跳到正文

算法、任务与模态

EEG 最新动态

EEG 研究索引；按可核对的标签归档，不以热度评价质量。

245 条精选近 30 天 134 条共收录 386 条

更新

精选归档 · 第 11 页

1月1日周三第 201–220 条
  1. OpenReview · EEG76

    通过语言引导的对比学习从 EEG 识别自然图像

    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。

    阅读价值：值得阅读的具体原因是其将 EEG—图像对比学习与 LLM 生成的语义描述结合，并以 200 类零样本识别及多维视觉响应分析考察解码可行性；语言引导的独立增益和评估协议仍需全文核对。

  2. OpenReview · EEG76

    通过语言引导的对比学习从 EEG 识别自然图像

    基于摘要分析。本研究面向从 EEG 视觉响应中识别自然图像的问题，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，并利用 LLMs 生成的刺激描述引导模型学习核心语义信息。其贡献在于将语言描述引入 EEG—图像表征对齐，并从多个维度分析视觉响应，以考察识别的可行性与生物学合理性。 核心机制是将刺激图像及其诱发的 EEG 响应联系起来，再以语言描述提供语义引导。摘要未说明 EEG、图像和语言表征的具体编码方式、语言引导的融合位置、损失形式及训练流程，这些实现细节尚未验证。复现时需核对语言描述如何生成、训练与测试类别如何划分，以及语言引导相对于仅使用 EEG—图像对比学习的增益。 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设置、被试数量、训练与测试划分及统计检验细节，因此这些结果只能在所述任务背景下解读，不能直接与其他协议比较。 作者还报告从时间、空间、频谱和语义角度分析 EEG 视觉响应，并以 THINGS-Magnetoencephalography（MEG）数据集的比较研究支持可行性与合理性判断；具体分析方法、对照结果及其证据强度尚未验证。摘要提供了 NICE-LLM 代码地址，但代码完整性、数据预处理与复现条件尚未核验。医疗与机器人控制属于作者提出的潜在 BCI 应用方向，不代表已经完成应用或临床验证；实验协议、消融及统计信息仍需全文核对。

    阅读价值：值得阅读的是语言语义引导的 EEG—图像对比学习机制及其在 200 类零样本识别中的作者报告结果，但划分协议与语言信息的独立贡献仍需结合全文核对。

  3. OpenReview · EEG75

    CodeBrain：融合解耦分词器与多尺度架构的 EEG 基础模型

    基于摘要分析。CodeBrain 针对 EEG 通道配置、序列长度和任务目标差异带来的模型迁移困难，提出结合解耦分词器与多尺度架构的 EEG 基础模型，以两阶段训练学习通用表征。 第一阶段，TFDual-Tokenizer 独立对异质的时域和频域成分进行离散编码。作者称该设计可使离散表征空间获得二次方级扩展，并通过跨域 token 分析提供一定可解释性；具体码本规模、组合方式、分词器训练目标及解释性验证尚未验证。第二阶段，EEGSSM 将结构化全局卷积与滑动窗口注意力结合，分别覆盖稀疏长程依赖和局部依赖，并以掩码自监督学习预测 TFDual-Tokenizer 产生的 token 索引。 相较全连接 Transformer，作者认为 EEGSSM 更符合脑组织的小世界拓扑，能够高效捕捉 EEG 的多尺度结构。这是作者对架构的机制解释，尚不能仅凭摘要认定其具有经验证的生物学对应关系或明确的计算效率优势。 作者报告，在 10 个公开 EEG 数据集上采用线性探测评估，实验支持 CodeBrain 的泛化能力。摘要未列出数据集名称、任务、指标、基线或数据划分，因此不能判断这些结果分别对应被试内、跨被试、跨会话还是跨数据集协议，也不能量化性能提升。需进一步核对预训练与下游评估的数据关系、通道差异处理方式，以及解耦分词器和全局—局部架构各自的贡献；实验协议、消融及统计信息尚未验证。 复现方面，摘要说明代码和预训练权重将在未来版本发布，当前材料不足以确认可用实现。复现还需核对预处理流程、掩码策略、码本设置、预训练数据组成及线性探测配置。

