作预测中的隐私约束与非独立同分布（non-IID）数据问题，采用单通道 EEG 联邦学习，并提出 Random Subset Aggregation，以缓解标准加权 FedAvg 被较大数据集主导的问题。研究对象是癫痫发作预测，而非 BCI 控制任务。 方法包括隐私保护的全局归一化，以及每轮让各客户端从自身数据中抽取固定规模随机子集进行训练，使其在聚合中贡献更均衡。摘要未说明归一化统计量的计算与保护机制、聚合权重、模型结构、损失函数及子集规模，具体实现尚未验证。 实验使用 Siena、CHB-MIT、Helsinki 和 NCH 四个公开 EEG 数据集，覆盖成人、儿童与新生儿人群及不同记录条件。作者报告，本地训练模型难以跨站点泛化；在该四数据集单通道联邦评估中，标准加权 FedAvg 在 CHB-MIT 上的 Accuracy 为 89.0%，在 Helsinki 和 NCH 上分别为 50.8% 与 50.6%。采用 Random Subset Aggregation 后，作者报告 Helsinki 和 NCH 的 Accuracy 分别提高至 81.7% 和 68.7%，四站点宏平均 Accuracy 为 77.1%，合并样本 Accuracy 为 80.0%。宏平均与合并样本指标反映不同的汇总口径，不宜互换；摘要未提供完整站点结果及被试内、跨被试或跨会话划分，不能据此推定未见站点泛化效果。 阅读与复现重点是核对发作前期标签及预测时间窗、类别比例、被试与记录划分、单通道选择、各客户端数据量，以及随机子集策略是否在相同训练预算下比较。作者据此认为模型更稳健且更公平，但临床可用性、隐私保证、消融及统计信息尚未验证；仅凭 Accuracy 尚不能判断实际预警中的误报负担。

作者：

Cem Ata Baykara; Saurav Raj Pandey; Ali Burak Ünal; Harlin Lee; Mete Akgün

机构：

尚未验证

发表平台：

CoRR 2025

标识：

3xKBNSkOGV

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 · 2026-10-08 · 状态未知

基于摘要分析（仅提供研究亮点，未取得论文全文）。本研究面向低光照图像增强中的照明不均问题，提出池化状态空间模型 Pool-mamba，使用 Pyramid-pooling Mamba 捕获全局信息，并以 Axis-pooling Mamba 捕获细粒度局部细节。 机制与贡献：材料呈现的核心思路是将全局信息建模与局部细节提取结合，用于处理图像中不同区域的照明差异。尚无法确认池化操作与状态空间计算的具体连接方式、两类模块的融合方式，以及训练损失和推理流程，因此不能据此判断其相对其他 Mamba 或图像增强方法的实际优势。 证据边界：当前材料未提供可核对的实验结果。数据集、数据划分、对照基线、增强质量指标、计算开销、实验协议、消融及统计信息尚未验证；发表状态与复现资源也无法由现有材料确认。 平台推测（待验证）：若全局与局部信息分工的机制能够迁移，可探索其对 EEG 缓慢背景变化与短时局部模式联合建模的价值；这只是跨领域假设，并非已证实的 EEG/BCI 效果。迁移时需将图像空间池化改造为适合时间轴或通道拓扑的操作，并核对监督需求和训练规模。低信噪比、小数据、跨被试差异以及不规则通道布局可能使池化混合噪声或削弱短时判别信息。一个可检验的小实验是在固定 EEG 数据划分、训练预算与容量约束下，对照基础状态空间模型、单独池化模块及组合模块，检验性能变化是否稳定。已有 EEG 相关工作尚未检索确认。

