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。

365 条精选近 30 天 156 条共收录 634 条

更新

精选归档 · 第 17 页

4月1日周六第 321–340 条
  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 · EEG71

    三导联 EEG 传感器：一种基于蚁狮优化的 EEG 辅助抑郁症诊断系统

    基于摘要分析。该研究针对抑郁症评估中访谈与临床量表的主观性及时间、人力成本，以及传统 EEG 设备体积大、操作复杂等实际应用障碍，提出采用柔性电极的可穿戴三导联 EEG 传感器，并结合 Ant Lion Optimization（ALO，蚁狮优化）与 k-NN 构建 EEG 辅助抑郁症诊断系统。其主要研究对象是抑郁症患者与健康对照的 EEG 分类，不是 BCI 控制任务。 硬件与算法流程：传感器用于采集前额叶 EEG；从信号中提取线性和非线性特征，再通过 ALO 对特征加权并进行选择，最后输入 k-NN 分类器。摘要未说明具体特征、预处理方式、ALO 优化目标及参数，也未交代 k-NN 的配置，因此尚不能据此复现完整流程。 作者报告，在传感器实验测量中，背景噪声不超过 0.91 μVpp，Signal-to-Noise Ratio（SNR）为 26–48 dB，电极与皮肤接触阻抗低于 1 kΩ；这些结果属于硬件性能测量，不能直接等同于疾病识别能力。作者使用该传感器采集了 70 名抑郁症患者和 108 名健康对照的 EEG，并报告 ALO 结合 k-NN 的分类 Accuracy 为 90.70%、特异性为 96.53%、敏感性为 81.79%。摘要未给出训练与测试划分、是否按被试隔离及验证方式，因而这些指标只能在尚未明确的评估协议下理解，不能直接与其他研究比较。 作者据此认为该组合具有 EEG 辅助抑郁症诊断潜力。复现与证据核对的重点包括：采集条件与电极布置、患者诊断依据、特征加权与选择是否限定于训练流程、对照基线、消融及统计不确定性。上述实验协议、消融及统计信息尚未验证；代码与数据可用性也尚未确认。患者—健康对照分类结果本身不足以确立临床诊断效用，仍需核对独立样本验证及实际使用条件下的表现。

    阅读价值：值得阅读之处是将可穿戴三导联 EEG 硬件与 ALO 特征加权、选择及 k-NN 分类整合，并报告传感器性能和患者对照结果，但分类划分协议及临床泛化能力尚未验证。

  2. OpenReview · EEG71

    三导联 EEG 传感器：基于蚁狮优化的 EEG 辅助抑郁症诊断系统

    基于摘要分析。该研究面向 EEG 辅助抑郁症诊断的实际部署问题，开发了采用柔性电极的可穿戴三导联 EEG 传感器，用于采集前额叶 EEG，并结合 Ant Lion Optimization（ALO，蚁狮优化）与 k-NN 分类器构建辅助诊断系统。其主要贡献是将低导联采集硬件与特征优化流程结合，而非仅在既有 EEG 数据上建立分类模型。 技术路径包括前额叶 EEG 采集、线性与非线性特征提取、通过 ALO 对特征进行加权和选择，以及使用 k-NN 分类。摘要未说明具体特征定义、预处理流程、ALO 优化目标、搜索设置及 k-NN 参数，这些实现条件尚未验证。 在传感器实验测量中，作者报告背景噪声不超过 0.91 μVpp、Signal-to-Noise Ratio（SNR）为 26–48 dB、电极—皮肤接触阻抗低于 1 kΩ；测量环境与具体测试条件尚未验证。作者使用该传感器采集了 70 名抑郁症患者和 108 名健康对照的 EEG，并报告 ALO 配合 k-NN 的分类 Accuracy 为 90.70%、特异度为 96.53%、敏感度为 81.79%。摘要未交代这些指标对应的训练与测试划分、是否采用被试独立评估或外部验证，因此不能据此认定其跨被试泛化性能或临床诊断效能。 复现时需核对柔性电极与采集硬件配置、临床分组依据、采集状态、特征优化与模型选择是否限定在训练数据内，以及相对于不使用 ALO 的分类基线。实验协议、消融及统计信息尚未验证。该工作直接涉及 EEG，但研究任务是抑郁症辅助诊断，并非 BCI 控制；低导联方案的工程可用性也不能替代对分类稳定性和临床适用性的独立验证。

