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。

427 条精选近 30 天 162 条共收录 768 条

更新

精选归档 · 第 21 页

1月1日周五第 401–420 条
  1. OpenReview · EEG76

    用于自动睡眠分期的自监督 EEG 表征学习

    基于摘要分析。本研究针对自动睡眠分期依赖精细 EEG 标注、海量无标注信号难以有效利用的问题，提出自监督表征学习方法 Contrast with the World Representation（ContraWR），目标是将原始 EEG 转换为可用于睡眠分期的向量特征，并改善少标签及噪声条件下的预测表现。 核心机制：摘要说明 ContraWR 利用数据集的全局统计来区分与不同睡眠阶段相关的信号，但未提供全局统计的计算方式、对比目标、损失函数、信号分段、数据增强或模型结构。这些细节尚未验证，也不能据此判断训练过程中如何使用睡眠阶段标签。 评估与结果：作者在三个真实 EEG 数据集上进行评估，覆盖居家与实验室记录场景，并报告 ContraWR 在睡眠分期任务中优于四种近期自监督方法。作者还报告，在标注数据占比低于 2% 的条件下，相较监督学习获得“4% accuracy improvement”；摘要未明确该数值是相对提升还是提高 4 个百分点，具体数据集、划分及监督基线也尚未验证。作者展示了二维投影中的表征结构，并认为方法具有噪声鲁棒性；投影结构本身不能替代下游预测或鲁棒性评估。 证据边界与复现条件：数据集名称、通道配置、被试数量、Within-subject 或 Cross-subject 协议、标注子集抽样方法、噪声类型及强度、消融与统计信息尚未验证。复现应优先核对全局统计的估计范围、预训练与下游评估的数据划分，以及自监督和监督基线是否采用一致的标注预算。 研究主要对象是 EEG 睡眠分期，并非 BCI 控制任务。作者提出向其他无监督生理信号学习任务推广，并将任务特定数据增强及自监督与监督方法结合列为未来方向；摘要未提供其他任务上的验证结果。

    阅读价值：值得阅读的是 ContraWR 利用数据集全局统计学习无标注 EEG 表征的机制，以及作者报告的少标签睡眠分期优势；具体对比协议与噪声鲁棒性证据尚需全文核对。

  2. 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。

  3. OpenReview · EEG73

    基于低维被试表征的 EEG 解码迁移学习

    基于摘要分析。该研究针对被动 BCI 中 EEG 个体差异以及任务相关监督校准难以在真实场景中实施的问题，提出基于低维被试表征的迁移学习框架 LDSR-TL。核心思路是从试次前 EEG 提取被试特征，识别脑动态相似的其他用户，结合已有用户数据与新用户少量、快速、非任务式的无监督校准数据进行 EEG 解码。 方法上，作者对试次前 EEG 应用张量分解，提取被试、空间与频谱维度的潜在特征，再据此形成低维被试表征。其迁移依据是被试间脑动态的相似性，而不是随机选择其他用户。摘要未说明张量的具体构造、分解方式、表征维数、相似性计算及源用户数据如何参与模型训练；这些实现细节尚未验证。“无监督校准”描述的是新用户校准环节，不能据此认定整个解码训练过程均不使用标签。 作者报告，在认知状态跟踪任务的预测准确性方面，LDSR-TL 优于随机选择和 Riemannian manifold 方法，并需要更少的训练数据。摘要未给出具体数值、数据集、被试数、训练数据量或划分协议，因此尚不能判断性能优势的幅度，也不能确认其是否覆盖 Cross-session 或 Cross-dataset 泛化。驾驶困倦是摘要用于说明校准困难的场景，不能直接视为已验证的实验任务。 该工作的阅读价值在于将试次前 EEG 的被试表征作为迁移依据，尝试降低任务相关校准负担。复现时需核对试次前 EEG 的采集时长与预处理、源被试选择规则、新用户校准数据与评估数据的划分，以及与随机选择和 Riemannian manifold 对照的数据预算是否一致。实验协议、消融及统计信息尚未验证，真实场景中的实用性仍需进一步核对。

    阅读价值：值得阅读的具体原因是 LDSR-TL 利用试次前 EEG 构建被试表征并识别相似被试，为减少被动 BCI 对任务相关监督校准的依赖提供了可核对的方法路径，但其数据需求与泛化效果仍需全文验证。