    阅读价值：值得关注其时域与频域解耦离散表征及全局—局部依赖建模的组合机制，但跨数据集泛化的具体协议、效率收益与拓扑解释仍需全文核对，代码和预训练权重尚待发布。

  4. OpenReview · EEG75

    CodeBrain：结合解耦 Tokenizer 与多尺度架构的 EEG 基础模型

    基于摘要分析。CodeBrain 面向通道配置、序列长度和任务目标差异导致的 EEG 模型迁移困难，提出将时频解耦 Tokenizer 与多尺度架构结合的两阶段 EEG 基础模型，以增强异质信号表征和长短程依赖建模。 第一阶段，TFDual-Tokenizer 分别对时间与频率成分进行离散化。作者称，这种解耦方式使离散表征空间获得平方级扩展，并可通过跨域 token 分析提供一定可解释性；具体码本配置、组合方式及解释性验证尚未验证。第二阶段，EEGSSM 将结构化全局卷积与滑动窗口注意力结合，用于联合建模稀疏长程依赖和局部依赖，并以掩码自监督目标预测 TFDual-Tokenizer 生成的 token 索引。摘要未给出具体损失形式、掩码策略或训练规模。 相较于全连接 Transformer，作者将 EEGSSM 的设计解释为更贴近脑网络的小世界拓扑，并更高效地捕捉 EEG 的多尺度结构。这是作者的结构动机与结论，尚不能据此认定模型已验证真实脑连接结构，或在计算开销上具有确定优势。 作者报告，在 10 个公开 EEG 数据集上采用 linear probing 评估，结果支持 CodeBrain 的泛化能力。摘要未提供数据集名称、任务、被试数量、划分方式、对照基线和指标数值，因此无法判断其证据对应被试内、跨被试、跨会话还是跨数据集泛化，也不能直接比较不同协议下的性能。 复现时需核对时频解耦与多尺度模块各自的贡献、不同通道配置和序列长度的处理方式，以及预训练与下游评估的数据关系。实验协议、消融及统计信息尚未验证。作者表示代码与预训练权重将在未来版本发布；当前材料不能确认其已公开，也不能据此归类为模型或软件发布。

    阅读价值：值得阅读其时频解耦离散表征与全局—局部依赖建模的组合机制，但作者所述泛化能力与效率优势仍需结合完整评估协议、消融及资源开销核对。

12月31日周二
  1. OpenReview · EEG70

    跨被试 EEG 分析中的原型网络技术研究

    基于摘要分析。该研究针对跨被试 EEG 分布差异及个体校准成本，提出 Cross Subject EEG Prototypical Network（CS-EEGPNet），用于少样本 EEG 分类。核心思路是以同一被试支持集的特征统计量归一化查询集特征，并引入可学习辅助向量来帮助构建类别原型。 机制上，few-shot feature normalization（FSFN）使用同一被试支持集特征的均值和方差，对查询集特征进行归一化，以减轻个体差异的影响。摘要还提及多个特征层上的计算，但具体层级、计算顺序及归一化细节尚未验证。基于辅助因素的原型模块通过可学习向量存储类别相关信息，辅助原型构建；作者将其作用解释为缓解 EEG 随机性与非平稳性对跨被试少样本分类的影响。向量的训练方式、与支持集特征的融合方式及损失形式尚未验证。 作者在运动想象（MI）任务的 BCIC IV 2a 和 HGD 数据集上进行评估，并报告分类性能提升及达到最先进准确率。摘要未提供具体 Accuracy 数值、支持集样本量、被试划分或对照基线，因此目前无法核对提升幅度，也不能与其他协议下的结果直接比较。该方案依赖同一被试的支持集，不宜将其解读为无需个体数据的零校准方法。 复现时应重点核对支持集与查询集的构造、统计量计算范围、多特征层归一化实现，以及 FSFN 和辅助原型模块各自的贡献。实验协议、消融及统计信息尚未验证；小支持集下统计量的稳定性和辅助向量的跨被试泛化能力，也是需要进一步检验的问题。作者关于首次通过多特征层计算消除少样本 EEG 被试间分布偏移的表述，尚未独立核实。

    阅读价值：值得核对和复现的是利用同一被试支持集统计量进行特征归一化、并以可学习辅助向量构建类别原型的组合机制，但其收益需结合少样本校准协议、基线及统计检验验证。

9月28日周六
  1. OpenReview · EEG72

    从静息到行动：利用 HyperNetworks 根据静息态 EEG 自适应生成运动想象分类权重

    基于摘要分析。该研究针对 EEG-BCI 运动想象（MI）分类需要较长用户校准、静息态 EEG 中的个体信息未被充分利用的问题，提出 HyperEEGNet：将 HyperNetworks（HNs）与 EEGNet 结合，根据静息态 EEG 自适应生成 MI 分类所用权重，探索被试内、跨被试及跨会话泛化。 核心机制是把静息态 EEG 作为生成分类器权重的依据，而非仅依赖目标用户的 MI 数据训练固定分类器。摘要未说明静息态输入的表示方式、生成哪些权重、HNs 与 EEGNet 的具体连接、损失函数或训练与推理流程，因此尚不能判断新用户适配需要多少静息态记录、是否需要 MI 标签，以及校准时间是否实际缩短。 作者报告，在包含 9 名参与者的数据集上，Leave-Subject-Out 评估中的表现与基线 EEGNet 相近；在扩展至 33 名参与者的数据规模后，模型利用静息态 EEG 信息展示了面向未见被试的泛化能力。作者还报告模型能够在跨会话与跨用户场景学习稳健表示，但摘要未给出数据集名称、具体划分、评价指标、性能数值或统计不确定性，不能量化相对基线的收益，也不能直接比较不同协议的结果。 作者将较小模型占用与降低边缘计算的内存、存储需求联系起来，并提出加快用户校准的应用前景；具体资源测量和校准收益尚未验证。复现时需核对静息态与 MI 数据的配对方式、会话关系、未见被试适配流程及基线的可用数据条件。实验协议、消融及统计信息尚未验证，尤其需确认性能变化来自静息态个体信息、权重生成机制还是训练数据规模变化。