    阅读价值：值得阅读的是其将三导联柔性电极 EEG 传感器与 ALO 特征加权、选择相结合的端到端辅助诊断路径，但作者报告的分类结果仍需结合数据划分及独立验证协议核对。

  3. OpenReview · EEG70

    FedEEG：通过跨被试结构匹配实现联邦 EEG 解码

    基于摘要分析。该研究针对多被试 EEG 集中训练可能带来的隐私泄露问题，提出联邦 EEG 解码框架 FedEEG，利用跨被试结构匹配连接各客户端的学习过程，在不直接集中原始 EEG 数据的设定下促进判别性特征学习。 核心机制是将每个被试作为一个客户端，在本地引入中心损失，并通过对同一类别的 EEG 特征取平均构建虚拟类别中心。随后，对齐不同客户端中相对应的类别中心，以约束各被试的局部训练、缓解客户端漂移。其方法重点不是仅聚合模型，而是显式利用类别级特征结构建立跨被试联系；这一机制依赖类别对应关系及类别相关特征，但具体标签可用性、中心计算与更新方式、损失形式及通信流程尚未验证。 作者报告，FedEEG 在基准 EEG 数据集上的解码表现优于所比较的先进联邦学习方法。摘要未提供数据集名称、被试数、任务、评价指标、数值结果或训练与测试划分，因此不能判断该结论对应被试内、跨被试还是跨会话评估，也不能量化收益。 复现时值得核对类别中心对齐在被试分布差异和类别不均衡下的效果，以及中心损失与跨客户端对齐各自的贡献。摘要将保护隐私列为框架目标，但未说明共享信息、威胁模型或隐私评估；不直接上传原始 EEG 数据并不等同于已验证不存在隐私泄露。实验协议、消融及统计信息尚未验证，代码与完整复现条件亦尚未验证。

    阅读价值：值得核对其通过跨被试类别中心对齐缓解联邦学习客户端漂移的机制，以及相应性能收益与隐私保护边界。

  4. 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。

  5. OpenReview · EEG71

    用于 EEG 表征的知识驱动跨视图对比学习

    基于摘要分析。本文针对 EEG 监督学习中人工标注成本高、标签差异显著，以及通用自监督框架缺乏 EEG 专属理论依据的问题，提出知识驱动跨视图对比学习框架 KDC2。其核心贡献是引入神经理论先验，通过头皮视图与神经视图学习有限标签条件下的 EEG 表征。 机制上，KDC2 构造 scalp view 与 neural view，分别模拟脑活动的外部与内部表征，再结合多种数据增强，使用摘要所称的 inter-view 与 cross-view 对比学习流程提取不同视图的特征。作者以 homologous neural information consistency theory（同源神经信息一致性理论）建模先验，旨在提取不变且互补的神经知识，并形成组合表征。摘要未说明神经视图如何由 EEG 构建，也未给出正负样本定义、增强操作、损失形式或表征融合方式，这些机制细节尚待全文核对。 作者报告，在不同下游任务的实验中，KDC2 优于所比较的先进方法，并据此认为神经知识支持的 EEG 表征具有跨任务泛化优势。但摘要未提供具体任务、数据集、被试数、标签比例、指标或基线名称，不能量化收益，也不能将跨任务结果等同于跨被试、跨会话或跨数据集泛化。 复现时需核对双视图构建与神经先验的具体实现、预训练及下游评估的数据划分、标签使用范围，以及双视图、知识约束和数据增强各自的贡献。实验协议、消融及统计信息尚未验证；目前材料不足以判断该方法对低信噪比、通道配置变化或小样本 EEG 的稳定性。