  4. OpenReview · EEG74

    EEG 数据上的自监督学习

    基于摘要分析。该研究针对临床 EEG 标注依赖专业知识、耗费人工时间而无标签数据相对丰富的问题，采用对比式自监督学习提取 EEG 表征，并在基于 EEG 的睡眠分期和病理检测两个任务上评估其分类价值。 核心思路是先从无标签 EEG 中学习结构，再使用自监督学得的特征训练线性分类器，以减少下游任务对标签的依赖。摘要明确说明采用对比式方法，但未提供正负样本构造、信号窗口、数据增强、损失函数、编码器架构及预训练细节，这些机制尚未验证。 作者报告，在低标签数据条件下，基于自监督特征的线性分类器持续优于纯监督深度神经网络；在全部标签可用时，取得具有竞争力的表现。摘要未提供具体指标、数值、数据集、被试规模，也未说明采用被试内、跨被试或跨会话评估，因此不能据此判断收益幅度或泛化范围。“全部标签”仅指研究所用评估条件，不代表任意 EEG 任务上的充分监督效果。 该工作的直接证据限于睡眠分期和病理检测，不等同于已验证 BCI 解码收益。复现时需核对无标签预训练与下游评估的数据划分关系、标签预算设置、监督基线的训练配置，以及线性分类器的拟合方式。实验协议、消融及统计信息尚未验证，代码与数据可获取性也尚未验证。

    阅读价值：值得阅读的具体原因是作者报告对比式自监督 EEG 表征配合线性分类器在少标签条件下优于纯监督深度神经网络，可作为评估标签效率的研究参照，但具体划分、基线及统计信息尚未验证。

  5. 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。

  6. OpenReview · EEG72

    用于 EEG 信号伪迹去除的嵌入分解

    基于摘要分析。该研究针对 EEG 记录中的伪迹污染，提出深度学习框架 DeepSeparator，在嵌入空间分离神经信号与伪迹，再重建去噪信号。其主要贡献是将特征编码、伪迹分解与信号重建串联，并支持提取伪迹成分，以辅助理解模型的去噪行为。 机制上，encoder 从原始 EEG 中提取并增强特征；decomposer 提取趋势、检测并抑制伪迹；decoder 重建去噪信号。作者认为，相较于依赖先验经验的传统分析方法，这种框架提供了学习式的伪迹处理路径。摘要未给出嵌入分解的数学定义、监督信号、损失函数或训练细节，尚不能确认其如何约束神经成分与伪迹成分的分离，也不能仅凭可输出伪迹就认定分解具有生理真实性。 作者报告，在半合成 EEG 数据集与真实任务相关 EEG 数据集上，DeepSeparator 对 EOG 和 EMG 伪迹的去除优于传统模型。摘要未提供数据集名称、被试数量、数据划分、对照方法及具体指标，因此该结论应限定于作者所述评估，不能外推为跨被试或跨会话优势。实验协议、消融及统计信息尚未验证。 作者表示，该方法可扩展至多通道 EEG 和任意长度数据，并提供了代码入口；具体实现方式与这些扩展的验证范围尚未确认。复现时应核对半合成数据的构造与污染强度、真实任务数据的评估依据，以及去噪过程是否保留任务相关神经成分。该研究直接面向 EEG 去噪，但摘要未报告下游 BCI 解码效果，不能将伪迹去除优势等同于 BCI 性能提升。

    阅读价值：值得关注 DeepSeparator 在嵌入空间分离神经信号与伪迹、同时输出去噪信号和伪迹的机制；摘要提供了代码入口，但其信号保真度及跨被试适用性仍需核对全文与实验。

