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。

281 条精选近 30 天 143 条共收录 462 条

更新

精选归档 · 第 14 页

10月27日周五第 261–280 条
  1. OpenReview · EEG70

    使用潜在扩散模型生成合成睡眠 EEG 信号

    基于摘要分析。本研究针对 EEG 数据可用性不足及医疗数据共享受隐私限制的问题，探索结合 spectral loss 的潜在扩散模型，生成睡眠阶段的 30 秒合成 EEG 片段。其核心贡献是将频谱约束引入生成过程，以保持 EEG 特定频带中的结构化振荡。 机制方面，作者强调 spectral loss 对生成符合 EEG 特征的振荡结构至关重要。不过，摘要未提供潜在表示的编码方式、扩散模型结构、频谱损失的具体形式与权重，也未说明睡眠阶段是否作为生成条件；这些实现细节尚未验证。 数据与评估方面，作者使用 Sleep EDFx 和 SHHS 两个大型睡眠数据集训练模型，以 Multi-Scale Structural Similarity Metric、Frechet inception distance 及频谱图分析评估合成信号质量。作者报告，在上述生成质量评估下，模型能够产生具有适当神经振荡特征的逼真信号；摘要未给出指标数值、数据划分、被试内或跨被试协议、对照基线及统计结果，实验协议、消融及统计信息尚未验证。 证据边界方面，作者提出该方法可能缓解 EEG 数据稀缺，但摘要所述信号质量评估不能直接证明合成数据能提升睡眠分期或其他下游任务，也不能据此认定其具备隐私保护能力。复现时需核对预处理、通道配置、潜在编码与训练设置，并验证频谱约束的独立贡献、合成数据的下游效用，以及模型是否记忆训练样本；代码与模型权重的公开情况尚未验证。

    阅读价值：值得关注其以 spectral loss 约束潜在扩散模型生成睡眠 EEG 频带振荡的机制，但合成数据能否改善下游任务及保障隐私尚未验证。

9月22日周五
  1. OpenReview · EEG71

    通过几何感知建模学习拓扑无关的 EEG 表征

    基于摘要分析。该研究针对不同 EEG 数据资源的通道选择不一致，以及信号固有的结构与空间信息难以统一利用的问题，提出将不同通道选择映射到统一拓扑，并在此基础上构建 MMM 预训练框架，以学习拓扑无关的 EEG 表征、支持跨数据集预训练。 MMM 包含 Multi-dimensional position encoding（多维位置编码）、Multi-level channel hierarchy（多级通道层级）和 Multi-stage pre-training strategy（多阶段预训练策略）。摘要明确的机制路径是先统一通道拓扑，再通过上述三个组件组织空间信息、通道层级及预训练过程；但统一拓扑的具体定义、通道映射方式、位置编码构造、层级组织及各训练阶段的目标尚未验证，不能据此推断网络结构或损失形式。 作者报告，该方法在情绪识别基准数据集上相较此前最先进方法取得明显提升。摘要未提供数据集名称、指标、数值、对照方法或数据划分，因此不能量化提升，也不能判断结果属于 Within-subject、Cross-subject 或 Cross-dataset 评估。支持跨数据集预训练是研究目标，不等同于已经验证跨数据集下游泛化；实验协议、消融及统计信息尚未验证。 复现时应优先核对统一拓扑如何处理通道缺失与不同电极配置、预训练数据如何组合，以及三个组件各自的贡献。尤其需要确认情绪识别评估中的被试与数据集划分、预训练和下游数据的关系，以及比较方法是否采用相同协议。这些均是需全文核对的事项，而非已发现的研究缺陷。

    阅读价值：值得阅读的具体原因是其以统一通道拓扑连接不同 EEG 资源，并结合位置编码、通道层级与分阶段预训练；这些设计为跨数据集预训练提供了可核对的机制路径，但性能增益及跨通道配置泛化仍需全文验证。

9月20日周三
  1. OpenReview · EEG72

    BELT-2：面向多任务脑解码的 EEG—语言表征自举对齐

    BELT-2 研究如何将 EEG 表征与语言表征对齐，并连接大语言模型（LLMs）以支持多任务脑解码；核心方法结合 BPE 级对齐、多任务 EEG 编码器与 prefix-tuning。基于摘要分析，未取得论文全文。 技术机制方面，作者采用 byte pair encoding（BPE）级 EEG—语言对齐，并在 EEG 领域联合进行多任务训练与解码；随后利用 EEG 编码器的中间输出，通过 prefix-tuning 连接 LLMs。该设计将 EEG 表征学习与语言生成接口结合，但摘要未说明 EEG 与 BPE 单元的对应构造、对齐损失、多任务的具体组成、LLM 型号，以及训练时哪些模块冻结或更新，相关细节尚未验证。 结果方面，作者报告在 ZuCo 数据集上获得 BLEU-1 为 52.2% 的解码结果，但摘要未提供数据划分、被试内或跨被试协议及对照基线，因此不能据此判断跨被试泛化能力。作者还报告在其他翻译基准上提升 31%–162%，但未明确基准名称、指标、对照方法及提升的计算口径，不能将其解释为准确率或百分点提升。作者声称该方法能够从非侵入式脑信号解码连贯、可读的句子，并声称相关设计具有首次性；这些主张尚需正文与既有工作核对。 复现时需核对 EEG 预处理、EEG—文本配对方式、训练与测试划分、多任务监督来源，以及文本生成阶段是否使用额外文本条件。尤其应区分 EEG 提供的信息与 LLM 语言先验对生成质量的贡献；摘要不足以确定这一贡献分解。实验协议、消融及统计信息尚未验证。摘要称代码可通过匿名链接获取，但当前材料未给出该链接，代码可访问性与复现条件尚未验证。