    阅读价值：值得核对其以静息态 EEG 驱动 HyperNetworks 生成 MI 分类器权重的个体适配机制，尤其是未见被试泛化与减少校准需求的证据，但具体性能和资源收益尚未验证。

9月27日周五
  1. OpenReview · EEG74

    EEGMamba：结合混合专家的双向状态空间模型用于 EEG 多任务分类

    基于摘要分析。该研究针对 EEG 分类中长序列建模的计算开销，以及不同任务之间信号长度、通道数不一致带来的适配问题，提出 EEGMamba，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、双向 Mamba 和 Mixture of Experts（MoE）整合为多任务分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度与通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；双向 Mamba 用于进一步提取 EEG 特征，旨在兼顾长序列处理的分类表现、推理速度与内存使用；任务感知 MoE 配置通用专家，以建模不同 EEG 任务之间的差异与共性。摘要未提供这些模块的具体结构、专家路由方式、损失函数或多任务训练流程，相关细节尚未验证。 作者报告在八个公开 EEG 数据集上开展评估，覆盖癫痫发作检测、情绪识别、睡眠分期分类和运动想象四类任务，并报告具有性能优势；但摘要未列出数据集名称、被试数、数据划分、对照基线或具体指标，因此尚不能判断优势对应被试内、跨被试、跨会话还是跨数据集协议，也不能将多任务学习直接等同于对未见任务的泛化。作者将其称为首个真正实现 EEG 多任务学习的通用分类网络，该优先性主张尚未检索确认。 复现时需核对不同任务是否联合训练、任务信息如何用于 MoE 路由、通道与长度适配的实现，以及各模块的消融结果；推理速度和内存优势还需结合硬件、输入长度及比较基线核验。实验协议、消融及统计信息尚未验证。材料仅表示代码计划近期发布，不能据此确认代码或预训练权重已公开。

    阅读价值：值得阅读的是 EEGMamba 将长度与通道适配、双向状态空间建模及任务感知专家机制组合用于 EEG 多任务分类，但其多任务训练协议、性能优势和计算效率仍需全文核对。

  2. OpenReview · EEG73

    面向时变脑网络的动态多通道 EEG 图建模

    基于摘要分析。该研究面向多通道 EEG 的癫痫发作检测与预测，提出动态图神经网络方法 EvoBrain，以刻画静态图方法难以表达的脑网络时变特征。其核心贡献是采用 time-then-graph 策略，并引入反映脑连接瞬态变化的动态图结构。 机制上，EvoBrain 先建模 EEG 信号与图的时间动态，再通过 GNN 学习随时间演化的空间 EEG 表征。该设计将时间建模置于图空间表征学习之前；摘要未说明图的构建依据、边权更新方式、时间编码模块、损失函数及训练细节，这些内容尚未验证。作者称提供了理论分析，证明 time-then-graph 相较其他策略具有表达能力优势，其成立条件与比较范围需查阅全文。 评估方面，摘要明确提到具有挑战性的早期癫痫发作预测任务。作者报告 EvoBrain 相较其所称的当前最优方法提升了 AUROC 与 F1，但未提供具体数值、数据集、被试数、预测时间窗、数据划分或对照方法名称，因此不能判断改进幅度，也不能确定结论适用于被试内、跨被试还是跨会话设置。实验协议、消融及统计信息尚未验证。 研究的直接价值在于探索癫痫相关 EEG 时变空间关系，而非已验证的通用 BCI 性能提升。作者将其描述为具有临床应用价值，但摘要不足以确认临床验证程度或部署可靠性。材料提供了源码地址；代码完整性、运行环境及结果可复现性尚未验证。阅读全文时宜重点核对动态图是否确实捕捉发作相关瞬态变化，以及其相对静态图和其他时间—空间建模策略的收益。

    阅读价值：值得阅读其 time-then-graph 动态 EEG 图建模机制及表达能力分析，但作者报告的早期癫痫发作预测优势仍需结合全文中的评估协议、基线与统计信息核对。