  7. 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。

1月1日周二
  1. OpenReview · EEG73

    MAD-EEG：用于解码多声部音乐中目标乐器听觉注意的 EEG 数据集

    基于摘要分析。该研究针对多声部音乐中目标乐器的 EEG 听觉注意解码问题，提出公开可用的 MAD-EEG 数据集，为单试次注意解码及其他 EEG 音乐分析任务提供研究材料。 数据与任务：摘要所述数据包含 8 名被试的 20 通道 EEG；被试听独奏、二重奏和三重奏音乐片段，并注意一个预先指定的乐器。刺激通过扬声器而非耳机播放，设计涵盖混合中乐器的数量与类型、空间呈现、音乐风格和旋律变化。其核心研究对象是音乐聆听中的选择性听觉注意，而不是运动想象或通用 EEG 分类。 初步验证：作者使用一种常用于语音刺激的先进刺激重建算法，从 EEG 响应重建音频表征，并比较重建表征与被注意及未被注意声源表征的相关性。作者报告，在该初步音乐实验中，重建表征与被注意声源的相关性更高；摘要未给出具体相关系数、解码 Accuracy、数据划分或统计检验，因此不能据此量化单试次、跨被试或跨会话性能。作者将该结果解释为数据集适用于相关注意解码研究。 阅读与复现重点：需核对音频表征及重建算法的具体定义、刺激与 EEG 的时间对齐、参考与预处理方式、试次数与时长，以及训练测试划分是否区分音乐片段和被试。摘要称数据免费公开，但数据文件、访问条件、配套实现及完整实验协议尚未验证；消融及统计信息也尚未验证。扬声器呈现及多种刺激变化是该数据集的重要场景特征，但它们对解码性能的独立影响仍需依据全文与数据确认。

    阅读价值：该数据集将 EEG 听觉注意解码扩展到扬声器播放的多声部音乐，并提供目标乐器注意任务，值得用于核对语音刺激重建方法在音乐场景中的适用性，但摘要中的初步相关性结果尚不足以确定单试次解码性能。

3月1日周四
  1. OpenReview · EEG73

    用于单试次 EEG 分类的鲁棒支持矩阵机

    基于摘要分析。本文研究测量伪迹、异常值及非标准噪声干扰下的单试次 EEG 分类，提出 robust support matrix machine（RSMM），在保留 EEG 矩阵表示的同时，将潜在干净信号恢复与分类器训练纳入统一框架。 核心机制是利用 EEG 样本内部的相关性，假设每个 EEG 矩阵可分解为潜在低秩干净矩阵与稀疏噪声矩阵，并基于恢复后的干净矩阵训练分类器。相较于摘要所述通过低秩约束利用矩阵内部相关性的已有分类器，RSMM 的主要区别是显式处理样本内部异常值，而非仅依赖输入信号本身。作者提出基于 alternating direction method of multipliers（ADMM，交替方向乘子法）的求解器；具体目标函数、损失形式、正则化设置及收敛条件尚未验证。 作者报告，在真实二分类 EEG 数据上的分类实验中，RSMM 优于所比较的先进矩阵分类器。摘要未提供数据集名称、被试数、矩阵构造方式、被试内或跨被试划分、对照方法名称及具体指标，因此目前不能判断性能优势的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。 阅读与复现时应重点核对低秩与稀疏分解的适用条件、超参数选择，以及训练和推理阶段分别如何恢复信号。平台推测（待验证）：若真实伪迹呈持续性、广泛通道污染而非稀疏异常，或有效 EEG 判别信息本身不符合低秩假设，恢复过程可能削弱分类信息。摘要将鲁棒运动想象 BCI 作为潜在应用方向，但尚不足以确认具体运动想象任务表现或在线 BCI 有效性。

    阅读价值：值得核对其将低秩信号恢复与矩阵分类器联合训练的机制，以及样本内稀疏异常假设对真实 EEG 伪迹的适用范围；摘要中的性能优势尚需结合实验协议验证。

1月1日周一
  1. OpenReview · EEG72

    EEG 电极位置偏移对不同日期分类准确率的影响

    基于摘要分析。该研究考察同一被试在不同日期采集 EEG 时的电极位置偏移，以及这种偏移对 EEG 脑机接口分类准确率的影响。其贡献是实测跨日电极位置变化，并结合真实 EEG 数据评估分类表现，而非提出新的分类算法。 研究分别测量了同一实验人员在不同日期为同一被试放置电极时的位置，以及不同实验人员在不同日期为同一被试放置电极时的位置，以考察位置偏移的规律及其对分类的影响。这些条件有助于分析跨日采集与实验人员差异，但摘要未提供位置测量方法、偏移量定义或各因素的独立效应。 作者报告，分类准确率较大程度上依赖电极位置偏移，尤其是在皮层激活区域较小时。摘要未提供准确率数值、偏移幅度、分类任务、分类器、被试数量及训练测试划分，因此不能量化影响，也不能确定结果对应怎样的跨会话训练与测试协议。 该结果提示跨日 EEG 分类评估需要关注电极放置一致性，但不能据此认定某种校准或域适应方法有效。复现时需核对电极定位与配准流程、不同实验人员的放置条件、皮层激活区域大小的判定依据，以及分类评估协议。实验协议、消融及统计信息尚未验证。