    阅读价值：值得阅读的具体原因是 BELT-2 将 BPE 级 EEG—语言表征对齐、多任务训练与 LLM prefix-tuning 结合，可用于考察语言先验与 EEG 表征对文本解码的各自贡献，但其评估协议与提升幅度仍需全文核对。

4月1日周六
  1. OpenReview · EEG73

    利用 EEG 通道间因果性识别发育性阅读障碍中的源端/汇端相位连接模式

    基于摘要分析。本研究面向发育性阅读障碍的脑连接分析，利用 EEG 通道间的相位 Granger 因果性刻画定向连接，并比较阅读障碍学习者与对照群体的连接模式。其主要贡献是分别分析通道作为源端、汇端及总体活动时的连接特征，用于分类与探索性分析，而非直接提出 BCI 控制或解码方法。 研究采用 4.8 Hz 的带限白噪声刺激，对应韵律—音节频率，通过通道间相位 Granger 因果性估计方向性关系。源端关注通道向其他通道输出的关系，汇端关注通道接收的关系；这种拆分有助于区分总体连接统计中可能混合的方向性差异。摘要未提供相位提取、Granger 估计及特征构造的具体实现，尚不能确认其统计假设与复现条件。这里的“因果性”应理解为 Granger 框架下的方向性预测关系，不宜直接等同于生理干预意义上的因果证据。 作者报告，在三个分析场景中均观察到右侧化 Theta 采样网络异常，与时间采样框架关于 Theta 和 Gamma 振荡差异的假设一致；该异常主要体现在通道作为汇端的关系中，相比仅分析总体活动更为显著。作者报告，在汇端场景下，Theta 和 Gamma 频段分类的 Accuracy 分别为 0.84 和 0.88，AUC 分别为 0.87 和 0.93。这些数值限于摘要所述的阅读障碍与对照分类任务；被试数量、数据划分、是否采用跨被试评估及对照基线均尚未验证，不能据此判断临床诊断或 BCI 应用效能。 复现时需核对刺激与 EEG 采集流程、频段定义、方向性连接估计、分类器及特征筛选方式，并确认统计显著性、多重比较处理和独立测试设置。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将 EEG 定向相位连接拆分为源端、汇端和总体活动，作者报告汇端分析更突出地呈现发育性阅读障碍的连接异常，但分类泛化能力仍需核对评估协议。

1月17日周二
  1. OpenReview · EEG80

    机器学习癫痫发作预测：一种存在问题却被普遍接受的做法

    基于摘要分析。本研究关注机器学习 EEG 癫痫发作预测中，已发表的高预测表现为何未能转化为临床应用，并通过实证研究检验一种常见标注与验证做法可能引入的混杂。其主要贡献是以真实 EEG 中与生物学完全脱钩的“伪发作”任务，检验模型能否利用非发作信号获得虚高的验证准确率。 被考察的做法是：将短 EEG 窗口按时间组赋予标签，再从这些窗口中随机抽取样本进行验证。作者研究这一流程中的混杂，并训练人工神经网络学习真实 EEG 上人为设置的“伪发作”。该设计意在区分模型对真实发作前生物标志物的学习，与对其他信号特征的学习，而非提出新的发作预测算法。 作者报告，在上述按时间组标注、随机抽取窗口验证的流程下，非发作信号也能够形成机器学习可利用的决策边界，使验证准确率虚高；模型能够学习与生物学脱钩的“伪发作”是其核心证据。摘要未提供具体准确率、数据集、被试数、窗口长度、神经网络结构或被试内／跨被试协议，不能据此量化偏差大小，也不能认定所有既有研究均受影响。 作者认为，部分既有工作的结果可能受到这一混杂影响，并建议更严格地缓解混杂。全文中的具体指南、对照设置、实验协议、消融及统计信息尚未验证。阅读与复现时应重点核对时间组如何定义、训练与验证窗口之间的时间关系，以及“伪发作”标签如何构造，再判断结论适用范围。该研究直接涉及 EEG 预测评估，但其发现不应未经检验就推广到所有 EEG 解码或 BCI 任务，也不构成临床有效性证据。