  3. OpenReview · EEG74

    Professor X：通过隐蔽且鲁棒的后门攻击操纵 EEG BCI

    基于摘要分析。本文研究 EEG BCI 的后门安全风险，提出 Professor X，旨在通过干净标签数据投毒操纵模型输出。作者将其与主要面向单一目标类别、需要介入目标 BCI 训练阶段或隐蔽性不足的既有攻击区分开来；这些对照判断及其适用范围尚需全文验证。 核心机制分为三个阶段：为每个类别选择一个触发器；针对每个触发器，利用强化学习学习注入电极与频率的策略；依据所学策略，对数据与触发器的频谱幅值进行线性插值，将对应触发器的频率成分注入各类别的投毒数据。该方法以电极和频率为攻击设计变量，直接利用 EEG 的多通道与频谱结构。摘要未说明触发器来源、强化学习的状态与奖励、插值强度、干净标签约束的具体实现，以及攻击者可访问或修改的数据范围；不能据此认定攻击完全不涉及目标模型的训练流程。 作者报告，在三种常见 EEG 任务的数据集上，Professor X 展现出有效性和鲁棒性，并能够绕过现有后门防御。摘要未给出任务与数据集名称、被试数、被试内或跨被试等评估协议、模型基线、攻击成功率、正常任务性能变化、隐蔽性度量或防御配置，因此无法量化效果或判断跨协议可比性。实验协议、消融及统计信息尚未验证。 复现时需重点核对多目标操纵的定义、投毒比例与访问权限、触发器在推理阶段的施加方式，以及鲁棒性和防御绕过的测试条件。摘要称代码将于近期发布，当前材料不能确认代码已公开。

    阅读价值：值得阅读的具体原因是其将逐类别触发器、强化学习选择电极与频率以及频谱幅值插值结合用于 EEG BCI 后门攻击，但攻击权限、隐蔽性和防御绕过效果仍需核对全文实验。

  4. OpenReview · EEG75

    EEG-ImageNet：具有多粒度标签图像视觉刺激的 EEG 数据集与基准

    基于摘要分析。研究针对 EEG 视觉感知解码中综合性数据集不足的问题，提出 EEG-ImageNet，并建立物体分类与图像重建基准；主要贡献是配对 EEG 与视觉刺激的数据资源及其多粒度标签，而非摘要中明确提出的新解码算法。 数据与任务：作者介绍，数据集记录了 16 名参与者观看来自 ImageNet 的 4000 张图像时的 EEG，并称 EEG–图像配对数量为现有基准的五倍，但摘要未明确比较对象及配对计数规则。摘要另写包含“40 张具有粗粒度标签的图像和 40 张具有细粒度标签的图像”；这一表述与 4000 张图像的组织关系尚不清楚，不能自行解释为 40 个粗粒度类别与 40 个细粒度类别，需核对全文或数据说明。 结果：作者报告，在该数据集上测试若干常用模型时，表现最好的模型在物体分类任务中取得约 60% 的 Accuracy，在图像重建任务中取得约 64% 的 two-way identification。后者是二选一识别评估结果，不能等同于分类 Accuracy 或整体重建质量。摘要未提供模型名称、训练与测试划分、被试内或跨被试协议、重建候选构造及结果不确定性，因此这些数字仅能作为当前摘要所述基准结果，不能直接与其他数据集或协议比较。 技术与复用边界：多粒度标签为比较不同语义层级的 EEG 视觉解码提供了数据条件，但其标签组织、采集通道、预处理、刺激时序、重复呈现与数据获取条件尚未验证。复用前应核对图像、试次和被试层面的划分，以及分类和重建评估的具体定义；实验协议、消融及统计信息尚未验证。作者提出该资源可能促进 EEG 视觉 BCI 和视觉感知研究，并启发机器视觉，但摘要结果不构成实际 BCI 系统效用或机器视觉改进的验证。

    阅读价值：EEG-ImageNet 提供多粒度视觉刺激标签及物体分类、图像重建基准，值得核对其数据划分与评估协议，以判断其对 EEG 视觉解码研究的复用价值。

9月26日周四
  1. OpenReview · EEG76

    用于高标签效率病理检测的 EEG-Language 预训练

    基于摘要分析。该研究面向临床 EEG 病理检测，探索临床报告与 EEG 联合预训练能否改善表征并降低下游标注需求。作者使用临床报告与 15000 份 EEG 训练 EEG-language models（ELMs），结合多模态对齐、时间序列裁剪与文本分段，并引入多实例学习以缓解无关 EEG 片段或文本片段造成的对齐问题。 核心机制是利用临床文本为 EEG 表征提供多模态信息。报告片段涵盖患者临床史、EEG 描述及医生解读；时间序列裁剪和文本分段支持片段级处理，多实例学习扩展则用于缓解片段之间的不相关匹配。具体编码器结构、对齐损失、多实例聚合方式及训练设置尚未验证。 作者报告，相比仅接触较窄范围临床文本的模型，使用更丰富报告片段的模型在根据报告检索 EEG 及根据 EEG 检索报告时具有更高 Accuracy。作者还报告，在少标注条件下，ELMs 在零样本分类和线性探测评估中可改善相对于 EEG-only 模型的病理检测表现，多实例学习进一步提升各项任务表现。摘要未提供具体分数、病理类别、数据划分或统计检验信息，因此这些结果不能用于定量比较不同方案。 该工作直接研究 EEG 与临床文本联合建模，但研究目标是临床病理检测，并非 BCI 控制或运动想象解码。复现与判断泛化能力时，需要核对 EEG 和报告的配对规则、被试及记录的划分单位、文本预处理、零样本分类定义、线性探测的标注预算与 EEG-only 对照设置。实验协议、消融及统计信息尚未验证；对其他 EEG 任务或 BCI 场景的有效性也尚未验证。