    阅读价值：该研究将跨日 EEG 电极位置偏移与分类表现联系起来，值得用于核对跨会话评估中的采集一致性，尤其关注局部皮层激活条件下的敏感性，但影响幅度与实验协议尚未验证。

  2. OpenReview · EEG77

    面向局灶性癫痫患者可穿戴发作检测系统开发的头皮 EEG 与耳后 EEG 比较

    基于摘要分析。该研究针对局灶性癫痫患者的连续可穿戴监测需求，通过同步比较头皮 EEG 与耳后 EEG，考察耳后记录能否保留有意义的癫痫放电并支持自动发作检测。研究对象是癫痫监测，而非 BCI 控制或意图解码。 研究同步采集了 12 名颞叶、顶叶或枕叶癫痫患者的传统头皮 EEG 和耳后 EEG；耳后记录包含跨头通道（cross-head channels）及单侧通道。分析涵盖眨眼引起的眼电（EOG）伪迹、发作期间的时域波形与频率内容、相干性，以及基于支持向量机（SVM）的自动发作检测。这种同步比较有助于在相同发作事件下评估不同记录位置的信号与检测表现。 作者报告，跨头通道中未观察到眨眼 EOG 伪迹，单侧通道中的伪迹幅度显著较小；发作期间，耳后 EEG 的时域波形和频率内容在视觉上与头皮 EEG 相似，相干性分析也支持耳后记录捕获了有意义的癫痫放电。上述结果支持耳后记录的信号可用性，但不能直接推广为对所有日常活动伪迹均具有鲁棒性。 在这批同步记录上使用 SVM 进行自动发作检测时，作者报告：头皮 EEG 的中位敏感度为 100%，误检率为每小时 1.14 次；耳后 EEG 的中位敏感度为 94.5%，误检率为每小时 0.52 次。作者据此认为两类记录可取得可比的检测表现。敏感度与误检率需联合解读，不能仅凭耳后记录误检率较低就认定其整体优于头皮 EEG。 摘要未说明检测特征、SVM 配置、训练与测试划分、记录时长、发作数量及检测延迟，实验协议、消融及统计信息尚未验证；也无法判断这些指标属于被试内还是跨被试评估。当前证据支持耳后 EEG 用于局灶性癫痫发作检测的可行性，但长期日常佩戴、不同患者与发作类型下的泛化，以及实际设备条件下的表现仍需核对全文或进一步验证。

    阅读价值：该研究通过同步采集头皮与耳后 EEG，结合信号一致性分析及 SVM 发作检测，为评估耳后电极用于局灶性癫痫可穿戴监测提供了可核对的证据，但日常佩戴效果与检测泛化能力尚未验证。

2月1日周三
  1. OpenReview · EEG79

    EEG 感知的信息论视角

    基于摘要分析。本文研究 EEG 神经成像中电极密度、空间分辨率与采集硬件开销之间的关系，质疑仅凭头皮信号的空间 Nyquist 采样率判断超高密度 EEG 是否有价值。其贡献包括修正并推广空间采样率分析、建立单偶极子源定位精度的信息论基本界，以及提出利用 EEG 空间相关性的 hierarchical referencing 技术。 理论上，脑内信号传播至头皮时，高空间频率成分衰减，传统分析据此估计重建头皮 EEG 所需的电极数量。作者指出，这类分析回答的是“以指定的小均方误差重建头皮信号需要多少传感器”，而非“怎样最小化脑内神经源的重建误差”；后者目标不同，也必须纳入噪声。因此，头皮信号的采样需求不能直接替代脑内源定位的精度分析。 针对单偶极子源，作者利用脑到头皮信道的传递函数，计算源的 distortion-rate function，并在该信道互信息的上界处求值，以获得可达定位精度的基本限制。摘要称该方法可扩展至更一般的源，但具体源模型、噪声假设、界的紧致性及推广条件尚未验证。 工程上，作者提出，高空间频率衰减虽然不利于重建，却会增强头皮 EEG 的空间相关性；hierarchical referencing 可利用这些相关性降低采样电路的能耗与面积。作者报告这一机制有助于实现高分辨率、高密度采集，但摘要未给出量化收益或硬件验证协议，不能据此认定已实现安全、紧凑、便携的超高密度系统。 该研究直接涉及 EEG 成像理论与采集硬件，而非 BCI 解码算法。全文复核应重点关注头模型与噪声条件、空间 Nyquist 估计的适用范围、定位界与实际估计误差的关系，以及 hierarchical referencing 对信号保真度和电路开销的影响。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区分了头皮 EEG 重建与脑内源定位的不同目标，并提出含噪声的信息论精度界及利用空间相关性降低采集电路开销的路径，但其数值界与工程收益尚需全文核对。