作者：

Qiao Zhang; Mingwen Shao; Xinyuan Chen

机构：

尚未验证

发表平台：

Neurocomputing 2025

标识：

Kn9if5a2Sf

学术质量 56 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

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

基于摘要分析。该研究针对 VR 正念冥想中反馈设计较少考虑情绪变化轨迹及调节需求变化的问题，提出 EEG 驱动的正向反馈机制，将情绪计算、过程评估与自适应反馈组成闭环，以支持个性化情绪调节。 机制包含三个模块：基于 EEG 的情绪状态计算、基于过程的放松评估，以及自适应正向决策反馈。其主要思路不是仅根据某一时刻的状态提供反馈，而是结合调节过程中的情绪趋势实时调整反馈决策。摘要未说明 EEG 特征、情绪状态估计方法、放松评估标准、反馈呈现形式及决策规则，这些实现细节尚未验证。 作者报告，在总样本量 N = 36 的随机对照试验中，相较于无反馈干预，所提机制使生理测量指标和自报放松程度均显著提高。摘要未提供具体生理指标、组别人数、干预时长、效应量或统计检验结果，因此尚不能量化改善幅度，也不能据此确认持续性情绪调节收益。作者将结果解释为该机制能够增强情绪调节，并有助于改善数字心理健康干预的参与度与效果；但摘要没有单独给出参与度的测量结果。 阅读与复现时应重点核对 EEG 情绪估计的校准方式、实时处理流程、对照条件，以及过程评估如何触发反馈调整。实验协议、消融及统计信息尚未验证；尤其需要查看全文是否能区分 EEG 状态估计、趋势评估与正向反馈各自的贡献。该研究直接涉及 EEG 反馈干预，但现有摘要证据不宜扩展为一般 BCI 解码性能提升或临床疗效结论。

作者：

Qing Wang; Fang Liu; Baorong Yang; Zheyuan Yang; Jingyan Huang; Yuxin Xu; Chengcheng Zheng; Yingying She; Hanshu Cai; Fuze Tian

机构：

尚未验证

发表平台：

IEEE Transactions on Computational Social Systems

标识：

SaS2oMPQ8x

学术质量 71 / 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 · 2026-09-11 · 状态未知

基于摘要分析。该研究针对多机构患者 EEG 无法直接集中共享的场景，将联邦学习（FL）与图神经网络（GNN）结合，用于回归预测卒中严重程度指标 National Institutes of Health Stroke Scale（NIHSS）。主要贡献是让多家医院利用本地 EEG 协同训练共享模型，并提供卒中后神经状态的事后解释；研究对象是临床卒中评估，而非 BCI 控制任务。 机制方面，模型利用 masked self-attention 捕捉显著的脑连接模式，并采用 EdgeSHAP 提供事后解释。这里的 masked self-attention 不应直接等同于自监督掩码建模。摘要未说明 EEG 的图构建方式、节点与边的定义、连接估计方法、回归损失、联邦聚合策略或机构间数据异质性的处理方式，这些细节尚未验证。连接重要性解释也不等同于卒中病理机制的因果证据。 作者报告，在来自四家机构的 EEG 记录上，NIHSS 预测的平均绝对误差（MAE）为 3.23，并将其与人类专家平均误差约 3.0 作比较。摘要未提供被试数量、NIHSS 分布、训练与测试划分，也未明确这是被试内、跨被试还是跨机构外部验证；专家误差的来源及是否采用相同评估条件尚未验证，因此不能据此认定模型达到专家等效水平。 联邦训练避免直接交换原始患者信息，但这一机制本身并不充分证明隐私安全。复现与证据核对需要进一步确认预处理流程、各机构样本分布、通信与聚合设置、集中式及本地训练对照、解释稳定性，以及隐私威胁模型和保护措施。实验协议、消融及统计信息尚未验证，代码与数据可用性也尚未确认。现有摘要支持其作为 EEG 临床评估方法的研究价值，但不足以确立临床可用性。

作者：

Andrea Protani; Lorenzo Giusti; Albert Sund Aillet; Simona Sacco; Paolo Manganotti; Lucio Marinelli; Diogo Reis Santos; Pierpaolo Brutti; Pietro Caliandro; Luigi Serio

机构：

尚未验证

发表平台：

UniReps 2025

标识：

r5VWXq8M5g

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 · 2025-10-07 · 状态未知

基于摘要分析。本文研究状态空间模型（SSMs）的参数高效微调（PEFT），提出直接调整状态相关特征的方法族，并引入 State-offset Tuning，使适配在每个时间步直接作用于当前状态，而非依赖外部提示。 核心机制与对照：作者将 SSMs 作为缓解 Transformers 二次计算成本的高效替代架构，并指出 Prompt Tuning 和 Prefix-Tuning 等提示式方法在 SSMs 上表现不佳。其方法利用 SSMs 的状态结构，把微调作用点转向状态相关特征。摘要未给出状态偏移的具体参数化、作用位置、损失函数、训练参数比例或推理开销，不能据此确定其实现细节。 证据范围：作者报告在多种数据集上的广泛实验支持该方法的有效性，但摘要未列出数据集、任务、划分协议、对照配置或指标数值，因此无法判断增益大小及适用边界。材料提供了代码地址；代码与实验配置的一致性、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，在已有预训练 SSM 的 EEG 时序任务中，状态侧 PEFT 可能成为有限标注条件下跨被试或跨会话适配的候选机制，而非已证实的 BCI 方法。可复用部分是状态偏移适配思路；需改造 EEG 输入编码、通道映射及任务输出头。该假设依赖兼容的预训练 SSM、时序输入和下游监督，原论文预训练规模及监督配置尚未验证。低信噪比、通道变化、被试差异及小数据可能使状态偏移拟合噪声或无法补偿输入分布变化。一个可检验的小实验是在固定数据划分与标注预算下，比较冻结骨干、State-offset Tuning 和全量微调的跨被试表现，同时记录训练参数量与推理开销；已有 EEG 相关工作尚未检索确认。

