跳到正文

算法、任务与模态

Compression 最新动态

Compression 研究索引；按可核对的标签归档，不以热度评价质量。

219 条精选近 30 天 62 条共收录 268 条

更新

精选归档 · 第 11 页

1月1日周一第 201–219 条
  1. OpenReview · Representation learning73

    判别性跨视图二值表示学习

    基于摘要分析。本文针对大规模图像—文本多媒体数据的紧凑表示学习，提出 Discriminative Cross-View Hashing（DCVH），利用不同视图中的判别信息，端到端学习保留语义且具有判别性的二值表示，服务于跨视图检索、图像到图像检索及图像标注任务。原研究对象是多媒体检索与标注，而非 EEG 或 BCI。 机制上，DCVH 同时对图像和文本使用基于 CNN 的非线性哈希函数及多标签分类。作者提出通过 Direct Binary Embedding（DBE）层实现训练时的连续松弛，无需显式量化损失；跨视图对齐则通过最小化 Hamming 距离实现，并利用逐位 XOR 运算高效计算。相较于主要强调各视图内部相似性、再通过跨视图相似性连接的既有方法，其重点是联合利用不同视图的判别信息。具体损失形式、DBE 实现及训练细节尚未验证。 作者报告，在两个图像—文本基准数据集上，DCVH 优于所比较的先进跨视图哈希算法及单视图图像哈希算法，并在图像标注任务中取得有竞争力的表现。摘要未提供数据集名称、划分方式、指标或数值，实验协议、消融及统计信息尚未验证，无法据此判断收益幅度与适用边界。 平台推测（待验证）：假设 EEG 片段与刺激图像或文本存在可靠配对及共享语义标签，可考察判别性二值表示是否有助于紧凑的跨模态检索。可复用的是多标签监督、二值嵌入与跨视图对齐思路；EEG 编码器及其时序输入处理需要改造。低信噪比、被试差异、通道变化和小样本可能使二值压缩丢失有效信息，语义配对也未必反映神经响应。一个可证伪的小实验是在固定数据划分与相同编码器条件下，比较连续表示与加入 DBE、Hamming 对齐的二值表示，检验跨模态检索效果及存储成本；若关注跨被试应用，应单独采用被试隔离划分。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 DCVH 将多标签判别学习、DBE 二值嵌入与基于 Hamming 距离的跨视图对齐结合，用于统一支持跨视图检索和图像标注；其对 EEG/BCI 的价值尚未验证。

12月31日周四
  1. OpenReview · EEG74

    RLNC 辅助的协作压缩感知：面向节能生命体征远程监测

    基于摘要分析。该研究针对无线体域网（WBANs）中生命体征数据压缩、可靠传输与节点能耗之间的权衡，提出结合压缩感知（CS）、分布式协作与随机线性网络编码（RLNC）的协作压缩感知（CCS）方案。主要研究对象是生命体征远程监测通信系统，使用 ECG 和 EEG 数据进行仿真，并非 BCI 解码算法研究。 机制与对照：传感器监测并发送生命体征信号，或作为中继向体节点协调器（BNC）转发数据；CS 用于低复杂度压缩与重建，RLNC 用于协作传输。作者将 RLNC 与存储转发（FW）协议比较，报告数学分析表明：链路失效率越高，RLNC 的收益越大，尤其在中继数量有限的情形下。作者还提出利用生命体征关键特性的重建算法，但摘要未说明这些特性的具体形式、重建目标或求解流程。 结果与证据边界：作者报告，使用医学数据库中的 ECG 和 EEG 数据进行的大量仿真支持理论分析；相较传统基于 CS 的重建方法，所提恢复算法使体传感器节点的能效提高 40%。这一数值对应摘要所述仿真与重建方法对照，不是 EEG 分类 Accuracy、传输速率或续航增幅。数据库名称、信号规模、链路参数、能效定义、重建质量约束、实验协议、消融及统计信息尚未验证，不能据此判断真实设备上的收益。 平台推测（待验证）：该通信与重建机制可能用于无线 EEG 采集中的传输可靠性和能耗优化，可复用的是 CS 压缩与 RLNC 协作思路；需核对或改造的包括 EEG 信号先验、通道间结构、实时延迟及下游任务保真度。低信噪比、跨被试差异和通道配置变化可能影响压缩后的可恢复性。一个可检验的小实验是在同一 EEG 数据与相同模拟链路失效率下，对比 RLNC 与 FW，统一重建质量和延迟约束，测量通信能耗并检查下游任务性能变化。本文之外的相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体价值在于将 RLNC 协作传输与生命体征压缩感知重建结合，并分析链路失效条件下的能效收益；其 EEG 证据来自仿真，尚不能直接视为实际 BCI 系统的有效性验证。