    阅读价值：该研究通过真实 EEG 中与生物学脱钩的“伪发作”任务检验验证混杂，为核对癫痫发作预测中的标注与数据划分是否支撑临床相关结论提供了具体切入点。

1月1日周日
  1. OpenReview · EEG70

    多重约束下的半监督 EEG 聚类

    基于摘要分析。本文研究有限先验知识条件下的 EEG 聚类问题，提出半监督图嵌入方法 ConsEEGc，利用多重约束组织 EEG 样本的聚类结构。研究背景是 EEG 应用中标签不完整、标签错误或样本未标注可能影响依赖标签的监督方法；本文的主要任务是聚类，而非直接验证 BCI 在线分类性能。 核心机制包含三类约束：label-transformed connectivity constraints 将标签信息转化为 EEG 样本间的连接或断开约束；compactness-and-scatter constraint 约束簇内紧凑性与簇间分散性；fairness constraint 约束不同簇之间元素数量的比例。这里的 fairness 指簇间比例约束，不能据此解释为人口群体公平性。优化目标联合伪标签学习、最小二乘误差最小化及上述约束；作者报告该优化能够快速收敛到局部最优，但摘要未提供目标函数的具体形式、更新步骤或收敛条件。 作者报告，在多种真实 EEG 数据集上，ConsEEGc 相较先进的标准无监督与半监督 EEG／时间序列聚类算法，可高效获得良好的聚类结果。摘要未列出数据集名称、被试数、标签先验比例、被试内或跨被试等评估协议、具体基线及聚类指标，因此无法判断提升幅度或跨协议泛化能力；实验协议、消融及统计信息尚未验证。 复现时需核对 EEG 特征与图构建方式、标签到连接约束的转换规则、伪标签更新流程、各约束权重及簇间比例的设定依据。尤其需确认错误标签是否被单独评估，以及比例约束在真实类别不均衡时的影响。摘要中的聚类结果不能直接外推为运动想象、SSVEP 或其他 BCI 任务的分类收益。

    阅读价值：值得阅读的具体原因是 ConsEEGc 将有限标签先验转化为图连接约束，并联合簇结构与簇间比例约束处理 EEG 半监督聚类；其对错误标签及真实类别不均衡的适用性仍需结合全文验证。

  2. OpenReview · EEG72

    脑信号能否揭示与人类语言的内在对齐？

    基于摘要分析。该研究探讨 EEG 与人类语言之间的关系及依赖，提出 MTAM（Multimodal Transformer Alignment Model），在表征层面对齐两种模态，并通过 sentiment analysis 和 relation detection 检验对齐表征的下游价值。 机制方面，作者将 Canonical Correlation Analysis 与 Wasserstein Distance 等关系对齐技术用作损失函数，以变换特征并学习 EEG 与语言的协调表征。摘要未说明这些目标的具体组合、权重、模态编码方式，以及训练和推理阶段各自需要哪些输入，因此尚不能确定其收益来自何种对齐机制，也不能将结果解释为仅凭 EEG 即可解码语言。 结果方面，作者报告在 ZuCo 与 K-EmoCon 两个数据集上取得新的 SOTA：sentiment analysis 的 F1-score 在 K-EmoCon 上提升 1.7%，在 ZuCo 上提升 9.3%；relation detection 的 F1-score 在 ZuCo 上提升 7.4%。这些数值沿用摘要表述，相对提升还是绝对百分点提升尚未验证；对应基线、F1 汇总方式及被试内、跨被试或其他数据划分协议也尚未验证，不能据此直接比较不同任务或数据集的效果。 作者还通过特征分布、对齐权重和脑地形图解释性能改善，分别讨论模态关系的编码、语言语义与 EEG 频率特征的影响，以及脑区连接的可视化。上述内容属于作者提供的解释；仅凭摘要无法确认其是否支持独立的神经机制结论，脑地形图也不能单独证明功能连接。 摘要提供了代码仓库，具备进一步核对实现的入口，但代码可用性、数据预处理、同步与配对方式、实验协议、消融及统计信息尚未验证。复现时应优先核对语言单模态、EEG 单模态与多模态对齐模型的对照，以及训练测试划分和推理输入条件，以判断对齐模块的独立贡献。现有证据支持 EEG—语言多模态任务研究，尚不能外推为通用 BCI 解码能力。

    阅读价值：值得核对 MTAM 如何以 Canonical Correlation Analysis 与 Wasserstein Distance 对齐 EEG 和语言表征，以及这种对齐在不同数据划分下是否稳定改善下游任务。