作者：

Wonjun Kang; Kevin Galim; Yuchen Zeng; Minjae Lee; Hyung Il Koo; Nam Ik Cho

机构：

尚未验证

发表平台：

CoRR 2025

标识：

nbQZJKPhv1

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 · 2026-03-19 · 状态未知

基于摘要分析。该研究针对非侵入式 EEG 语音感知解码中的噪声、数据有限及复杂任务难以建模等问题，探索以变分自编码器（VAE）生成增强数据，并将原用于 EMG 任务的序列到序列架构迁移至 EEG 单词与句子解码，同时改造该架构用于单词分类。主要研究对象是听取叙述语音时的 EEG，而非无声或想象言语产生。 研究使用 Brennan dataset，其中包含被试听取叙述语音时的 EEG 记录。作者对数据进行预处理，并评估分类模型与序列到序列模型的 EEG-to-words/sentences 任务。标题明确涉及 Transformers，但摘要未提供具体结构、EEG 与文本的时间对齐方式、训练损失、文本监督形式，以及 VAE 生成数据如何加入训练等细节；其原架构在 EMG 中的表现也不能直接视为 EEG 场景下的优势证据。 作者报告，VAE 具有重构人工 EEG 数据用于增强的潜力；序列到序列模型在生成句子方面表现出比分类模型更有希望的结果，但两类任务仍具挑战。摘要未给出量化指标、对照基线及数据划分，因而不能据此确认数据增强带来稳定收益，也不能将不同输出任务的表现理解为同一评估协议下的直接比较。被试数、被试内或跨被试设置、实验协议、消融及统计信息尚未验证。 复现时值得核对 EEG—文本配对与切分方式、VAE 的训练数据范围、生成样本的有效性，以及句子评估能否区分 EEG 提供的信息与文本生成先验。作者将无声或想象言语列为可能的后续方向；当前摘要仅支持语音感知场景的探索，不构成对这些语音产生任务有效性的验证。

作者：

Terrance Yu-Hao Chen; Yulin Chen; Pontus Soederhaell; Sadrishya Agrawal; Kateryna Shapovalenko

机构：

尚未验证

发表平台：

CoRR 2025

标识：

O7NR4kDq19

学术质量 54 / 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 · 2025-05-20 · 状态未知

基于摘要分析。本文研究持续学习中的通用用户表征：当任务随时间推进、新物品不断出现时，如何减轻灾难性遗忘，并使先前任务获得的知识适应当前物品分布。作者提出考虑时间推进的评估场景，以及动态时间感知的持续用户表征学习框架 DITTO。 原论文的主要对象是用户建模，而非 EEG 或 BCI。作者指出，既有面向单一任务的用户模型在跨任务泛化与适应方面存在局限；已有持续学习式通用用户表征方法的评估，未充分考虑任务推进过程中新增物品对先前任务物品分布的影响。本文的关键贡献是把任务序列与时间变化共同纳入评估，并将“保留旧知识”和“让旧知识适应当前分布”同时作为框架目标。摘要未披露具体表征结构、损失函数、记忆或更新机制，不能据此认定 DITTO 使用某种特定抗遗忘技术。 作者报告，在其考虑时间推进的评估场景中，DITTO 优于所比较的现有先进方法；但摘要未提供数据集、任务序列、时间划分、基线名称、指标或具体数值，无法判断收益大小及适用边界。实验协议、消融及统计信息尚未验证。摘要提供了源码地址，但实现完整性、运行依赖及复现实验配置仍需核对。 平台推测（待验证）：该时间感知评估思路可能为跨会话 EEG 持续学习提供参考，但用户建模中的新增物品与 EEG 中的会话漂移并不等价，原领域有效不代表 BCI 有效。由于摘要尚未披露 DITTO 的独立技术机制，当前不提出模块迁移或复现实验方案；相关 EEG 工作尚未检索确认。