1月1日周四
  1. OpenReview · EEG72

    利用通道间相关性进行 EEG 信号重建

    基于摘要分析。本文研究无线体域网（WBAN）中 EEG 信号的采集与传输问题，提出在压缩感知（CS）重建中利用通道间相关性，而非逐通道独立重建；研究目标同时包括改善信号重建和降低 EEG 传感节点的总能耗。 核心方法是将多通道信号集合分别建模为低秩矩阵、变换域中的行稀疏矩阵，以及两者的组合。低秩模型利用多通道之间的相关结构，行稀疏模型则以变换域的联合稀疏结构组织重建。摘要未给出具体变换、优化目标、求解算法或采样方案，三种建模方式的实现差异尚未验证。 作者报告，相较于逐通道重建的既有技术，所提方法可改善信号重建，并显著降低传感节点总能耗。作者进一步称，既有技术仅降低传输能耗，而其方法还能降低采集能耗，并消除压缩所需的处理能耗。摘要没有提供重建指标、能耗数值、硬件条件或对照细节，因此这些结论仍需结合全文核对；作者关于首次利用通道间相关性的表述也尚未独立确认。 复现时需核对 EEG 数据来源、通道配置、压缩采样率、重建误差指标及逐通道基线，并厘清采集、处理与传输能耗的计量边界。还需检查低秩与行稀疏假设在不同信号片段中的适用性，以及伪迹或通道相关性变化对重建的影响。本文直接研究 EEG 采集与重建，但摘要未验证重建后信号能否保持 BCI 解码所需信息；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其多通道联合重建与传感端能耗设计，尤其是通道间相关性如何支持低秩及变换域行稀疏建模，但重建收益与能耗降低的实验依据尚未验证。

  2. OpenReview · EEG75

    iEEG 信号的结构化采样与恢复

    基于摘要分析。该研究面向无线植入式脑电监测设备的数据传输负担，提出利用 iEEG 信号结构的压缩感知（Compressive Sensing，CS）方案，在采样与恢复两个环节引入结构信息，以期直接获取压缩信号并降低传输相关功耗。其主要研究对象是 iEEG 的压缩采集与重建，而非疾病治疗效果或 BCI 任务解码。 技术机制上，方案强调采样与恢复均感知信号结构，而不只是采集后再进行压缩。摘要未说明所利用的具体结构、采样算子、恢复算法或优化目标，因此尚不能判断其结构假设如何落实，以及对不同记录条件的适用范围。作者称该方案在概念上易于硬件实现；这不等同于已经验证植入式硬件的实际功耗、面积或实时性能。 作者报告，在两个 human iEEG datasets 上，该方案获得最高 32× 的压缩率并保持较高重建质量，且将其压缩性能描述为当时的 state-of-the-art。摘要未提供数据集名称、被试数量、数据划分、重建质量指标、对应压缩率下的误差或对照基线，因此该数值仅能作为所述两个人体 iEEG 数据集上的作者报告，不能直接外推至其他信号或采集场景。 复现时需核对信号结构假设、压缩率定义、采样与恢复实现，以及不同压缩率下的重建质量和传输成本。用于 BCI 前还需验证重建是否保留任务相关信息；较高波形重建质量本身不构成解码性能得到保持的证据。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注其将 iEEG 信号结构同时用于压缩采样与恢复的思路，但作者报告的最高 32× 压缩率仍需结合采样协议、重建指标及硬件功耗验证解读。

  3. OpenReview · EEG73

    EEG 远程监测中模拟到信息转换前端的量化效应

    基于摘要分析。本文研究 EEG 远程监测中压缩感知（CS）前端的量化效应，重点考察量化位分辨率如何影响性能—能耗（P-E）权衡，并提出采用最优位分辨率的量化压缩感知（QCS）策略。 研究动机是 EEG 远程监测的数据吞吐量较高，使无线通信成为主要能耗来源。模拟到信息转换利用 CS 降低信号维度；本文则在稀疏表示与降维之外，将量化作为影响整个前端效率的重要因素。摘要明确讨论了 QCS 结构及位分辨率优化，但未提供测量矩阵、稀疏表示、重建算法、量化器形式或最优位分辨率的求解细节，这些内容尚未验证。 作者报告，在摘要所述实验中，相比固定量化位分辨率的 CS，采用最优位分辨率的 QCS 可使 P-E 权衡改善超过 35%；相较传统 Nyquist 采样，最优位策略还使 QCS 的应用范围扩大 54%。摘要未说明 P-E 指标的计算方式、“应用范围”的定义、信号保真度约束及能耗统计边界，因此这些数字不能直接解释为传输能耗降低、重建精度提升或 BCI 解码性能改善。 本文主要贡献属于 EEG 采集与远程传输前端设计，而非 BCI 解码算法。复现时需核对 EEG 数据来源、被试与通道设置、采样及压缩条件、量化位数搜索范围、重建质量指标，以及固定量化位分辨率 CS 和 Nyquist 采样的对照条件。实验协议、消融及统计信息尚未验证；量化后的 EEG 是否保留具体下游任务所需的信息，也不能由当前摘要确定。