  3. OpenReview · EEG74

    EEG Conformer：用于 EEG 解码与可视化的卷积 Transformer

    基于摘要分析。该研究针对 EEG 解码中 CNN 感受野有限、可能难以捕获长期依赖的问题，提出紧凑的 EEG Conformer，将局部特征提取与全局关联建模整合到统一的 EEG 分类框架，并提供脑地形图可视化策略。 核心机制是先通过一维时间卷积和空间卷积学习低层局部特征，再直接连接自注意力模块，提取局部时间特征之间的全局关联，最后使用基于全连接层的分类器预测 EEG 类别。其方法价值在于将卷积与自注意力作为互补模块，而非单独依赖局部卷积；具体网络深度、参数量、损失函数、训练配置与推理成本尚未验证。 可视化方面，作者将类激活映射投影到脑地形图，以增强分类结果的可解释性。摘要未提供该投影的具体计算流程或解释性验证结果，因此不能据此认定可视化已经揭示了可靠的神经生理机制。 作者报告，在涵盖 EEG 运动想象与情绪识别范式的三个公开数据集上，方法取得了当时的 state-of-the-art 性能，并提出其有潜力成为通用 EEG 解码的新基线。摘要未列出数据集名称、被试数量、数据划分、被试内或跨被试等评估协议、对照方法与具体指标，故目前无法核对性能提升的幅度或跨协议可比性；实验协议、消融及统计信息尚未验证。 作者说明代码已公开，可作为复现入口。复现时需结合全文与实现核对 EEG 预处理、输入窗口、卷积和注意力配置、训练策略及评估划分，并分别检验全局关联模块的增益与脑地形图可视化的稳定性。摘要尚不足以确定其跨被试、跨会话泛化能力。

    阅读价值：值得核对其局部卷积特征与全局自注意力的组合机制，以及类激活映射到脑地形图的可视化策略；摘要提供了公开代码入口，但性能优势及解释性仍需结合完整实验协议验证。

  4. OpenReview · EEG72

    使用 Transfer Euclidean Alignment 减少人类与小鼠创伤性脑损伤 EEG 的种内与种间协变量偏移

    基于摘要分析。研究针对睡眠 EEG 在不同被试及数据集间变异较大、优质人类生物医学数据有限的问题，提出迁移学习方法 Transfer Euclidean Alignment，并在人类与小鼠的创伤性脑损伤（TBI）有无二分类任务中评估其作用。主要研究对象是 TBI 相关 EEG 分类，而非 BCI 控制或意图解码。 方法与评估：作者将该方法用于多种基于规则的经典机器学习模型以及基于 EEGNet 的深度学习模型，考察不同数据集之间的种内和种间迁移。摘要没有提供对齐变换的具体定义、参考统计量的估计方式、标签需求或训练与推理流程，因此无法确认其相对于常规 Euclidean Alignment 的技术差异。 结果：作者报告，在所评估的 TBI 二分类数据集上，种内数据集的平均提升为 14.42%，种间数据集为 5.53%。摘要未说明这些百分数对应的评价指标、相对增幅还是百分点变化，也未给出对照基线、数据划分及平均方式，不能将其直接解读为 Accuracy 的百分点提升，或比较两类迁移的难度。 局限与复现核对：数据集名称、被试及动物数量、睡眠阶段、通道配置、预处理、被试独立性、模型训练设置、消融及统计信息尚未验证。复现时应重点核对源域与目标域的构成、对齐统计量使用的数据范围，以及人类与小鼠记录之间的特征对应关系。 平台推测（待验证）：若该方法确实通过 EEG 统计量对齐减少域差异，其机制可能用于缓解 BCI 的跨被试或跨会话偏移，但原任务效果不等于 BCI 有效性。需根据正文确认可复用的对齐模块，并适配通道与特征定义；低信噪比、小样本统计估计及任务相关差异可能导致失效。一个可检验的小实验是在固定跨被试 EEG 分类划分下，对比无对齐、常规 Euclidean Alignment 与该方法，保持分类器和目标域数据使用条件一致。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 Transfer Euclidean Alignment 在人类与小鼠睡眠 EEG 的 TBI 二分类中如何缓解种内与种间协变量偏移，但摘要中的提升未明确指标与划分协议，不能据此认定其对 BCI 任务有效。

  5. OpenReview · EEG70

    基于 EEG 双重对比学习的认知障碍诊断消歧

    基于摘要分析。该研究针对 EEG 认知障碍诊断中标签有限、稀疏且模糊的问题，提出弱监督学习框架，尝试在标签不完全可靠的条件下识别轻度认知障碍（MCI）、可能的阿尔茨海默病（AD）与正常衰老模式。核心贡献是结合双重对比学习与多层级时域–频域 EEG 编码器，学习与认知障碍相关的表征并更新模糊标签。 机制方面，编码器将 EEG 信号转换为嵌入表示，框架通过被试内和跨被试对比学习自动更新模糊标签。摘要未说明对比样本如何构造、标签更新的依据与时机、损失函数及训练流程；因此尚不能判断其如何避免将初始标签偏差强化到表征中。这里的被试内与跨被试描述的是对比学习机制，不能据此推断评估采用了被试内或跨被试划分。 作者报告在 54 名被试上验证了方法，MCI、可能的 AD 与正常衰老三组各 18 名。摘要未提供具体指标、对照基线或数据划分，因而无法量化其相对全监督学习的收益，也不能确认对未见被试的泛化能力。作者认为该方法为非理想数据来源下的认知障碍推断提供了新思路，但这不等同于已验证的临床诊断效益。 复现时需核对 EEG 采集与预处理、诊断标签来源及不确定性定义、被试级训练与测试划分、模糊标签更新是否仅作用于训练数据，以及各组成模块的贡献。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验证。