作者：

Seungyoon Choi; Sein Kim; Hongseok Kang; Wonjoong Kim; Chanyoung Park

机构：

尚未验证

发表平台：

CoRR 2025

标识：

gV7MYAdois

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 · 2025-07-07 · 状态未知

基于摘要分析。该研究面向视频描述生成，针对既有方法分离处理空间与时间信息、常识知识利用不足的问题，提出 DSSM-KG，通过双流状态空间建模和跨模态知识注入增强视频理解及语言描述生成；其主要研究对象是视频与文本，而非 EEG 或 BCI。 机制方面，作者将异构 Mamba 与 Transformer 以并行和串行方式结合，构建空间增强双流状态空间模块 S-DSSM 与时间增强双流状态空间模块 T-DSSM，以加强联合时空建模。另构建融合常识与数据集特定信息的知识图谱，并将其自适应注入解码器。摘要未交代两种组合方式与具体模块的对应关系，也未提供知识图谱来源、注入控制机制、损失函数或训练细节，这些内容尚未验证。 作者报告，DSSM-KG 的结构设计与知识注入机制在 MSVD、MSR-VTT 等视频描述生成数据集上有效，并取得有竞争力的表现。摘要未提供具体指标、数值、数据划分及对照基线，因此无法量化收益，或判断双流结构与知识注入各自的贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：双流时空建模可作为 EEG 通道关系与时间动态联合建模的候选思路，但视频中的空间结构不能直接等同于 EEG 电极布局。可考虑复用 Mamba 与 Transformer 的组合思想，通道表示及输入编码需针对 EEG 改造；知识注入还依赖可明确构建的任务知识，不能默认视频常识图谱适用。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 Cross-subject 划分与相近训练预算下，比较 Mamba、Transformer 和双流组合的同一 EEG 分类任务表现，先检验双流建模能否带来稳定增益，再考虑知识注入。上述均为迁移假设，已有 EEG 相关工作尚未检索确认。

作者：

Haoying Sun; Shuyi Li; Zeyu Xi; Bowen Zhang; Lifang Wu

机构：

尚未验证

发表平台：

ICMR 2025

标识：

z51yID4V3B

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 · 2026-03-30 · 状态未知

基于摘要分析。本文研究智能教育中的 Knowledge Tracing（KT，知识追踪）：根据学生行为推断知识状态，并预测其在新题目上的表现。作者提出 DebiAsed Cognition rEpresentation（DACE），旨在减少猜测、抄袭等异常行为对知识状态表征的偏置；这里的“认知表征”指学生知识状态的模型表征，并非神经信号表征。 核心机制是基于信息瓶颈理论的对抗训练，目标是保留对新题表现预测可靠的信息、削弱行为偏差带来的影响；另通过基于嵌入的增强构建对比学习模块，以提升表征的鲁棒性与泛化能力。摘要未给出信息瓶颈的具体实现、对抗目标、增强规则及训练流程，这些细节尚未验证。 作者报告，在三个公共 KT 数据集及新发布的 BaiPy 数据集上，DACE 优于强基线，尤其在存在偏差的数据条件下表现更好。摘要未列出公共数据集名称、样本规模、划分方式、评价指标、具体数值及偏差构造方式，因此不能量化提升或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。作者提供了代码与数据仓库地址，但仓库内容及复现条件尚未核对。 平台推测（待验证）：可迁移的假设是，信息瓶颈与对抗训练可能帮助 EEG 表征减少特定干扰信息，但教育行为偏差并不等同于 EEG 噪声。迁移需将输入和预测目标替换为 EEG 任务，并明确可监督或可构造的干扰因素；信息瓶颈与对比学习目标或可复用，嵌入增强则需避免破坏任务相关信号。低信噪比、小数据、被试差异及通道变化可能使压缩过程误删有效信息。一个可证伪的小实验是在固定跨被试划分、固定 EEG 编码器和数据预算下，比较原预测模型与加入上述机制后的模型，并分别考察干净及受控伪迹条件下的同一评价指标。该实验仅是迁移假设，已有 EEG 相关工作尚未检索确认。

作者：

Xiangwei Lv; Guifeng Wang; Jingyuan Chen; Hejian Su; Zhiang Dong; Yumeng Zhu; Beishui Liao; Fei Wu