    阅读价值：值得阅读的具体原因是将量化位分辨率纳入 EEG 压缩感知前端的性能—能耗权衡，而非仅关注降维；作者报告的收益仍需结合全文中的性能定义、能耗模型与实验协议核对。

1月1日周三
  1. OpenReview · EEG76

    面向压缩式多通道数据采集的紧凑低功耗皮层记录架构

    该研究面向植入式系统中传输前的皮层信号压缩记录，提出利用电极阵列记录信号空间稀疏性的多通道压缩感知方案，旨在降低硬件面积开销，同时保持功耗效率。基于摘要分析，未取得论文全文。 核心问题是：压缩感知可用于稀疏生物信号的低于 Nyquist 速率采样，但大规模多通道实现所需的硬件可能使面积成本高于不带压缩的常规采集系统。论文的主要贡献在于采集电路与压缩架构设计，而非 EEG 解码算法；其方案通过利用通道间的空间稀疏性缓解硬件开销。具体测量方式、稀疏表示、重建算法及电路组织尚未验证。 作者报告，所提出的电路架构采用 UMC 0.18 μm CMOS 工艺实现，并进行了性能分析与设计优化。根据仿真及后续重建结果，四倍压缩的 iEEG 信号可恢复至最高 21.8 dB 的 SNR；同时报告每通道功耗为 10.5 μW、有效面积为 250 μm × 250 μm。这里的 SNR 属于信号重建指标，不代表 BCI 任务准确率；摘要未提供信号来源、样本规模、评估划分及 SNR 计算细节，亦不足以确认这些结果来自流片实测。 作者报告该方法在较大程度上保持功耗效率，并显著减少面积开销，从而改善功耗—面积乘积，但摘要未给出可核对的基线数值或改善幅度。进一步评估需核对空间稀疏性的适用条件、不同电极布置与信号状态下的重建稳定性，以及功耗和面积的统计边界；实验协议、消融及统计信息尚未验证。其直接价值是为植入式多通道神经记录的采集与传输资源约束提供电路设计思路，不能据此推断四倍压缩后仍能保持下游 BCI 解码性能。

    阅读价值：值得阅读其利用电极阵列信号空间稀疏性降低多通道压缩感知硬件面积开销的设计，但摘要中的重建质量与功耗、面积结果仍需结合全文核对仿真条件及实现边界。

  2. OpenReview · EEG78

    一种用于高密度生物信号记录的新型压缩感知架构

    基于摘要分析。该研究针对密集电极阵列采用 Nyquist 采样信号调理模块时产生的大量数据，以及由此带来的植入式、无线生物信号采集设计挑战，提出空间域压缩感知记录架构，并提供芯片实现结果。主要研究对象是多通道神经信号采集硬件，而非 EEG 解码算法。 方法与实现：研究从功耗和面积约束出发比较了五种植入式多通道神经记录系统架构，并采用 UMC 0.18 μm CMOS 工艺实现了一个 16 通道空间域压缩记录系统。摘要未说明具体测量矩阵、通道混合电路、信号稀疏性假设或重建算法，这些机制及比较条件尚未验证。 结果：作者报告，在应用颅内记录的 EEG 信号时，该系统实现最高 16 倍压缩，额外压缩功耗为 0.95 μW，每通道芯片面积为 0.008 mm²。摘要未明确功耗数值是系统总量还是每通道量，因此不能据此计算整体功耗；最高压缩倍率也不能直接解释为在所有信号或重建精度要求下均可达到的性能。 证据边界：EEG 的记录条件、被试数量、信号片段选择、重建误差及对照架构的具体结果尚未验证，实验协议、消融及统计信息亦尚未验证。评估其用于 BCI 采集链路的价值，需要进一步核对压缩后是否保留任务相关时空特征，以及重建端计算与传输开销是否抵消采集端收益；摘要中的硬件结果尚不能证明 BCI 解码性能得到保持或提升。