    阅读价值：值得核对 KDC2 如何将神经知识先验转化为头皮与神经双视图的对比约束，以及其有限标签下的 EEG 表征收益是否在不同下游任务和评估协议中成立。

  6. OpenReview · State space models74

    使用 LSTM 神经网络重建脑模型状态空间

    基于摘要分析。该研究针对从 EEG 观测中追踪神经群体模型（neural mass models，NMMs）状态与参数的问题，提出数据驱动的 LSTM 滤波器，旨在减少对预先指定初始状态和参数的依赖。其主要研究对象是数学脑模型的隐变量估计，而非 BCI 任务分类或控制性能。 方法上，作者使用覆盖较广参数范围的 NMM 生成模拟 EEG，并以这些数据训练 LSTM。通过定制损失函数，模型学习从观测数据到 NMM 状态向量及参数的映射。摘要未给出具体 NMM、损失表达式、网络结构，以及训练与测试参数范围的划分，这些细节尚未验证。作者将该方法作为 Kalman 滤波的替代方案，指出后者存在初始条件难以确定及状态分布高斯假设的限制；这不等于 LSTM 对任意分布或模型均能可靠估计。 结果方面，作者报告，在模拟数据测试中，估计结果的 R² 约为 0.99，并表现出噪声鲁棒性；当非线性 Kalman 滤波器的初始条件不准确时，LSTM 可获得更高的估计精度。该数字仅对应摘要所述模拟测试，具体估计变量、噪声条件、汇总方式与对照设置尚未验证，不能视为真实 EEG 上的性能。作者还将其应用于含癫痫发作的真实 EEG，报告在发作开始时观察到连接强度参数变化；摘要未提供独立生理测量验证，因此不能将该变化直接解释为已证实的真实连接改变。 复现时需核对模拟器及参数采样范围、监督目标、损失设计、观测模型、数据划分和 Kalman 初始化协议，并关注隐状态及参数的可辨识性、模拟到真实 EEG 的分布差异，以及噪声与模型失配对估计稳定性的影响。实验协议、消融及统计信息尚未验证。作者提出该框架可用于任意 NMM，但跨模型通用性仍需具体实验支持；摘要没有提供 BCI 有效性的证据。

    阅读价值：值得阅读的具体原因是其以模拟 EEG 训练 LSTM，直接估计神经群体模型的隐状态与参数，并针对 Kalman 滤波初始条件不准确的情形提供对照；真实 EEG 中参数变化的生理解释仍需进一步验证。

  7. 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。

  8. 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。

  9. OpenReview · EEG73

    用于 EEG 情绪分类的连续标签标注

    基于摘要分析。本研究针对 EEG 情绪分类中“同一刺激材料对应的全部 EEG 样本被赋予同一离散标签”的常见做法，提出支持逐样本连续标注的系统，并构建连续标注的 EEG 情绪数据集，旨在更细致地描述刺激期间的情绪变化。 核心动机是：情绪随时间变化，按刺激统一赋标签可能产生不精确标注，进而影响监督分类。作者为每个样本赋予独立标签，但摘要未说明标签描述的情绪维度、获取方式、标注频率，以及与 EEG 的时间对齐和延迟处理；因此，不能将“连续标签”直接理解为特定的连续数值量表，也无法确认其监督信号可靠性。 作者报告，在自建连续标注数据集上，通过若干分类模型的实验展示了连续标注相对于离散标注的优势。摘要未提供模型名称、指标、分数、被试数量或被试内／跨被试等划分协议，优势幅度及其适用范围尚未验证。 作者进一步利用连续标签，在自建数据集和一个公开数据集中分析诱发与非诱发情绪下的 EEG 特征，并报告 EEG 特征与连续标签之间的关系具有可学习性和泛化性。公开数据集名称、两类情绪的操作性定义，以及泛化评估是否涉及跨被试或跨数据集，均未在摘要中明确。 复现需核对标注系统与数据是否可获得、连续标签如何用于分类、两种标签方案的对照是否使用一致的样本和划分，以及相邻时间样本的处理方式。实验协议、消融及统计信息尚未验证；当前材料支持其标注方法研究价值，但不足以确认具体模型性能或实际 aBCI 应用效果。