机构：

尚未验证

发表平台：

ACM Trans. Inf. Syst. 2025

标识：

fksAMBI4Uu

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 · 2026-01-07 · 状态未知

基于摘要分析。本文研究视频语义分割（VSS）中逐帧或短时窗处理造成的时序上下文有限、重复计算和内存开销问题，提出 Temporal Video State Space Sharing（TV3S）架构，利用 Mamba 状态空间模型进行跨帧特征共享，以兼顾长时序一致性与计算效率。 核心机制是通过选择性门控传播视频帧之间的相关信息，替代高内存开销的特征池。TV3S 独立处理空间 patches，并引入 shifted operation，以支持训练和推理阶段的高度并行计算；作者称这可降低顺序状态空间处理的延迟，并改善长视频序列的可扩展性。推理时模型利用先前帧的信息，但状态更新公式、门控实现、shifted operation 的具体形式、损失函数和训练配置尚未验证。 作者报告，在 VSPW 和 Cityscapes 数据集上的评估中，TV3S 优于当前最先进方法，并在长视频序列上取得一致结果。摘要未提供具体指标、数值、数据划分、对照基线或效率测量条件，因此无法量化优势，也不能据此判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。摘要提供了公开代码仓库，但其运行条件、预训练权重与复现完整性尚未核查。 平台推测（待验证）：迁移假设是，选择性状态共享可能缓解 EEG 长序列处理中固定窗口上下文不足及历史特征缓存开销的问题。原方法依赖视频帧的空间 patch 结构，属于语义分割任务；其监督形式和所需数据规模尚未验证。可考虑复用状态传播与门控思路，但需重新设计 EEG 的时间分块、通道表示及 shifted operation，不能直接照搬图像空间结构。低信噪比可能使门控持续传播伪迹，跨被试差异、通道配置变化和小数据训练也可能削弱收益。一个可检验的小实验是在固定 EEG 任务、相同骨干及相同被试划分下，对比短窗口模型与增加状态共享的模型，同时记录任务指标、峰值内存和推理延迟，并测试序列长度变化及状态重置的影响。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。

作者：

Syed Ariff Syed Hesham; Yun Liu; Guolei Sun; Henghui Ding; Jing Yang; Ender Konukoglu; Xue Geng; Xudong Jiang

机构：

尚未验证

发表平台：

CoRR 2025

标识：

AZ8SLJkivW

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 · 2026-07-15 · 状态未知

基于摘要分析。本文综述 Mutual Hazard Networks，讨论如何从诊断后才获得的观测数据中重建进行性疾病的潜在演化过程，并将该方法置于机器学习理论框架下。主要研究对象是疾病进展历史，应用示例为胶质母细胞瘤，而非 EEG 解码或 BCI。 核心机制是将疾病表示为定义在所有进展事件组合上的 Markov chain，以潜在状态转移描述疾病演化。摘要指出，当事件数 n≥266 时，组合状态空间的大小超过宇宙中的原子数量；这是状态空间规模的说明，不是实验样本量。Mutual Hazard Networks 结合 time-to-event 建模、广义概率图模型、正则化与现代数值张量格式，通过压缩表示支持巨大状态空间中的计算。本文重点解释 Mutual Hazard 假设如何导出紧凑参数化，以及张量格式如何提高计算可行性；具体参数形式、张量表示和求解流程尚未验证。 作者报告展示了利用 Mutual Hazard Networks 重建胶质母细胞瘤最可能的疾病历史，但摘要未提供数据规模、观测事件定义、评估划分、对照方法或定量指标，因此不能据此判断病史重建的准确性与泛化能力。“最可能的历史”应理解为模型推断结果，而非已直接观测或验证的真实病程。 阅读全文时需核对事件编码、观测与潜在演化过程之间的假设、正则化设置、压缩计算的误差与成本，以及病史重建的验证依据。实验协议、消融及统计信息尚未验证，代码与复现条件亦未确认。材料未建立该疾病进展模型与 EEG/BCI 的具体机制对应，因此不据此提出迁移效果或复现实验建议。

作者：

Rudolf Schill; Maren Klever; Kevin Rupp; Y. Linda Hu; Andreas Lösch; Peter Georg; Simon Pfahler; Stefan Vocht; Stefan Hansch; Tilo Wettig; Lars Grasedyck; Rainer Spang

机构：

尚未验证

发表平台：

Künstliche Intell. 2025

标识：

qFOMc3NOaW

学术质量 72 / 100 · 兴趣权重 2 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-09-16 · 状态未知