    阅读价值：该研究提供了空间域压缩感知记录架构的芯片实测证据，值得关注其压缩倍率与额外功耗、面积之间的权衡，但信号重建质量及对下游 BCI 任务的影响尚未验证。

  3. OpenReview · EEG75

    EEG 信号的节能采集与重建

    基于摘要分析。该研究面向无线体域网（WBAN）中的 EEG 远程监测，针对感知与通信主导能耗的问题，提出基于矩阵补全的采集与重建方案。其贡献是将节能目标从压缩通信扩展到感知环节，并结合随机欠采样硬件验证重建及重建后的信号分类表现。 核心机制是通过伪随机时钟发生器实现随机欠采样，再由 12-bit 逐次逼近寄存器模数转换器（SAR ADC）完成转换，随后采用矩阵补全进行信号重建。摘要未给出矩阵组织方式、低秩假设、目标函数或求解算法，因此尚不能判断该方法如何利用 EEG 的时间与通道相关性，也不能确定其适用的采样缺失条件。 作者报告，与所比较的先进压缩感知（CS）方法相比，该方案在更低能耗下获得显著更好的重建准确性，且在重建后信号分类中表现更优。但摘要未提供数据集、被试数、分类任务、数据划分、重建与分类指标及对照方法名称，优势的幅度、统计依据和适用范围尚未验证。 硬件方面，作者报告其 Analog to Information Converter（AIC）采用 65 nm CMOS 工艺实现；在 1 V 供电下，采样率为 0.5 KS/s，有效位数（ENOB）为 9.54 bits，功耗为 108 nW。这些参数属于所述 AIC，不能直接等同于包含无线通信及后端重建计算的完整系统能耗。 复现时需核对欠采样率与采样模式、矩阵补全的假设和计算成本，以及各 CS 对照在相同采样与能耗预算下的设置；还需核对重建是否保留分类所依赖的 EEG 信息。全文、实验协议、消融及统计信息尚未验证，摘要中的信号分类优势也不能直接视为在线 BCI 性能提升。

    阅读价值：值得阅读其将随机欠采样硬件与矩阵补全重建结合、同时降低 EEG 感知与通信能耗的设计，但重建和分类优势的具体评估协议尚未验证。

1月1日周二
  1. OpenReview · EEG73

    多通道 EEG 压缩：基于小波的图像与体数据编码方法

    基于摘要分析。本文研究多通道 EEG 的无损与近无损压缩，通过将信号组织为图像矩阵或体数据张量，利用空间相邻通道及时间上的相关性，再结合小波变换与残差编码，实现可指定最大重建误差的压缩。 核心机制是“有损编码加残差编码”：先对 EEG 的矩阵或张量表示进行基于小波的有损编码，再对残差进行算术编码。与各通道独立压缩相比，该表示旨在共同利用跨通道和时间冗余。摘要称这一流程能够保证原始信号与重建信号之间的最大误差满足指定约束，但具体数据排列方式、小波配置、残差构造及误差约束实现尚未验证。 作者报告，在三个采样率和分辨率不同的 EEG 数据集上，所提多通道方法相较逐通道压缩算法获得较有吸引力的压缩比。摘要未提供数据集名称、被试数、划分方式、基线名称、压缩比数值或误差阈值，因此不能量化优势，也不能比较不同数据条件下的收益；实验协议、消融及统计信息尚未验证。 该工作的直接贡献是 EEG 数据编码，而不是 EEG 解码或 BCI 分类方法。复现时需核对通道空间布局、信号分块与张量组织方式、原始量化精度、无损及近无损配置，并分别测量压缩比、最大重建误差和计算开销。平台推测（待验证）：近无损压缩是否保留 BCI 所需的微弱信号特征，还应在固定下游任务与评估协议下比较原始信号和重建信号，不能仅凭最大幅值误差受控推断任务性能不受影响。