    阅读价值：值得阅读的具体原因是其将临床报告与 EEG 联合预训练，并以多实例学习处理片段间的不相关匹配，作者报告的少标注病理检测收益值得结合完整评估协议核对。

  2. OpenReview · EEG76

    以大型时空 Transformer 为基础模型学习鲁棒 EEG 表征

    基于摘要分析。研究针对 EEG 基础模型难以适应不同记录配置、BCI 控制范式及有限标注数据的问题，提出时空 EEG Transformer（ST-EEGFormer），通过自监督预训练与下游微调学习可迁移的 EEG 表征。其主要贡献是将不同通道配置和信号时长的建模，与跨 MI、P300、SSVEP 范式的适应性评估结合起来。 方法将原始 EEG 切分为片段（patches），投影到嵌入空间，并加入空间与时间嵌入。作者以掩码自编码器（MAE）任务进行自监督预训练，预训练数据由六个公开运动想象（MI）数据集、一个公开 P300 数据集和一个公开稳态视觉诱发电位（SSVEP）数据集组成。摘要未提供片段长度、空间位置编码方式、掩码策略、重建目标细节或模型规模，尚不能确认其处理不同通道配置的具体实现条件。 评估包括预训练所涉及八个数据集上的下游分类微调，以及两个未参与预训练的公开数据集：癫痫发作分类数据集和在线 MI BCI 数据集。对照模型包括简单线性模型、EEGNet、监督学习模型 EEG Conformer，以及基础模型 BIOT 和 Large Brain Model（LaBraM）。作者报告，预训练后的 ST-EEGFormer 在八个预训练数据集的下游分类中均取得高于所比较模型的 Accuracy，并在新数据集、有限训练数据条件下表现出较强泛化能力；摘要未给出具体数值或有限数据的规模。 这些结果支持进一步核查统一时空表征与 MAE 预训练的适应性，但不能直接解释为已验证的跨被试、跨会话或无需微调的泛化。数据集名称、被试数、训练与测试划分、预训练与评估样本的关系、各基线微调预算、消融及统计信息尚未验证。作者还提供模型及支撑结果的特征可视化，其解释性结论需结合正文审阅；代码、权重与完整复现条件尚未验证。

    阅读价值：值得阅读其跨 MI、P300 与 SSVEP 范式的统一预训练设计，以及在未参与预训练的数据集上检验有限训练数据条件下泛化能力的实验；作者报告的优势仍需结合具体划分、微调预算与统计结果核对。

  3. OpenReview · EEG77

    EEG 数据预测偏移适应的测地线优化

    基于摘要分析。本文研究不同人群与 EEG 设备造成的输入 X 和生物医学目标 y 同时发生分布偏移的问题，提出 Geodesic Optimization for Predictive Shift Adaptation（GOPSA），用于源域具有不同 y 分布时的测试时多源域适应。主要研究对象是静息态 EEG 的跨站点年龄预测，而非 BCI 指令解码。 机制上，方法以 EEG 空间协方差矩阵为表示，利用其所在的对称正定（SPD）矩阵黎曼流形的测地线结构，联合学习域特异的重中心化算子与回归模型。摘要将该算子解释为站点特异的截距项，因而其阅读价值在于探索如何将站点差异建模与预测模型训练结合，而不只对输入表示进行单独对齐。具体优化目标、测地线参数化、训练与测试时可用信息，尤其目标域是否需要标签或目标分布统计，尚未验证。 作者报告，在 HarMNqEEG 多国静息态 EEG 数据集上进行了年龄预测的跨站点泛化评估，数据覆盖 14 个记录站点、超过 1500 名参与者。在若干源站点—目标站点组合中，相比摘要所称的现有先进方法，GOPSA 在 R²、MAE 和 Spearman’s ρ 三项回归指标上取得显著更好的表现。摘要未提供具体分数、基线名称、站点组合、数据划分及显著性检验细节，因此不能据此判断收益是否覆盖全部站点，也不能与其他评估协议直接比较；实验协议、消融及统计信息尚未验证。 作者认为该方法有潜力结合混合效应建模与机器学习的优势，用于多中心临床试验等 EEG 生物医学应用。这是应用潜力判断，不能视为已完成临床验证或已证实 BCI 解码收益。复现需进一步核对协方差估计与预处理、站点及年龄分布、目标域适应所需信息、优化设置，以及数据和实现的可获取性。