基于摘要分析。本文研究状态空间模型（SSMs）与 Mamba 的理论计算能力，利用电路复杂性框架，刻画多项式精度、常数层深条件下的计算上界，检验有状态设计是否使其比 Transformers 更具计算表达能力。 核心结论：作者报告，在 poly(n) 精度和常数层深的条件下，Selective SSM 与 Mamba 可由 DLOGTIME-uniform TC^0 电路模拟，因此属于该复杂性类。这里的精度与深度约束是结论的适用前提，不能直接外推到深度随输入规模增长或其他精度设置的模型。摘要未提供具体电路构造、精度定义及证明细节，尚需全文核对。 作者据此认为，Mamba 在这一理论框架下与 Transformers 具有相同的计算能力；并指出，若 TC^0 ≠ NC^1，则所分析的模型不能解决算术公式问题、布尔公式求值问题和置换复合问题。这是依赖复杂性类分离假设的条件性限制，不应改写为无条件的不可能性结论。摘要所述电路模拟主要提供复杂性上界，也不能据此推断两类模型在实际任务中的准确率、训练效率或长序列建模效果相同。 阅读时需重点核对模型定义、输入规模 n 的含义、数值精度与运算假设，以及 Transformers 对照结论的适用范围。实验协议、消融及统计信息尚未验证。本文主要贡献是理论分析，而非 EEG/BCI 方法或验证结果；已有 EEG 相关工作尚未检索确认，不据此提出跨领域性能结论或复现实验方案。

作者：

Yifang Chen; Xiaoyu Li; Yingyu Liang; Zhenmei Shi; Zhao Song

机构：

尚未验证

发表平台：

CPAL 2025

标识：

Hj1ia0u9Wq

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 · 2025-09-25 · 状态未知

基于摘要分析。本研究针对空中交通管制（ATC）操作员的认知负荷检测，设计四种不同模拟场景以采集八名操作员的 EEG，并使用结合卷积层、自注意力机制和多层感知机的混合深度学习模型进行负荷状态解码。主要贡献是将 EEG 负荷识别从简单认知任务推进到 ATC 模拟任务，为个性化负荷监测提供实验依据，但不等同于已在真实运行环境中验证。 技术机制方面，作者先对 EEG 进行预处理，再利用卷积层与自注意力机制提取相关特征，结合多层感知机将状态解码为 low、high、overload 和 special 四类。摘要未说明四类状态的操作性定义，尤其 special 的含义，以及场景与类别之间的对应关系；预处理步骤、输入表示、网络结构、损失和训练设置也尚未验证。 结果方面，作者报告在该 ATC 模拟实验中，平均 Accuracy 为 88.76%，单被试层面的最高 Accuracy 为 99%。摘要未明确平均值的汇总方式、训练与测试划分，以及是否采用被试内、跨被试或跨会话评估，因此不能将这些数值解释为跨被试泛化表现，也不能直接与其他协议下的结果比较。作者还报告额区对认知负荷解码具有重要作用，但其分析方法、统计依据及稳健性尚未验证。 复现时应优先核对场景设计与负荷标注依据、EEG 通道和分段方式、数据划分、类别分布，以及卷积与自注意力模块相对对照方法的贡献。数据与代码可用性、实验协议、消融及统计信息尚未验证。现有摘要支持将其视为小样本 ATC 模拟场景下的 EEG 解码研究，尚不足以确认真实工作环境中的可靠性或智能负荷检测系统的部署效果。

作者：

Yueying Zhou; Junji Jiang; Lijun Wang; Shanshan Liang; Hao Liu

机构：

尚未验证

发表平台：

IEEE Access 2025

标识：

iG1eWq1nBO

学术质量 62 / 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 · 2025-05-16 · 状态未知

基于摘要分析。该研究针对高斯过程状态空间模型（GPSSMs）在高维动力系统中的计算与参数复杂度，以及独立平稳 GP 对非平稳转移动态的表达限制，提出高效变换高斯过程状态空间模型（ETGPSSM）。其主要研究对象是一般非线性动力系统的学习、状态估计与时间序列预测，并非直接针对 EEG 或 BCI。 核心机制是将单个共享 GP 与输入依赖的 normalizing flows 结合，构造可表达非平稳转移动态的隐式过程先验，替代多个独立平稳 GP。推断采用变分框架，联合近似底层 GP 与定义 normalizing flows 的神经网络参数的后验；同时引入集合卡尔曼滤波（EnKF）进行状态估计，以避免对潜在状态显式设置变分参数。具体损失形式、流结构、计算复杂度及 EnKF 的实现细节尚未验证。 作者报告，在合成与真实数据的系统动态学习、高维状态估计及时间序列预测评估中，ETGPSSM 的计算效率和准确性优于已有 GPSSMs 与基于神经网络的 SSMs。摘要未提供数据集名称、划分、指标或数值，因此无法判断优势的幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的跨时间变化可由非平稳潜在状态转移解释，该机制可能用于建模时变动态，而非直接解决跨被试域偏移。可复用共享 GP、输入依赖变换及 EnKF 推断框架，但需适配 EEG 观测模型、通道结构和噪声特性；时间序列结构是必要条件，观测监督形式、训练规模及状态可辨识性要求需查阅全文。低信噪比、小数据、通道变化和被试差异可能使转移动态与观测噪声难以区分。一个可检验的小实验是在固定通道、按时间块严格划分的被试内 EEG 上，对比 ETGPSSM 与平稳 GPSSM 的预测误差、区间覆盖率和运行成本，再移除输入依赖变换以检验其贡献；这不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。