1月1日周五
  1. OpenReview · EEG72

    使用耳内 EEG 检测驾驶员困倦

    基于摘要分析。该研究关注耳内 EEG 能否在降低佩戴侵扰的同时，支持驾驶员清醒—困倦状态分类，并与头皮 EEG 及外周生理信号进行性能比较。其主要贡献是对耳内 EEG 用于困倦检测的可行性开展直接评估，而非提出摘要中可明确辨识的新分类算法。 研究同时测试了心电图（ECG）、光电容积描记（PPG）和皮肤电反应（GSR），以比较不同信号在测量便利性与分类性能之间的取舍。作者称这是首次评估耳内 EEG 在驾驶员清醒—困倦分类中的表现；这一优先性声明尚未独立核实。 作者报告，在本文清醒—困倦分类评估中，耳内 EEG 获得了较高的分类 Accuracy，表现可与单个头皮 EEG 通道相比；ECG、PPG 和 GSR 仅在两两组合使用时表现出有竞争力的性能。摘要未提供具体 Accuracy、置信区间或显著性检验，因此不能量化性能差距，也不能将“可比”理解为已通过统计等效性验证。该对照针对单个头皮 EEG 通道，不应扩展为耳内 EEG 与多通道头皮 EEG 等效。 作者据此认为，耳内 EEG 可能成为单通道 EEG 或单一外周信号困倦监测的替代方案。被试数量、驾驶任务环境、状态标注依据、耳内电极配置、预处理、特征与分类器，以及被试内或跨被试划分均尚未验证；实验协议、消融及统计信息也需全文核对。实际部署价值仍需结合运动伪迹、佩戴稳定性及跨会话表现评估，摘要结果不能直接证明真实道路条件下的可靠性。

    阅读价值：该研究直接比较耳内 EEG、单个头皮 EEG 通道与外周生理信号在驾驶员清醒—困倦分类中的表现，为评估低侵扰困倦监测方案提供了可核对的对照思路，但具体性能与泛化能力尚未验证。

12月31日周二
  1. OpenReview · EEG74

    利用同步 MEG 与 EEG 波束形成器定位相干源

    基于摘要分析。该研究针对相干脑源可能使常规波束形成器失效的问题，构建结合源抑制策略的同步 MEG/EEG 线性约束最小方差（LCMV）波束形成器，并通过模拟数据及实测听觉刺激数据考察其定位能力。作者报告，该方法对相干源定位具有明显益处，但摘要未给出定量改善幅度。 机制与研究对象：MEG 与 EEG 对脑源的敏感性具有互补性，联合分析旨在改善径向和切向源分量的定位。摘要指出，已有同步 MEG/EEG 波束形成方法能改善单模态分析中的漏检或较高定位偏差，但源活动相干时，常规波束形成器仍可能无法正常工作。本研究进一步在同步 MEG/EEG LCMV 框架中引入源抑制，比较不同抑制策略；具体约束构造、抑制源的选择及联合数据处理方式尚未验证。 证据与对照：作者使用多组模拟数据和实测听觉刺激数据，重点评估相干源定位，并与常规同步分析及单模态方法比较。摘要未提供被试数、模拟源配置、相干程度、噪声条件、定位误差指标或统计结果，因此不能据此判断改善幅度、策略间优劣或稳健性。实验协议、消融及统计信息尚未验证。 适用范围与复现条件：该工作的直接贡献是 MEG/EEG 联合源定位，而非 BCI 解码性能提升。复现需核对两种模态的配准与尺度处理、前向模型、协方差估计、LCMV 约束及源抑制策略，并确认实测数据中定位结果的验证依据。摘要不足以支持其在单独 EEG、跨被试或在线 BCI 场景中的有效性结论。