    阅读价值：值得阅读其逐样本连续情绪标注系统及与离散标注的对照，具体需核对标签获取方式、时间对齐和评估划分，以判断作者报告的分类优势及特征关联泛化是否成立。

  10. 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。

  11. 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。

  12. 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。

6月3日周五
  1. OpenReview · EEG70

    EEG-GCN：用于单视图与多视图 EEG 情绪识别的时空与自适应图卷积网络

    基于摘要分析。该研究针对 EEG 情绪识别中多通道特征的时空冗余及脑拓扑差异，提出 EEG-GCN，将时空注意力与自适应图卷积用于单视图和多视图情绪识别，并通过多视图方法整合不同 EEG 特征。 核心机制包含三个部分：时空注意力用于自适应捕捉重要时间片段与空间位置信息；自适应脑网络邻接矩阵用于量化通道间连接强度，表征不同情绪情境下的多样化激活模式；多视图方法用于融合不同 EEG 特征。摘要未说明具体特征类型、视图定义、邻接矩阵的学习方式、融合位置、损失函数或训练流程，这些实现细节尚未验证。这里的通道连接强度是模型表征，不能仅凭摘要将其解释为已验证的生理连接。 作者报告，在 SEED 和 DEAP 两个基准数据集上的实验中，所提方法在单视图与多视图条件下均优于其他代表性方法。摘要未提供具体指标、数值、对照方法或数据划分，因而无法判断该结论适用于被试内、跨被试还是其他评估协议，也不能据此认定其跨被试泛化能力。 复现时需核对 EEG 预处理与特征提取、图节点及邻接关系定义、各视图构造方式、训练与测试划分，以及时空注意力、自适应邻接矩阵和多视图融合的消融结果。实验协议、消融及统计信息尚未验证；目前证据支持的是作者报告的 EEG 情绪识别结果，不宜扩展为其他 BCI 任务上的已证实收益。

    阅读价值：值得阅读的具体原因是 EEG-GCN 将时空注意力、自适应通道邻接关系与多视图特征融合结合用于 EEG 情绪识别，可进一步核对各机制的独立贡献及其对不同评估划分的适用性。

1月1日周六
  1. OpenReview · EEG79

    凝胶式与干式多针 EEG 帽的多中心评估

    基于摘要分析。本研究考察干式多针 EEG 电极在不同环境和操作者条件下的性能可重复性与可推广性，并比较其与传统凝胶式 EEG 帽的采集效率和信号特征；主要贡献是将验证扩展到多中心、多操作者场景，而非提出新的 BCI 解码算法。 研究在 6 个国家开展，纳入 115 名志愿者，使用干式和凝胶式 EEG 帽采集电极—皮肤阻抗、静息态 EEG 及诱发活动。研究还考察操作者经验、准备时间和佩戴舒适度与 EEG 信号质量之间的关系。摘要未提供具体诱发任务、通道配置、采集顺序、各中心样本分布及舒适度结果，这些信息尚未验证。 作者报告，在上述多中心采集条件下，干式 EEG 帽的平均通道可靠性为 81%，平均阻抗高于凝胶式 EEG 帽，但准备时间相较凝胶式 EEG 帽减少 62%。作者报告，所评估的各项信号指标均未观察到两类 EEG 帽之间的统计学差异；摘要未列出指标定义、效应量或置信区间，因此不能把“未观察到统计学差异”直接解释为信号等效。作者据此认为干式多针电极的性能具有较高可重复性，且操作者技能与经验是影响通道可靠性和信号质量的主要因素；相关统计分析及因素控制方式尚未验证。 对 EEG 采集实践而言，该研究值得关注的具体问题是：准备时间的减少能否在通道可靠性可接受的前提下稳定实现，以及操作者培训是否影响部署质量。摘要没有报告 BCI 任务中的 Accuracy、ITR 或其他解码结果，不能将采集层面的结果外推为 BCI 性能提升。复现需核对电极与 EEG 帽规格、通道可靠性的判定标准、操作者经验分层、信号处理流程及多中心统计方案；实验协议、消融及统计信息尚未验证。