作者：

Zhidi Lin; Ying Li; Feng Yin; Juan Maroñas; Alexandre H. Thiéry

机构：

尚未验证

发表平台：

CoRR 2025

标识：

nrm6LEFEeT

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 · 2026-03-01 · 状态未知

基于摘要分析。本文研究开放无线接入网（O-RAN）的近实时控制，将物理资源块（PRBs）等动作作为生成式状态空间模型的条件输入，预测不同资源配置下的关键性能指标（KPIs），并结合短时域规划支持“假如采取某动作”的情景分析。主要研究对象是无线网络控制，而非 EEG 解码或 BCI。 模型 WM-MS3M 将多尺度结构化状态空间混合（MS3M）与紧凑随机潜变量结合，用于汇总历史 KPIs，并预测假设 PRB 序列下的下一步 KPIs。摘要称模型同时刻画偶然不确定性与认知不确定性，但具体估计方法及校准证据尚未验证。规划器基于模型预测控制（MPC）与交叉熵方法（CEM），在数据驱动的 PRB 边界内，使用先验均值滚动预测最大化确定性奖励；不确定性是否直接参与动作选择，需查正文确认。 作者报告，在真实感 O-RAN 轨迹上，相比 MS3M，WM-MS3M 的 MAE 降低 1.69%，参数量减少 32%，延迟相近；相比注意力及混合架构基线，RMSE 降低 35–80%，推理速度为其 2.3–4.1 倍。摘要未提供轨迹规模、划分方式、具体基线及硬件设置，不能据此跨协议比较。作者提出该模型可支持罕见事件模拟和离线策略筛选，但闭环收益、反事实预测的可识别性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 系统具备同步记录的神经信号、系统动作与后续反馈，动作条件化状态预测可能用于评估不同反馈或刺激方案，而非直接替代解码器。可复用的是历史状态汇总与短时域规划思路；需改造信号表征、动作定义、奖励及安全约束。低信噪比、跨被试差异、通道变化和小数据可能使预测失准，历史动作选择偏差也可能限制反事实解释。可先在含动作记录的数据上，按时间留出评估动作条件化与非动作条件化模型的下一步预测及不确定性校准，不将其视为干预效果验证。已有 EEG 相关工作尚未检索确认。

作者：

Farhad Rezazadeh; Hatim Chergui; Mérouane Debbah; Houbing Song; Dusit Niyato; Lingjia Liu

机构：

尚未验证

发表平台：

CoRR 2025

标识：

lH7vHEiVix

学术质量 69 / 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。研究以抑郁症治疗反应预测为主要问题，利用治疗第 7 天的 EEG 动态特性，通过 motif discovery 提取区分治疗有反应者与无反应者的特征，并将同一框架应用于其他疾病相关 EEG 分类任务。其贡献在于探索重复出现的时序模式能否作为诊断及早期治疗反应预测的分类依据，而非直接研究 BCI 控制或交互任务。 技术机制：框架从 EEG 中发现 motif，并将其用于有意义的分类特征提取。摘要没有说明 motif 的定义、搜索与匹配算法、时间尺度、通道处理方式、特征汇总方法或分类器，因此尚不能判断其如何保留跨通道关系、处理噪声，以及与常规 EEG 特征的差异。 任务与结果：除抑郁症治疗反应预测外，作者还报告将框架用于涉及精神分裂症症状患者、难治性癫痫发作儿童患者，以及 Alzheimer disease 和痴呆的 EEG 数据集分类。作者报告各数据集均取得较高的分类精确率（precision），但摘要未提供具体数值、类别定义、样本规模、数据划分或对照基线，不能将其替换为 Accuracy，也不能据此认定跨被试或跨数据集泛化有效。作者称，据其所知，这是首次将 motifs 用于抑郁症诊断的研究，该优先性尚未独立核实。 证据边界与复现：治疗第 7 天是 EEG 的采集时间背景，不等于临床效用已获验证。需核对治疗反应标签及判定时间、训练与测试是否按患者分离、预处理和 motif 参数是否仅由训练数据确定，以及类别不平衡、基线比较与统计不确定性。实验协议、消融及统计信息尚未验证；代码与数据可获得性也尚未验证。现有摘要支持将其视为 EEG 临床分类方法研究，不支持直接推断其在 BCI 任务中的效果。