    阅读价值：值得核对其利用 EEG 跨通道与时间相关性的压缩表示，以及残差编码如何约束重建误差；作者报告优于逐通道压缩，但具体压缩收益与下游任务影响尚未验证。

  2. OpenReview · EEG78

    基于矩阵与张量分解的近无损多通道 EEG 压缩

    基于摘要分析。该研究针对多通道 EEG 的近无损压缩，利用矩阵与张量分解同时提取时间和空间相关性，并结合残差编码，在压缩信号的同时控制原始信号与重建信号之间的最大绝对误差。 核心机制是将多通道 EEG 表示为适当的多维形式，分析多种矩阵与张量分解模型的去相关能力，再采用“有损编码加残差编码”的两层方案：有损层使用基于矩阵或张量分解的编码器，残差层使用算术编码。作者称该方案能够保证用户可指定的最大绝对重建误差。摘要未给出具体分解模型、多维组织方式、分解参数或残差处理细节，这些实现条件尚未验证。 作者报告，在三个头皮 EEG 数据集和一个 iEEG 数据集上进行了评估，各数据集的采样率和分辨率不同。相较于逐通道独立压缩，所提方法获得了更有吸引力的压缩比，但摘要未提供具体数值。作者还报告，在相近压缩比下，该方法的平均误差较一种类似的基于小波的多维多通道 EEG 压缩算法低近五倍；该结果仅对应摘要所述对照条件，不能外推为所有数据或压缩设置下的优势。 该工作的主要贡献是信号压缩与重建误差控制，而非 EEG 解码或 BCI 分类性能提升。复现时需核对数据集身份、压缩比与平均误差的定义、最大绝对误差阈值、模型参数及编码开销，并检验重建信号是否保留下游分析所需的信息。实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体原因是其将多通道时空去相关与残差编码结合，在可指定最大绝对重建误差的约束下压缩 EEG；压缩收益及误差控制对下游分析的影响仍需核对全文与复现。

12月31日周一
  1. OpenReview · State space models82

    面向无线传感器数据压缩的硬件高效压缩感知架构设计与分析

    基于摘要分析。该研究针对无线传感器节点的能耗与遥测带宽约束，提出采用压缩感知（CS）进行数据压缩，并通过模拟与数字电路模型分析不同实现的功耗与性能代价。其主要贡献是将实现方案比较、硬件架构设计与芯片测量结合，而非提出 EEG 解码算法。 技术机制方面，研究为模拟和数字 CS 系统建立电路模型，用于评估潜在应用的设计空间，包括 analog-to-information converters（AIC）。作者报告，在信号需要高增益及中高分辨率的无线传感器场景中，数字实现具有显著的能效优势；该结论有特定应用条件，不能外推为所有采集场景下数字实现均优于模拟实现。 硬件验证方面，所提架构采用 90 nm CMOS 工艺实现。作者报告，实测功耗与电路模型吻合良好；测试系统支持连续、实时处理，在采样率低于 20 kS/s、供电电压为 0.6 V 的条件下，功耗为 1.9 μW，并对 EEG 信号实现超过一个数量级的压缩。摘要未说明该功耗覆盖的电路边界，也未给出 EEG 数据来源、通道配置、重建误差或下游任务表现，因此不能据此认定完整无线 EEG 系统达到同等功耗或保持 BCI 性能。 该工作的直接关联是 EEG 采集端的数据压缩与传输负担，而非跨被试解码或模型泛化。复现时需核对压缩测量方式、稀疏性假设、重建算法、量化设置及功耗测量范围；实验协议、消融及统计信息尚未验证。平台推测（待验证）：若用于无线 BCI，应分别检验压缩后的波形保真度与任务信息保留程度，不能仅以压缩倍率判断应用有效性。

    阅读价值：该研究将模拟与数字压缩感知实现的功耗建模同 EEG 数据压缩芯片实测联系起来，适合关注无线 EEG 端侧压缩的研究者阅读，但重建质量与系统级节能收益尚需核对全文。

1月1日周日
  1. OpenReview · EEG70

    面向自适应脑—机器人接口的命令层级自动提取

    基于摘要分析。本文研究 BCI 输入吞吐量低、机器人自由度（DOF）高所造成的控制困难，在既有 Hierarchical BCIs（HBCIs）工作基础上，提出从用户命令历史自动提取模式、学习高层命令的两种算法。其贡献主要位于命令组织与机器人控制层，而非摘要已证实的 EEG 解码算法改进。 第一种算法构建任意层级的“控制语法”（control grammar），其中的元素可表示技能、完整任务或任务集合。用户选择一个语法符号后，系统将其展开为一串低层命令，使一次高层选择能够触发多步操作。第二种算法采用概率机制，同样学习可作为高层命令执行的序列，但不构建显式层级结构。摘要未提供概率模型、模式提取准则、训练细节或更新规则，这些内容尚未验证。 作者将两种算法描述为事实上的字典压缩，用较少的高层命令表达较长的低层操作序列，以提升 BCI 的有效吞吐量。作者还表示，该扩展使训练不再局限于特定机器人状态空间，例如导航任务的笛卡尔空间，并支持任意复杂任务的训练；这些能力的具体适用范围仍需结合全文核对。 作者报告，两名人类被试通过非侵入式 EEG 使用层级 BCI，成功控制了模拟 PR2 机器人。该结果的评估背景是模拟机器人控制，不能据此推断实体机器人中的可靠性、广泛被试适用性或量化效率优势。摘要未给出 EEG 输入范式、命令解码方式、任务划分、对照基线或吞吐量指标，实验协议、消融及统计信息尚未验证。 复现时需核对命令历史如何采集与切分、学得的高层命令如何被用户选择，以及序列执行错误如何处理。关键验证点是：压缩是否在减少用户选择次数的同时保持任务成功率，以及学习和调用高层命令的成本是否抵消了控制效率收益。