    阅读价值：该研究以多中心、多操作者条件比较干式与凝胶式 EEG 帽，为评估采集准备效率、通道可靠性及操作者经验对实际部署的影响提供了可核对的证据，但不能据此认定两者的 BCI 解码性能等效。

  2. OpenReview · EEG73

    MAtt：用于 EEG 解码的流形注意力网络

    基于摘要分析。该研究针对 EEG 解码中深度神经网络与几何学习结合不足的问题，提出流形注意力网络 MAtt，以黎曼对称正定（SPD）流形上的注意力机制刻画 EEG 时空表征，探索几何深度学习用于非侵入式 BCI 信号解码的路径。 核心机制是将时空表征及注意力建模置于 SPD 流形上，而非仅在普通欧氏空间中学习特征。摘要将几何学习对噪声 EEG 的鲁棒性作为研究动机，但未提供 EEG 如何构造成 SPD 表征、注意力权重如何计算、流形运算如何实现，以及损失函数、训练和推理流程；这些实现细节尚未验证。 作者报告，在时间同步与时间异步 EEG 数据集上的评估显示，MAtt 优于其他领先深度学习方法；但摘要未列出数据集名称、任务、被试数量、被试内或跨被试划分、对照模型、评价指标及具体数值，因此不能判断优势幅度或跨协议泛化能力。作者还报告，模型解释分析显示 MAtt 能捕获有信息量的 EEG 特征，并处理脑动态的非平稳性；该结论所依据的解释方法与非平稳性评估条件尚未验证。 复现时需优先核对 SPD 表征的构造与数值稳定性、流形注意力的具体定义，以及同步和异步数据的划分与基线设置。实验协议、消融及统计信息尚未验证，代码和运行条件也无法从现有摘要确认；目前不能将摘要中的一般 EEG 解码优势进一步认定为已验证的跨被试或跨会话效果。

    阅读价值：值得阅读的具体原因是其在 SPD 流形上构建注意力机制，将 EEG 时空表征与几何深度学习结合；作者报告的解码优势及非平稳性处理能力仍需结合完整实验协议核对。

  3. OpenReview · EEG72

    使用 EEG 量化 VR 晕动症

    基于摘要分析。本研究针对 VR 晕动症主要依赖定性问卷、难以交互式表征的问题，在参与者经历自运动知觉（vection）诱发的晕动不适时采集 EEG，并与基线比较。核心贡献是探索摇杆记录的参与者自报不适与 EEG 活动之间的关联，而非提出已验证的 BCI 解码算法或晕动症缓解系统。 方法上，作者通过摇杆运动记录参与者报告的晕动不适，并使用独立成分分析（ICA）区分与晕动症相关的信号及眨眼等其他来源。摘要未说明基线条件、EEG 采集配置、ICA 成分判定规则、频段特征计算方式，以及摇杆报告与 EEG 的时间对齐方法，这些复现条件尚未验证。 结果方面，在沉浸式虚拟环境的用户研究中，作者报告：跨参与者观察到与晕动症相关的 Delta（1.0–4.0 Hz）、Theta（4.0–7.0 Hz）和 Alpha（7.0–13.0 Hz）活动增加，且相关性较高并具有统计显著性。摘要未提供参与者人数、相关系数、显著性检验细节或效应量；这里的跨参与者观察不能等同于 Cross-subject 预测验证，也不能据此推断个体级监测准确率。 该研究支持的是主观不适与 EEG 活动之间的关联。作者将其定位为交互式表征和缓解 VR 晕动症的第一步，摘要并未报告在线预测或缓解干预效果。阅读全文时需核对视觉刺激、运动及眼动等因素的控制方式，以及相关关系在不同参与者和时间段中的稳定性；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的是作者将摇杆连续自报的 VR 晕动不适与 EEG 频段变化联系起来，为交互式不适监测提供了可核对的生理关联线索，但其预测能力与实时缓解效果尚未验证。

  4. 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。

  5. 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。