    阅读价值：值得核对其如何通过被试内与跨被试对比学习更新模糊诊断标签，以及标签更新是否改善独立评估中的分类表现；摘要尚不足以确认其诊断效益。

  6. OpenReview · EEG71

    EEG 运动想象解码：基于通道注意力机制的比较分析框架

    基于摘要分析。该研究面向 BCI 中的 EEG 运动想象解码，构建可统一集成多种通道注意力机制的轻量架构，以比较这些机制对解码性能及计算开销的影响。核心贡献是提供共同的比较框架，而非仅在复杂架构中评估一种注意力机制。 作者将通道注意力视为传统运动想象空间滤波方法的一种演进，并强调基线结构简洁、不同注意力模块易于接入。该设计有助于在相同框架条件下考察模块收益；但摘要未说明具体注意力方法、作用于原始 EEG 通道还是中间特征通道，以及网络结构、损失与训练设置，这些细节尚未验证。 作者报告在四个数据集上开展实验，框架表现出较好的有效性与跨数据集适用性，通道注意力能够在维持较小内存占用和较低计算复杂度的同时改善性能。摘要未提供数据集名称、被试数量、指标数值、计算开销测量或数据划分，因此不能量化增益，也不能把多个数据集上的有效性直接视为 Cross-dataset 迁移验证。 复现时值得核对统一基线下各注意力模块的训练与调参条件、被试内或跨被试等评估协议，以及性能增益与参数量、内存和计算成本之间的关系。实验协议、消融及统计信息尚未验证；代码与复现资源也需由全文或来源记录确认。

    阅读价值：值得阅读的具体原因是将多种通道注意力机制置于统一轻量基线中比较，有助于核对注意力本身的收益与计算开销，而非将复杂架构的整体增益归因于单一模块。

1月1日周六
  1. OpenReview · EEG73

    EEGformer：面向低通道数可穿戴连续监测设备的基于 Transformer 的原始 EEG 癫痫检测

    基于摘要分析。该研究针对长期连续癫痫监测对低误报、佩戴舒适性和低功耗的要求，提出紧凑的 Transformer 模型 EEGformer，直接使用四个颞区通道的原始 EEG 进行癫痫发作检测，并在微控制器（MCU）上验证实时推理的可行性。 核心思路是利用 Transformer 捕捉时间序列中的长程依赖，减少对针对特定数据设计的手工特征的依赖。摘要未提供输入窗口、具体模型结构、损失函数、训练策略或预处理细节，因此不能据此认定信号完全未经预处理。 作者报告，在所检查的八名患者的癫痫发作事件中，模型检出率为 73%；仅考虑其中六名患者时，事件检出率为 100%，不能将这一子集结果推广到全部患者。作者报告平均发作起始检测延迟为 15.2 秒，误报率为 0.8 FP/h；多数测试获得 100% 特异性，但 40 次测试中有 5 次异常表现，作者将其主要归因于 EEG 伪迹。事件检出率、特异性与每小时误报率反映不同层面的表现，不应相互替代。被试内或跨被试协议、数据划分以及各指标的统计口径尚未验证。 作者以 CHB-MIT Scalp EEG 数据集为参照，与针对目标数据集设计手工特征的先进分类器比较，报告准确性结果接近、发作起始检测延迟降低超过 20%；与两种经优化的卷积神经网络方法比较，作者报告在全部准确性指标上更优。具体基线、指标数值、消融及统计信息尚未验证。 部署方面，作者报告模型在 Ambiq Apollo4 MCU、96 MHz 工作频率下，单次推理耗时 405 毫秒、能耗 1.79 毫焦耳。这支持其嵌入式推理可行性，但不等于已验证整机长期续航或临床连续监测安全性。复现需进一步核对通道选择、窗口与报警规则、患者级划分、伪迹处理，以及推理数值精度和资源占用；代码与权重可用性尚未验证。

    阅读价值：值得阅读的具体原因是作者同时报告了四通道原始 EEG 癫痫发作检测表现与 MCU 实测时延、能耗，可用于核对低功耗连续监测中检测灵敏度、误报和部署成本的权衡，但临床适用性尚未验证。