    阅读价值：值得阅读其从用户命令历史自动学习高层命令的两种机制，以考察命令序列压缩如何缓解 BCI 低吞吐量与机器人高自由度之间的矛盾，但实际效率增益尚需全文核对。

  2. OpenReview · EEG74

    基于三维分解的多通道 EEG 压缩

    基于摘要分析。本文研究多通道 EEG 的压缩，将信号表示为三阶张量（或三维体数据），以利用空间与时间相关性，并提出可控制最大重建误差的两阶段编码框架。 核心机制：第一阶段比较三类编码方案，即基于小波的体数据编码、基于能量的小波子带无损压缩，以及基于张量分解的编码；第二阶段对残差进行量化与编码。残差处理使压缩过程能够控制最大误差，即最坏情况失真。摘要未说明张量各维度的具体组织方式、所用张量分解类型、量化规则或误差控制参数，这些实现细节尚未验证。 结果与对照：作者报告，在一个标准 EEG 数据集上的数值实验中，张量编码相较小波方案和基于能量的方案取得更低的最坏情况误差，平均误差则相当。摘要未提供数据集名称、被试数、数据划分、压缩率、误差指标定义及具体数值，因此无法判断这一优势对应何种压缩条件，也不能将其视为对其他数据或协议的普遍结论。实验协议、消融及统计信息尚未验证。 阅读与复现关注点：需从全文核对张量构造、各方案的编码与解码步骤，以及比较时压缩率和误差约束是否对应相同条件。该研究的直接贡献是 EEG 信号压缩，而非 BCI 解码方法；压缩后的任务相关信号是否保留、对下游 BCI 性能有何影响，摘要未提供证据。复现还需确认数据获取方式、参数设置与代码可用性。

    阅读价值：值得阅读的具体原因是其将多通道 EEG 的张量表示与残差编码结合以控制最大重建误差，作者报告张量编码相较两类对照方案具有更低的最坏情况误差，但具体实验协议及下游信号保真度尚未验证。

1月1日周六
  1. OpenReview · EEG71

    EEG 无损压缩的二维方法

    基于摘要分析。本文研究 EEG 信号的无损压缩，通过将信号重排为二维矩阵，再结合二维编码与残差编码，利用信号中的相关结构提高压缩效率；研究对象是 EEG 数据存储与编码，而非 BCI 任务识别。 核心方法包含计算上较简单的二维预处理，以及由 SPIHT 有损编码层和算术编码残差层组成的两阶段编码器。其无损性依赖残差层补偿有损层带来的重建误差，不能将整个方法误解为有损 EEG 压缩。作者称编码器经过优化，以利用信源记忆性和残差的独立同分布（i.i.d.）特性；矩阵排列规则、残差定义及具体优化方式尚未验证。 作者在 University of Bonn database 和 Physiobank Motor/Mental Imagery database 上测试，并与 JPEG2000、基于预测编码的 shorten、简单熵编码及标准向量式压缩方案比较。作者报告，二维方案获得更高的无损压缩性能，预处理带来 6% 的改善，两阶段编码器进一步带来 3% 的改善。摘要未明确这两个增幅对应的压缩指标、计算口径和具体参照条件，因此不应将其解释为百分点、绝对压缩率或跨数据库一致的收益，也不能与其他协议下的结果直接比较。 该方法的直接价值在于 EEG 无损存储链路。复现需核对原始数据精度、二维矩阵构造方式、编码参数、残差处理、码流开销及逐样本无损还原条件，并结合运行时间与内存占用判断实用性。实验协议、消融及统计信息尚未验证；摘要不能支持对实时传输、多通道部署或 BCI 解码性能改善的结论。