作者：

Melanija Kraljevska; Katerina Hlavácková-Schindler; Lukas Miklautz; Claudia Plant

机构：

尚未验证

发表平台：

CoRR 2025

标识：

fwV2K3vfZt

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 · 2025-05-15 · 状态未知

基于摘要分析。该研究针对驾驶员清醒与困倦状态的 EEG 检测问题，提出 DrowzEE-G-Mamba，将卷积层与状态空间模型（SSMs）结合，分别提取局部特征与长程依赖，并通过通道操作优化 EEG 信息流。主要研究对象是驾驶员困倦检测，而非通用 BCI 任务。 机制方面，摘要明确提到 channel-split、channel-concatenation 和 channel-shuffle 操作，并将系统鲁棒性归因于这些操作与卷积、SSMs 的组合。不过，各操作的具体位置、SSM 实现、网络规模、损失函数、训练流程和 EEG 预处理尚未验证，不能仅凭模型名称推断其具体 Mamba 结构。 结果方面，作者报告在 SEED-VIG 数据集上获得峰值 Accuracy 83.24%，并称相较既有方法提高检测表现、减少假阳性。但摘要未提供被试内或跨被试协议、数据划分、对照方法及假阳性指标，因此该数值只能作为所述数据集上、评估协议尚未验证的作者报告，不能直接用于跨论文排名。作者还称模型在不同复杂度下保持较高准确率，适合资源受限的实时应用；参数量、计算量、推理延迟及硬件条件尚未验证。 复现时应优先核对 SEED-VIG 的标签定义、窗口构造、被试与会话划分、基线配置，以及通道操作和 SSMs 各自的消融贡献。实验协议、消融及统计信息尚未验证。摘要提出其对 SSM-based BCI 算法的潜在意义，但当前材料仅支持 EEG 困倦检测这一任务，不能据此认定其在 MI、SSVEP 或其他 BCI 范式上有效。

作者：

Gourav Siddhad; Sayantan Dey; Partha Pratim Roy

机构：

尚未验证

发表平台：

Crossref

标识：

qd1IFBdar6

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 · 2026-08-18 · 状态未知

基于摘要分析。本文研究基于三维骨架运动序列的动作识别，提出融合双曲空间与欧氏空间特征的双空间表征学习方法，以建模人体关节在运动中的非线性关联；主要研究对象不是 EEG 或 BCI。 核心机制：作者认为，直接在欧氏空间中学习可能不足以表达人体关节间复杂的非欧氏关联，因此将运动序列表征到双曲空间，利用其几何性质捕获人体运动的潜在结构，再结合欧氏空间运动特征，兼顾非线性关节关联与姿态描述。摘要未提供双曲空间映射、特征融合、损失函数、训练与推理的具体实现，亦不足以确认其是否采用 State space models；来源栏目不能作为模型结构证据。 结果与证据边界：作者报告，该方法在 NTU RGB+D 60、NTURGB+D 120 和 NW-UCLA 数据集上取得 state-of-the-art 表现。摘要未给出指标、数值、数据划分及对照基线，故无法比较不同评估协议下的效果，也无法判断增益主要来自双曲表征还是融合机制。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 通道或脑区间关系具有适合双曲几何表达的层级结构，双空间表征可能帮助建模跨通道关联。但骨架关节具有明确的解剖连接与运动语义，不能直接等同于 EEG 通道关系。可考虑复用双空间表征与融合思路，而输入编码、关系构建及任务监督需要改造；低信噪比、通道配置差异、跨被试变化及小数据规模可能使几何结构估计不稳定。一个可检验的小实验是在固定 EEG 数据划分和监督条件下，比较欧氏单空间、双曲单空间与双空间融合，并控制模型容量，检验融合是否带来稳定增益。相关 EEG 工作尚未检索确认。

作者：

Yuheng Yang; Haipeng Chen; Zhenguang Liu; Sihao Hu; Yingying Jiao

机构：

尚未验证

发表平台：

IEEE Signal Process. Lett. 2025

标识：

lIKh4dDQz4

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 · 2025-11-04 · 状态未知