  2. OpenReview · EEG74

    EEGANet：使用生成对抗网络去除 EEG 信号中的眼电伪迹

    基于摘要分析。该研究针对 EEG 眼电伪迹去除通常依赖 EOG 记录或眨眼检测的问题，提出基于生成对抗网络（GANs）的 EEGANet。其核心贡献是训练完成后可免校准地处理 EEG，无需依赖 EOG 通道或眨眼检测算法，以降低实际 BCI 应用的辅助采集与处理需求。 方法与机制：EEGANet 被定位为数据驱动的眼电伪迹去除辅助工具。摘要提到评估其多通道 EEG 生成能力、伪迹去除性能与鲁棒性，但未提供生成器和判别器结构、损失函数、训练监督来源或干净信号参照的构造方式；这些信息尚未验证。训练后无需 EOG 的结论不应扩展为训练阶段也无需 EOG 或配对监督。 评估与结果：作者报告，在具有较大数据波动的 EEG eye artifact dataset 上，EEGANet 的伪迹去除表现与使用 EOG 通道的先进方法相当。作者还报告，在另外两个 BCI 数据集的跨日（inter-day）和被试独立（subject-independent）评估中，虽不使用 EOG 信号，经 EEGANet 处理后的分类性能仍与传统基线方法相当。摘要未给出这两个数据集的名称、被试数、具体划分、分类任务、指标数值或统计检验，因此“相当”应视为作者报告，不能据此认定统计等效或优于基线。 局限与复现：需核对伪迹抑制是否保留任务相关 EEG 成分、训练与测试数据的划分方式、跨日及被试独立条件下的模型训练范围，以及不同伪迹强度下的稳定性。摘要明确提供了源码地址，但代码可运行性、预处理流程、实验协议、消融及统计信息尚未验证。作者提出该思路可能推广到其他多变量生物时间序列；这属于应用前景，摘要未提供相应验证结果。

    阅读价值：值得核对 EEGANet 在无需 EOG 通道或眨眼检测的推理条件下，如何兼顾眼电伪迹去除与跨日、被试独立 BCI 分类表现；摘要中的可比性结论仍需全文协议与统计结果支持。

  3. OpenReview · EEG73

    从 EEG 信号连续解码协调运动中的双手轨迹

    基于摘要分析。该研究针对协调双手运动的连续轨迹解码问题，提出双手 BCI 范式，并结合 EEGNet 与 long short-term memory network（LSTM）构建多任务深度学习模型，从 EEG 同时重建双手的位置和速度。 任务要求被试完成朝左、中、右目标的双手伸达运动，同时采集 EEG。研究对象是实际协调运动中的轨迹重建，摘要未将其描述为运动想象任务。模型结合 EEGNet 与 LSTM，但具体模块连接、任务间参数共享、损失函数、输入时间窗及推理流程尚未验证，不能仅凭模型名称推定其实现细节。 作者报告，在 13 名被试的实验中，位置和速度解码的总体平均合并相关系数（CC）分别为 0.54 和 0.42，对应的合并归一化均方根误差（NRMSE）分别为 0.22 和 0.23；两类指标均显著优于机会水平（p<0.05）。摘要未说明“合并”的具体方式，也未交代被试内或跨被试协议、训练与测试划分及机会水平的构造方法，因此这些数值只能作为该研究所述实验条件下的结果，不能直接与其他协议比较。 作者报告，该模型在连续轨迹解码的 CC 和 NRMSE 上显著优于若干常用方法，但摘要未列出基线名称、具体差值和统计检验细节。其主要贡献是提供从 EEG 同时解码协调双手轨迹的可行性证据；离线轨迹相关性不等同于在线闭环控制性能。复现前需核对 EEG 预处理、轨迹同步与归一化、数据划分、多任务训练配置及评估聚合方式；实验协议、消融及统计信息尚未验证，数据与代码可用性亦尚未验证。

    阅读价值：该研究将 EEG 连续解码拓展到协调双手的位置与速度重建，值得核对其多任务建模及轨迹评估协议，但摘要结果尚不能证明在线双手控制的有效性。

12月31日周五
  1. OpenReview · EEG70

    基于 EEG 的脑机接口鲁棒性研究

    基于摘要分析。本研究针对噪声与伪迹导致 EEG-BCI 性能下降的问题，在低信噪比（SNR）条件下向特定通道注入模拟噪声，系统考察机器学习与深度学习模型的运动想象（MI）分类鲁棒性，并探索通过改变激活函数改善抗噪表现。 作者报告，在所考察的模拟通道特异性噪声条件下，深度学习 MI 分类模型比传统机器学习模型更稳健；EEGNet 相较 Shallow ConvNet 和 FBCSP 对此类噪声更具鲁棒性。研究还识别出一组对噪声较敏感的通道，但摘要未给出通道名称、定位方法或跨被试一致性，相关信息尚未验证。这些结果针对特定模拟噪声条件，不能直接推广为对所有真实 EEG 伪迹的鲁棒性结论。 改进方法以饱和非线性激活为核心。作者报告，在 SNR 为 -18 dB 的模拟通道特异性噪声条件下，采用饱和非线性后，EEGNet 的分类 Accuracy 百分比降幅由 10.99% 降至 6.53%，Shallow ConvNet 由 14.05% 降至 3.57%。上述数值是准确率下降的百分比，并非最终 Accuracy，也不应改写为准确率提高的百分点；降幅的参照条件与计算公式尚需核对全文。 摘要未提供数据集、被试数量、被试内或跨被试划分、噪声分布与注入阶段、激活函数具体形式及训练设置，实验协议、消融及统计信息尚未验证。复现时需重点核对 SNR 定义与通道噪声幅度的标定、各模型的对照条件，以及饱和非线性对无噪声分类性能的影响。作者将该方案定位为初步解决办法，强调仍需更精确的方法提升 EEG-BCI 的鲁棒性与可用性。