    阅读价值：值得阅读其二维重排与 SPIHT—残差算术编码组合如何实现 EEG 无损压缩，但摘要中的压缩性能增幅仍需结合指标定义、基线和计算开销核对。

12月31日周五
  1. OpenReview · EEG81

    面向无线与植入式传感器的信号无关压缩感知采集系统

    基于摘要分析。该研究针对无线与植入式传感器的能耗及遥测带宽约束，提出一种信号无关的压缩感知（CS）采集系统，通过硬件高效的 CS 采样实现连续数据采集与压缩，面向多种生物物理信号，而非专门提出 EEG 解码算法。 核心机制是在采集环节实施压缩感知，以减少需要传输的数据量。作者报告，在摘要所述 EEG 信号演示中，数据压缩最高可达 40 倍，同时重建信号保持较低的感知损失；但摘要未给出感知损失的定义、定量误差、EEG 数据来源及采集条件，因此这一结果不能直接解释为保留了全部任务相关信息，也不能等同于 BCI 解码性能不变。 作者还报告，该系统同时将模拟前端（AFE）与 ADC 的噪声及分辨率约束放宽近一个数量级。CS 采样硬件采用 90 nm CMOS 工艺实现，在 0.6 V、20 kS/s 条件下功耗为 1.9 μW。该功耗对应摘要所述采样硬件，不宜据此推算包含无线传输与信号重建的完整系统功耗。 复现与应用评估需核对具体采样机制、重建算法、信号结构假设、压缩倍数定义及功耗测量边界；实验协议、消融及统计信息尚未验证。对 EEG/BCI 应用，尚需验证压缩重建是否保留目标频段、瞬态事件及任务相关特征，摘要中的感知损失描述本身不足以确认这些性质。

    阅读价值：该研究值得关注之处在于将压缩感知落实到低功耗采集硬件，并报告了 EEG 压缩及模拟前端约束放宽的结果，但重建保真度与下游 BCI 任务性能之间的关系尚未验证。

1月1日周五
  1. OpenReview · EEG70

    用于生理信号无线监测的自适应数据压缩低功耗系统及其在无线 EEG 中的应用

    该研究针对生理信号无线监测中电池寿命与采集信号质量之间的权衡，提出用于无线 EEG 监测的低功耗系统设计方法：根据信号信息含量控制传输数据量，实时调节信号准确性与能耗之间的取舍。基于摘要分析，未取得论文全文。 核心机制是自适应数据压缩与无线发送量控制，而非 EEG 分类或 BCI 解码算法。研究考虑不同系统参数对设计的影响，并分析无线信道噪声下的表现。摘要未说明信息含量的计算方式、压缩算法、调节规则或系统参数的具体取值，相关实现细节尚未验证。 作者报告，该设计方法可在对监测 EEG 信号准确性影响较小的情况下，显著节省发射端功耗，但摘要未给出节省幅度或信号准确性的度量定义。作者还报告，在无线信道误码率 BER < 10⁻⁴ 的条件下，自适应压缩系统表现更好；摘要未明确对应的比较基线及性能指标，不能据此推断 BCI 分类 Accuracy 或端到端系统总能耗的改善。 其直接研究价值在于无线 EEG 采集与传输环节的能耗—保真度权衡。EEG 数据来源、被试与通道配置、硬件实现、功耗测量边界、实验协议、消融及统计信息尚未验证；进一步评估时需区分发射端功耗与包含压缩计算开销的总功耗，以及波形保真度与下游任务性能。摘要未提供可确认的代码或硬件复现条件。

    阅读价值：值得阅读的具体原因是其将 EEG 信息含量驱动的自适应压缩与无线发送能耗联合考虑，但信号保真度、功耗收益及信道条件下的实际表现仍需全文核对。

  2. OpenReview · State space models73

    用于声学模型压缩的黎曼流形协方差聚类

    基于摘要分析。本文研究声学模型压缩中的协方差矩阵聚类问题，核心贡献是在黎曼几何框架下定义协方差空间的距离与均值，并将 LBG 聚类算法扩展至该空间，而非直接采用欧氏向量聚类。 方法机制：作者指出，协方差矩阵不构成欧氏向量空间，常规向量聚类难以有效处理其几何结构。论文将协方差空间视为配备 Fisher 信息度量的黎曼流形，以流形上的距离和均值支撑聚类。摘要未提供距离公式、均值求解方式、聚类初始化、收敛条件及压缩后参数组织方式，具体实现尚未验证。 结果与证据边界：作者报告，在声学模型压缩实验中，模型大小降至接近原来的一半，识别性能未出现明显损失。摘要未给出语料、识别任务、数据划分、对照方法、模型大小的计量口径及识别指标，因此该结果不能扩展解释为特定识别错误率或统计等效性结论；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，对以正定协方差矩阵表征 EEG 的方法，流形聚类可能用于压缩原型集合或协方差字典；这不等于已证实的 BCI 效果。可复用部分是流形距离、均值与聚类流程，需改造部分包括 EEG 协方差估计、正则化及下游分类接口。低信噪比、短时间窗、小样本或通道变化可能使协方差估计不稳定，跨被试分布差异也可能削弱共享原型的代表性。一个小规模可证伪实验是：固定 EEG 数据划分与分类器，仅用训练集拟合原型，在相同原型数量下比较欧氏聚类与该流形聚类的分类 Accuracy、存储量及推理耗时。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其以 Fisher 信息度量下的流形距离与均值扩展 LBG 聚类、实现协方差压缩的机制，但语音识别效果及向 EEG 协方差表示的迁移仍需分别核验。