    阅读价值：值得阅读的具体原因是该研究将同步 MEG/EEG 融合与源抑制策略结合，针对相干脑源下常规波束形成器的定位困难开展模拟及听觉刺激数据验证，但改善幅度与适用条件尚需核对全文。

  2. OpenReview · State space models72

    结构化自回归状态空间模型中的序贯参数学习与滤波

    基于摘要分析。本文研究带结构化先验的自回归（AR）状态空间模型，提出基于粒子的序贯滤波与参数学习算法，使隐状态和模型参数能够随观测到来进行在线估计。研究对象是时间序列建模，并以模拟数据及一段人类 EEG 信号展示方法应用，而非直接提出或验证 BCI 解码算法。 核心机制是在系统层面的 AR 系数上引入非共轭结构化先验：先对 AR 特征多项式倒数根的模与波长指定均匀分布或截断正态分布先验，再由根的结构约束 AR 系数。这种参数化方式将先验与振荡周期及动态特征联系起来；摘要未给出具体先验范围、模型阶数、观测方程或参数更新细节。 作者报告实现并比较了三种序贯蒙特卡洛（SMC）方法，比较使用来自不同状态空间 AR 模型的模拟数据；另以人类 EEG 信号分析说明结构化模型对生物医学信号的描述能力。摘要未提供三种方法的名称、评估指标、数值结果、EEG 被试与采集信息，也无法判断具体比较结论。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若目标是跟踪 EEG 振荡动态，根结构先验与在线滤波可能具有可复用价值，但依赖振荡结构能够被 AR 模型合理表示，以及先验范围与信号相匹配。用于多通道或跨被试分析时，需要进一步处理通道耦合和个体差异；低信噪比、伪迹、先验失配及粒子退化可能影响估计稳定性。一个可检验的小实验是在固定模拟协议下，比较结构化先验与常规 AR 系数先验对已知振荡参数的在线恢复能力，并逐步降低信噪比，再以独立 EEG 片段核对拟合和预测表现。该实验建议不代表已证实的 BCI 收益；除材料中的 EEG 示例外，相关 EEG 后续工作尚未检索确认。复现仍需全文确认算法、先验、粒子配置及数据处理细节。

    阅读价值：该研究将 AR 特征根结构先验与在线状态及参数估计结合，并提供人类 EEG 分析实例，值得核对其对振荡结构的表达方式及三种 SMC 方法的比较，但摘要尚不足以确认 BCI 任务收益。

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 · EEG73

    无精确事件时间锁定的 EEG 记录分类

    基于摘要分析。该研究针对刺激呈现时刻与 EEG 波形无法精确时间锁定的分类问题，提出先利用具有时序信息的 EEG 数据刻画目标事件的脑响应模式，再在待分类记录中搜索可能的响应位置并汇总事件概率的方法。其贡献在于降低分类阶段对精确刺激时刻的依赖，而不是完全免除建立响应模式时对时序信息的需求。 核心机制分为三步：首先从已知时序的 EEG 数据中刻画目标事件响应模式；随后以滑动窗口遍历 EEG 记录，检测从各个候选位置开始的目标图像响应；最后汇总不同位置的检测信息，估计整个 EEG epoch 内出现目标图像事件的概率。摘要未说明响应模式的具体表示、分类器、窗口长度与步长，以及位置概率的汇总形式，相关实现尚未验证。 作者报告，在长度为 5 s 的 EEG epoch 分类中，该方法获得中位数 ROC 曲线下面积（AUC）0.96，并称其结果与使用精确刺激时刻信息的方法相当。摘要未给出该中位数的统计单元、被试数、数据集、数据划分、被试内或跨被试协议，以及对照方法的具体设置，因此不能据此推断跨被试泛化或在线 BCI 性能。 该方法直接涉及 EEG 事件分类中的时间不确定性，尤其关注刺激时刻不可用及响应潜伏期变化带来的定位困难。复现时需核对响应模式构建数据与评估数据的划分、潜伏期变化范围、记录中目标事件的设置，以及滑动搜索和概率汇总的实现。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已知时序下学习的目标事件响应模式与滑动窗口位置汇总结合，为刺激时刻不精确的 EEG 分类提供了可核对的方法路径，但其适用范围与复现条件尚待全文验证。