    阅读价值：值得阅读的具体原因是 GOPSA 将 SPD 流形上的域特异重中心化与回归联合学习，直接处理 EEG 多中心数据中输入与预测目标同时偏移的问题，但其测试时信息需求和跨站点评估协议仍需全文核对。

  4. OpenReview · EEG73

    NeuroBOLT：基于多维特征映射的静息态 EEG-to-fMRI 合成

    基于摘要分析。该研究针对从 EEG 推断全脑 fMRI 活动信号的问题，提出 NeuroBOLT（Neuro-to-BOLD Transformer），通过时间、空间与频谱域的多维表征学习，将原始 EEG 映射为对应的 fMRI 活动信号。研究对象是跨模态神经影像合成，并非直接验证 BCI 任务性能。 方法动机在于：fMRI 能提供毫米级空间分辨率的全脑动态信息，但成本与设备移动性限制其使用；EEG 更便携，却存在空间定位歧义，且神经活动到 fMRI 血流动力学响应的映射较复杂。NeuroBOLT 尝试综合不同维度的 EEG 信息应对这些问题。摘要未提供特征映射的具体实现、Transformer 结构、损失函数、训练流程或血流动力学时延处理方式，这些内容尚未验证。 作者报告，NeuroBOLT 能重建未见的静息态 fMRI 信号，覆盖初级感觉区、高级认知区及深部皮层下脑区，并称其准确性达到当前最佳水平。摘要未给出具体指标、数值、对照方法、数据集、被试规模或划分方式，因此无法确定“未见”对应被试内、跨被试还是其他测试协议，也不能据此比较实际性能。作者还提出跨条件、跨采集地点泛化的潜力，但摘要不足以确定其验证范围与效果。 复现时需核对 EEG 与 fMRI 的配对和时间对齐、预测目标的脑区定义、训练与测试划分、对照基线，以及跨条件和跨采集地点评估是否采用独立测试数据。实验协议、消融及统计信息尚未验证；重建信号的准确性也不能直接等同于生理可解释性或 BCI 实用性。

    阅读价值：值得阅读的具体原因是 NeuroBOLT 将 EEG-to-fMRI 合成扩展到多类脑区，并结合时间、空间与频谱表征建模；其跨条件、跨采集地点泛化能力及重建准确性仍需结合全文协议核对。

  5. OpenReview · EEG73

    EEG2Video：面向从 EEG 信号解码动态视觉感知

    基于摘要分析。研究针对既有视觉重建工作主要关注静态刺激的问题，探索从 EEG 解码动态视觉感知，贡献包括 EEG-video 配对数据集、视频元信息标注，以及采用 Seq2Seq 架构的视频重建基线 EEG2Video。 数据与任务：作者报告记录了 20 名被试观看 1400 个动态视频片段时的 EEG，视频涵盖 40 个概念。摘要强调 EEG 的高时间分辨率（1000 Hz）适于捕捉快速脑活动变化，但实际采集与预处理配置尚未验证。作者还为视频标注颜色、动态属性、是否包含人等元信息，以探索这些属性能否从 EEG 中解码；摘要未提供各属性任务的具体结果。 方法与结果：EEG2Video 使用 Seq2Seq 架构，旨在更好地对齐视频中的动态运动与高时间分辨率 EEG 信号。作者报告在语义分类任务中取得 79.8% 的 2-way Accuracy，视频重建的结构相似性指数（SSIM）为 0.256。摘要未说明候选样本构造、数据划分、被试内或跨被试评估设置、对照基线及 SSIM 的计算与汇总方式，因此这些数值不能直接用于跨研究比较，也不足以单独判定动态重建质量。 验证与复现：值得重点核对 EEG 与视频的时间对齐方式、Seq2Seq 的输入输出表示，以及重建是否保留动态信息而不只是语义或静态外观。实验协议、消融及统计信息尚未验证。摘要称数据集与代码将很快发布，这属于发布计划，不能视为已经公开可用；复现仍需确认资源开放状态及完整训练、评估配置。