1月1日周二
  1. OpenReview · State space models74

    用于高速公路行程时间预测的状态空间神经网络

    基于摘要分析。本文研究高速公路行程时间预测中可观测交通量之间复杂的非线性时空关系，基于该问题的状态空间表述推导递归状态空间神经网络（SSNN）。其主要贡献是以内部状态建模交通动态，并通过分析状态与权重配置构建 Reduced SSNN，在缩减参数的同时保持预测性能。 机制与结果：SSNN 面向实际经历的行程时间预测，而非 EEG 或 BCI 任务。作者报告，模型明显优于当时的实践方法，预测残差近似服从零均值正态分布，通常处于真实预期行程时间的 10% 范围内；摘要未明确对应基线、数据划分及误差计算细节，不能将这一表述改写为 Accuracy 或固定误差上限。作者还报告，内部状态与权重分析显示模型形成了与底层交通过程密切相关的内部表征，据此剔除不显著参数；Reduced SSNN 保留 63 个可调权重，模型规模减少 72%，且预测性能未下降。上述结果均限于摘要所述交通预测评估，实验协议、消融及统计信息尚未验证。 复现需核对：交通数据来源、输入变量、采样间隔、预测时域、训练与测试划分、状态更新形式、训练目标，以及参数筛减准则。摘要不足以确认该 SSNN 与现代同名状态空间模型的具体结构关系。 平台推测（待验证）：迁移假设是，递归状态表征和基于内部分析的参数缩减可能用于 EEG 时序预测中的动态建模与小模型设计。可借鉴状态更新与缩减思路，但须改造交通输入、预测目标及状态解释方式；原方法依赖哪些时空观测、监督信号和训练规模仍需全文核对。EEG 的低信噪比、跨被试差异、通道变化和小数据可能使状态解释及参数重要性不稳定。一个可检验的小实验是在固定被试内划分下比较完整模型与缩减模型的 EEG 短时预测误差及参数量，检验压缩能否保持泛化性能。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以状态空间建模组织非线性时空预测，并依据内部状态与权重分析缩减模型的思路；其交通预测效果由作者报告，对 EEG 的适用性尚未验证。

1月1日周日
  1. OpenReview · State space models77

    用于束搜索解码的语言模型表示

    基于摘要分析。本文研究面向大词汇量连续语音 HMM 识别器的 bigram 语言模型表示，核心贡献是结合概率因子分解、后继词树结构与空间优化算法，降低 beam-search 解码所需的语言模型存储开销；原研究对象是语音识别，而非 EEG 或 BCI。 技术机制上，作者从 bigram 插值方案推导概率因子分解，并将给定词之后可能出现的词组织为树形拓扑，再利用优化算法减少语言模型的空间需求。摘要未给出分解公式、树节点共享规则、优化目标及其与搜索剪枝的具体交互，这些实现条件尚未验证。 作者报告，在 HP-735 工作站上开展的两个 10,000 词听写任务中，放射学报告任务的困惑度为 27，达到 93% 词准确率、实时响应和 23 Mb 进程空间；报纸听写任务的困惑度为 120，达到 88.1% 词准确率、1.41 倍实时响应时间和 38 Mb 进程空间。上述结果属于各自语料与当时硬件条件，不能直接用于推断现代系统的性能或压缩收益。数据划分、对照表示、消融及统计信息尚未验证；空间单位沿用摘要原文。 平台推测（待验证）：若语言型 BCI 已提供词级候选概率，并使用 bigram 先验进行束搜索，这种表示方法可能用于降低语言先验的存储开销，但不直接改善 EEG 特征提取或跨被试泛化。可复用的是词转移概率的树形表示与搜索接口，需改造的是神经解码输出与词表、语言先验的对接。低信噪比和小样本造成的候选概率失准，可能使语言先验掩盖神经证据。一个可检验的小实验是固定神经解码器、bigram 概率及搜索设置，仅替换语言模型表示，比较输出一致性、峰值内存与解码延迟。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究提供了利用 bigram 概率因子分解和树结构压缩语言模型表示的具体思路，值得关注其在 beam-search 解码中对存储与响应时间的权衡，但对神经信号解码的适用性尚未验证。