    阅读价值：该研究通过通道特异性噪声比较 EEGNet、Shallow ConvNet 与 FBCSP 的运动想象分类鲁棒性，并提供饱和非线性激活的初步改进证据，值得复现其噪声注入协议与准确率下降的计算方式。

1月1日周五
  1. OpenReview · EEG70

    用于 EEG-BCI 运动想象分类的 Sinc 卷积神经网络

    基于摘要分析。该研究针对运动想象 EEG 分类中常规 CNN 参数量较大、未显式学习频域特征的问题，提出轻量化架构 Sinc-EEGNet，将可学习带通滤波器与深度卷积滤波器结合，从原始 EEG 中联合学习特征与分类器。 机制与贡献：运动想象任务中的不同动作想象可通过 EEG 频带功率特征区分，本文将可学习带通滤波引入 CNN，使频率选择成为模型学习过程的一部分。其阅读价值在于把传统频带特征的领域先验与端到端学习结合；摘要将深度卷积作为架构组成部分，但未提供滤波器参数化细节、卷积层配置、参数量或训练损失，这些内容尚未验证。 结果与评估：作者报告，在公开的 BCI Competition IV Dataset 2a 上，Sinc-EEGNet 的分类 Accuracy 优于参考方法。摘要未给出具体数值、参考方法名称，以及被试内、跨被试或跨会话协议，因此尚不能量化提升幅度，也不能判断优势适用于哪些泛化条件。 复现与局限核对：需查阅全文确认数据划分、预处理、频带学习方式、训练设置及对照基线，并核对轻量化程度和各模块贡献。实验协议、消融及统计信息尚未验证；摘要也不足以判断其在低信噪比、小数据或跨被试条件下的稳定性。代码与完整复现条件尚未验证。

    阅读价值：值得阅读的具体原因是 Sinc-EEGNet 将可学习带通滤波与深度卷积结合，为运动想象 EEG 分类提供了兼顾频域特征学习与轻量化的明确设计路径，但其准确率优势及复现条件仍需全文核对。

  2. OpenReview · EEG79

    站立、行走与跑步条件下采用 ERP 和 SSVEP 范式的头皮与耳周 EEG 移动 BCI 数据集

    基于摘要分析。本研究面向移动环境中的 BCI 信号采集与评估，提供包含头皮 EEG、耳周 EEG 及运动传感器记录的数据集，覆盖不同移动速度下的 ERP 和 SSVEP 两类 BCI 任务。其主要贡献是将采集位置、移动条件与任务范式纳入同一数据资源，为研究移动状态下的信号质量提供基础。 采集设计：作者报告，24 名参与者在四种速度条件下完成两类 BCI 任务：站立、慢走、快走和轻度跑步，对应速度分别为 0、0.8、1.6 和 2.0 m/s。记录包括 32 通道头皮 EEG、14 通道耳周 EEG、4 通道眼电，以及布置于前额、左踝和右踝的 9 通道惯性测量单元记录。摘要未说明各任务的刺激设置、试次数、记录时长或采集条件顺序。 验证与结果：作者报告，对各速度条件下的头皮 EEG 和耳周 EEG 信号质量进行了定性与定量验证，但摘要未提供具体指标、数值、统计结果或解码基线，因此不能据此判断运动造成的性能下降幅度，也不能断言耳周 EEG 与头皮 EEG 的性能相当。作者认为该数据集有助于分析移动环境中的脑活动并量化评估实用 BCI；这一预期不等同于已验证的实际使用效果。 平台推测（待验证）：该采集设计适合检验“结合惯性测量信息能否改善移动条件下的 EEG 伪迹处理”这一假设。可在一致的数据划分下，对比仅使用 EEG 与结合惯性测量信息的处理流程，分别评估 ERP、SSVEP 及两种采集位置，并按移动速度报告结果。需防范运动信息被用作任务标签的间接线索，以及伪迹处理同时削弱真实诱发反应的风险。 复现前应核对原始数据的获取方式与许可、采样率、传感器同步、事件标记、预处理流程，以及被试内或跨被试划分。实验协议、消融及统计信息尚未验证。

    阅读价值：该数据集在四种移动速度下同步提供头皮 EEG、耳周 EEG 与运动传感器记录，值得用于核对移动伪迹对 ERP、SSVEP 信号及不同采集位置的影响，但具体解码性能和复现协议尚未验证。