    阅读价值：值得阅读的具体原因是其提供动态视频与 EEG 配对数据，并以 Seq2Seq 基线探索时序对齐的视频重建；重建效果及泛化能力仍需结合全文协议核对。

  6. OpenReview · EEG76

    基于 EEG 嵌入与引导扩散的视觉解码和重建

    基于摘要分析。该研究针对 EEG 视觉解码与图像重建，提出端到端零样本框架：通过 Adaptive Thinking Mapper（ATM）将神经信号映射到与 CLIP 嵌入共享的子空间，再用两阶段、多路引导的扩散生成策略结合高层语义与低层视觉信息。 机制方面，第一阶段将 EEG 嵌入与高层 CLIP 嵌入对齐，并通过先验扩散模型将 EEG 嵌入细化为图像先验；同时从 EEG 解码模糊图像，以保留低层特征。第二阶段将高层 CLIP 嵌入、模糊图像以及从 EEG 潜变量得到的文本描述共同输入预训练扩散模型。其方法特点是以互补条件引导生成，而非仅依赖单一语义嵌入。摘要未说明 ATM 的具体结构、对齐损失、文本描述生成方式及各模块的训练或冻结策略，相关细节尚未验证。 作者报告，该框架在零样本视觉分类、检索和重建任务上达到 SOTA，并在 MEG 数据模态上展示了适用性；作者还分析了不同时间窗与脑区对解码和重建的影响。但摘要未提供数据集、被试数、具体指标、数值或对照基线，也未明确零样本的类别划分及被试内、跨被试或跨会话设置，因此不能据此判断性能提升幅度或泛化范围。 复现时应重点核对零样本训练与测试划分、视觉刺激及 EEG 预处理、扩散模型的预训练来源，以及高层嵌入、模糊图像和文本描述各自的贡献。图像生成的语义一致性与 EEG 所支持的细节恢复能力需分开评估，生成图像逼真不直接等同于忠实重建。摘要提供了代码仓库链接，但代码可用性、运行条件、实验协议、消融及统计信息尚未验证。作者提出的 BCI 应用潜力也不等同于已完成在线或实际应用验证。

    阅读价值：值得阅读的具体原因是其将 EEG 对齐的高层语义、低层模糊图像与潜变量生成的文本描述共同用于扩散重建，可重点核对各引导信息的贡献及零样本评估协议；作者报告的性能优势尚需全文验证。

9月17日周二
  1. OpenReview · EEG73

    Mind's Eye：通过多模态相似性保持对比学习实现基于 EEG 的图像识别

    基于摘要分析。研究针对非侵入式 EEG 图像解码中的低信噪比与非平稳性问题，提出 MUltimodal Similarity-keeping contrastivE learning（MUSE）框架，用于零样本 EEG 图像分类。其核心贡献是面向 EEG 构建多变量时间序列编码器，并开展带正则化的 EEG–Image 对比预训练，以学习两种模态之间的对应关系。 方法层面，摘要强调多模态相似性保持，但未给出相似性的定义、正则化项与对比损失的具体形式，也未说明编码器结构、图像侧表征来源及训练与推理流程，因此尚不能判断其相对于常规跨模态对比学习的具体改进机制。 结果方面，作者报告在 200 类零样本图像分类任务中，top-1 Accuracy 为 19.3%，top-5 Accuracy 为 48.8%，并称达到最先进表现。摘要提及使用大规模视觉 EEG 数据集，但未提供数据集名称、被试数量、被试内或跨被试设置、训练与测试划分、零样本类别构造及对照基线；上述成绩应限定在作者所述任务背景下理解，不能直接与其他协议比较。 作者还通过模型解释可视化神经活动模式，以探索大脑视觉处理动态；其解释方法及与生理证据的一致性尚未验证。复现前需核对完整实验协议、EEG 预处理、相似性保持约束的实现、消融与统计信息，以及代码和模型的可获得性。摘要提供的是视觉刺激相关 EEG 解码证据，不宜据此扩展为对任意想象图像或实际 BCI 使用效果的验证。

    阅读价值：值得阅读的具体原因是其以保持多模态相似性的对比预训练探索 EEG 零样本图像分类，且提供了 200 类评估结果；其优势及可复现性仍需核对完整实验协议。

  2. OpenReview · EEG71

    NECOMIMI：基于扩散模型的神经认知多模态 EEG 引导图像生成

    基于摘要分析。NECOMIMI 研究如何利用 EEG 信号生成图像，提出结合 NERV EEG encoder 与扩散模型的框架，将研究任务从 EEG-image 分类扩展到图像生成。研究同时提出 Category-based Assessment Table（CAT）Score，以语义概念评价 EEG 生成图像，并在 ThingsEEG 数据集上建立评估基准。 技术机制方面，摘要明确了 EEG 编码器和扩散生成模型两个核心组成部分，但未说明编码表示如何接入扩散模型、是否使用其他模态作为条件，以及训练目标、预训练来源和推理流程。因此，目前可以确认的是 EEG 引导图像生成这一方法方向，尚不能据此重建完整实现。摘要将既有工作概括为主要通过对比学习进行 EEG-image 分类，这属于作者对相关工作的定位，不等于所有既有研究都局限于分类。 结果方面，作者报告 NERV EEG encoder 在 2-way、4-way 和 200-way 零样本分类任务中达到 SoTA，并在其提出的 CAT Score 上取得领先结果；摘要未提供具体分数、比较基线、候选类别构造或数据划分，无法判断这些结论适用于何种被试内、跨被试或跨会话协议。分类表现与生成图像质量是不同评估维度，不能相互替代。 作者报告，模型倾向于生成风景等抽象或概括性的图像，而非具体对象，并将这一现象联系到 EEG 噪声较高、分辨率有限带来的视觉还原挑战。这提示阅读时应区分语义层面的匹配与具体对象细节的恢复，但该现象是否源于 EEG 信息限制、生成模型先验或训练设计，尚需正文证据。 复现需核对 ThingsEEG 的预处理与划分、EEG 与图像的配对方式、零样本任务定义、扩散模型条件接口，以及 CAT Score 的计算规则和评价可靠性。实验协议、消融及统计信息尚未验证；摘要中的图像生成结果也不能直接作为实际 BCI 应用有效性的证据。

    阅读价值：值得阅读的具体原因是其将 EEG 与视觉表示的关联扩展到扩散式图像生成，并提出语义概念评估指标 CAT Score；作者报告的抽象化生成倾向也提供了检查语义一致性与具体对象还原能力的切入点，但性能及评估有效性尚需全文核验。

7月21日周日
  1. OpenReview · EEG72

    MB2C：用于学习鲁棒视觉神经表征的多模态双向循环一致性

    MB2C 研究如何从脑活动中解码视觉表征，重点应对 EEG 中语义相近视觉刺激难以区分及跨模态表征难以对齐的问题。作者提出多模态双向循环一致性框架，通过 dual-GAN 生成模态相关特征并反向映射至对应语义潜在空间，以缩小模态差异。以下基于摘要分析，未取得论文全文。 机制与创新：作者指出，现有方法主要通过对比学习匹配脑活动与对应刺激，依赖大量高质量配对数据，并可能使语义一致的不同模态表征分布在潜在空间的不同区域。MB2C 的核心路径是跨模态特征生成与反向语义映射形成循环，目标是让不同模态中语义相似的嵌入落在相近的表征区域。摘要未提供 dual-GAN 的具体组成、循环一致性损失、其他训练目标或推理流程，因此不能据此认定其已降低配对数据需求，或保证所有语义相近样本都能成功对齐。 评估与结果：作者在 ThingsEEG 上开展零样本任务，并在 ThingsEEG 与 EEGCVPR40 上开展 EEG 分类和图像重建。作者报告，相较其他基线取得领先性能，但摘要未列出任务对应指标、具体数值、基线名称、零样本类别划分，以及被试内或跨被试评估背景，暂无法判断增益幅度或不同任务间的可比性。 验证与复现：值得重点核对循环一致性及 dual-GAN 各自的贡献、语义相近类别上的对齐效果，以及分类与图像重建使用的输入和监督条件。被试规模、数据划分、预处理、训练配置、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也尚未验证。该工作直接涉及 EEG 视觉解码，但摘要结果不能进一步外推为在线 BCI 性能或跨被试泛化能力。

    阅读价值：值得核对 MB2C 的双向循环一致性是否能改善 EEG 与图像语义表征的跨模态对齐，尤其是其相对对比学习基线的增益；摘要所称领先性能仍需结合评估协议与消融验证。

1月3日周三
  1. OpenReview · EEG72

    从 EEG 脑记录中学习鲁棒的深度视觉表征

    基于摘要分析。该研究关注如何从 EEG 中学习可用于视觉图像分类与重建的鲁棒表征，提出两阶段方法：先提取 EEG 特征并学习深度表征，再将所学表征用于图像生成和分类。 在表征学习阶段，作者使用深度学习架构，结合监督学习与对比学习，在三个数据集上评估特征提取流程的泛化能力，并开展零样本 EEG 分类。摘要未给出具体网络结构、损失形式、三个数据集的完整名称及零样本类别划分，因此尚不能确定这些实验对应跨被试、跨会话还是跨数据集泛化。 作者报告，仅使用 EEG 的单模态学习能够获得被试不变、线性可分的视觉表征，其 k-means Accuracy 优于 EEG 与图像联合表征学习。该对照有助于考察图像模态是否必然改善 EEG 表征，但摘要未提供具体分数、被试划分、聚类评估方式及被试不变性的验证细节，结论仍需结合正文核对。 在生成阶段，作者提出将未见图像映射到 EEG 空间并进行近似重建的框架。作者报告，EEG 图像合成方法在 EEGCVPR40 和 Thoughtviz 上的 Inception Score 分别提升 62.9% 和 36.13%，并声称优于 GAN 相关的现有最佳表现；摘要未明确比较基线、数据划分与计算设置。这些数字是 Inception Score 的相对提升，而非分类 Accuracy 或百分点增益，也不能单独说明重建图像与原始刺激的一致性。 复现时应核对 EEG 预处理、视觉刺激与试次划分、监督及对比学习所用信息、零样本任务定义，以及生成阶段实际使用的输入。尤其需区分“将未见图像映射到 EEG 空间后重建”与“仅凭实测 EEG 重建未见刺激”两种评估情形。实验协议、消融及统计信息，以及代码和模型的可用性尚未验证。

    阅读价值：值得核对其仅用 EEG 学习视觉表征与 EEG—图像联合表征的对照，以及零样本分类和未见图像重建的评估协议，以判断作者所称被试不变性与泛化能力的适用范围。