  3. OpenReview · EEG72

    基于三维特征表示与空洞全卷积网络的 EEG 情绪识别

    基于摘要分析。针对高维 EEG 情绪识别中稳健且具有代表性的特征学习问题，研究提出结合三维特征表示与空洞全卷积网络的框架 3DFR-DFCN，将电极空间关系及频带相关信息组织为输入，并引入谱范数正则化以降低模型对受扰动 EEG 特征的敏感性。 方法首先将一维特征序列扩展为不同频带的二维电极网格，以利用通道间与频带间相关信息；再将多个激活模式下的电极网格构建为三维 EEG 数组，捕捉其互补信息。DFCN 对该数组进行跨频带、跨通道特征学习，谱范数正则化项（SNR）用于约束扰动敏感性。摘要未明确激活模式的定义、原始特征类型、三维数组各轴的具体组织方式及正则化的数学形式，这些细节尚未验证。 作者报告在 DEAP 和 DREAMER 上开展了被试依赖与被试独立实验。DEAP 上，两类实验按被试依赖／被试独立顺序，valence 分类平均 Accuracy 为 94.59%／81.03%，arousal 为 95.32%／79.91%，dominance 为 94.78%／80.23%。这些数值属于不同评估协议，不能混为单一性能结论；摘要未提供具体数据划分、分类标签设置、对照基线或 DREAMER 的结果数值。 研究的可核对价值在于检验空间与频带信息联合组织、空洞卷积及谱范数正则化各自的贡献，以及其在被试独立条件下的有效性。复现需核对特征提取流程、电极网格映射、激活模式构造、训练配置与划分协议；实验协议、消融及统计信息尚未验证。摘要提出该信息整合对实际或临床情绪评估有意义，但不能据此视为已完成临床有效性验证。

    阅读价值：值得核对其三维 EEG 特征组织与谱范数正则化如何支持跨通道、跨频带学习，以及 DEAP 上被试依赖与被试独立评估结果的差异，但具体划分和稳健性证据尚未验证。

1月1日周三
  1. OpenReview · EEG73

    使用深度编码器—解码器网络进行 EEG 通道插值

    基于摘要分析。本研究针对电极与皮肤表面连接自发失效产生的 electrode “pop” 伪迹，将 EEG 通道插值表述为自学习任务，使用深度编码器—解码器网络重建受损片段，旨在维持下游应用所需的数据连续性。 方法与评估：作者在一个公开 EEG 数据集上，将该方法与当时的插值方法进行比较，并在模型训练未使用的被试和任务上测试泛化能力。摘要未说明自学习任务如何构造、网络结构、损失函数、受损片段模拟方式，以及推理时可用的通道与时间上下文；因此尚不能判断模型主要利用空间通道关系、时间结构，还是二者结合。 结果：作者报告，在训练未见的被试和任务测试条件下，相对所比较方法的改进至少约为 15%。摘要没有给出该改进对应的指标、计算口径、具体基线与数据划分，不能将其解释为 Accuracy 提升或百分点增幅。作者另报告，迁移学习可进一步改善新被试与新任务上的表现，但适配数据量、监督条件及增益尚未验证。 复现与应用边界：作者称研究相关代码和数据均已开源；具体资源及运行条件尚未核验。全文需重点核对插值目标与评价指标、训练测试划分、迁移学习协议，以及重建后是否保留下游任务相关信息。平台推测（待验证）：信号重建改善可能有助于 BCI 数据连续性，但不等同于已验证的 BCI 性能提升。摘要所称“首次使用深度学习解决 EEG 插值问题”属于作者主张，尚未检索确认；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其在训练未见被试与任务上的 EEG 通道插值评估，以及迁移学习的适配条件，以判断深度编码器—解码器能否改善电极接触失效后的信号重建。

  2. OpenReview · EEG74

    使用深度编码器—解码器网络进行 EEG 通道插值

    基于摘要分析。该研究针对电极与接触表面瞬时失去连接所产生的 electrode “pop” 伪迹，将受损 EEG 片段的插值表述为 self-learning 任务，使用深度编码器—解码器网络进行重建，旨在维持 EEG 数据连续性，为包括 BCI 在内的下游应用提供可用信号。 技术机制：摘要明确提出以编码器—解码器学习插值，但未说明输入通道配置、受损片段的构造方式、学习目标、损失函数或网络结构；“self-learning”也不足以确定其具体监督方式。研究进一步使用迁移学习适配新被试与新任务，具体更新策略及所需适配数据尚未验证。 评估与结果：作者报告，在一个公开 EEG 数据集上与当时的插值方法比较，在测试被试和任务均未用于模型训练的条件下，改进幅度至少约为 15%。摘要未给出对应指标、计算口径和基线名称，因此不能将该数字解释为 Accuracy 提升或百分点变化，也不能据此比较不同评估协议。作者还报告迁移学习可进一步改善新被试与新任务上的表现，但摘要没有提供具体数值。 复现与边界：作者称相关代码与数据均已开源，所给材料未提供具体仓库位置；作者将其定位为据其所知首个使用深度学习解决 EEG 插值问题的方案，该优先性主张尚未独立核实。全文阅读时需核对数据集、被试及任务划分、伪迹模拟与真实伪迹的关系，以及插值是否保留 EEG 时空特征和下游 BCI 所需信息。实验协议、消融及统计信息尚未验证；插值误差改善不等同于已验证的 BCI 解码收益。

    阅读价值：值得阅读的具体原因是作者在训练未见的被试与任务上评估 EEG 通道插值，并探索迁移学习对新被试和任务的适配，但改进幅度的指标定义与实验协议尚需核对。