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。

587 条精选近 30 天 179 条共收录 1,138 条

更新

精选归档 · 第 29 页

1月1日周日第 561–580 条
  1. OpenReview · EEG71

    EEG 情绪识别中的熟悉度效应

    基于摘要分析。该研究考察音乐刺激熟悉度对 EEG 脑活动及情绪识别的影响，使用作者自采实验数据与 DEAP dataset，探讨这一主观因素是否影响情绪标注和分类表现。 实验设计方面，作者在熟悉度研究中允许被试选择数量相同的熟悉与不熟悉歌曲，并强调音乐体验中的情绪具有主观性，因此应记录被试自我报告的情绪。摘要未提供被试数量、熟悉度量表、情绪标签定义或具体样本划分，不能据此判断结论是否适用于被试内、跨被试或跨会话识别。 作者报告，音乐熟悉度在一定程度上影响 EEG 功率谱及脑功能连接。在进一步的情绪识别实验中，作者报告，仅使用低熟悉度歌曲可改善采用 fractal dimension（分形维数）或 power spectral density（功率谱密度）特征，并使用 support vector machine、multilayer perceptron 或 C4.5 分类器的系统表现。摘要没有给出具体指标、提升幅度及各特征—分类器组合的结果，不能确定这一优势是否在全部组合中一致成立。 这项工作的主要贡献是揭示刺激熟悉度可能影响 EEG 情绪识别，而非提出新的分类架构。作者据此认为不熟悉歌曲更适合构建情绪识别系统，但这一结论的适用范围仍需核对：熟悉度是否与歌曲属性、情绪强度或个体偏好共同变化，以及训练与测试刺激如何分配。完整实验协议、消融及统计信息尚未验证；复现需取得刺激选择与熟悉度记录方式、情绪自评流程、EEG 预处理、特征计算和分类评估设置。该摘要不支持将其结论直接推广至其他刺激类型或一般 BCI 任务。

    阅读价值：该研究值得用于核对音乐刺激熟悉度是否构成 EEG 情绪识别的实验混杂因素，作者报告的低熟悉度刺激优势仍需结合数据划分与统计结果验证。

  2. OpenReview · EEG70

    兼顾类内一致性与类间判别性的图正则化 EEG 源成像

    基于摘要分析。该研究针对 EEG 源成像中任务相关源易被强自发、非任务相关活动掩盖的问题，提出 Laplacian Graph Regularized Discriminative Source Reconstruction，将表示不同脑状态的标签信息编码到图正则化项中，使逆问题求解侧重于恢复具有任务判别性的脑源。 核心机制：EEG 源成像利用头皮记录的时空信息估计产生电位的脑内源活动。作者将其方法与不利用脑状态标签的无监督逆问题求解思路区分开来：标签不仅服务于后续分类，而是通过图正则化参与源重建。标题强调类内一致性与类间判别性，但摘要未给出图的构造方式、边权定义、具体损失及优化过程，这些细节尚未验证。 框架扩展：作者说明该框架可在不同假设下扩展，并将其应用于 VB-SCCD；该模型通过空间总变差正则化估计具有空间扩展范围的脑源。因而，研究同时涉及判别信息与源空间结构约束，但二者如何组合、正则化参数如何选择，需核对全文。 证据与局限：作者报告模拟结果支持所提框架的有效性。摘要未提供模拟源配置、背景信号强度、对照方法、评价指标或数值，实验协议、消融及统计信息尚未验证，不能据此量化定位或判别性能提升。真实 EEG 数据上的泛化效果，以及用于 BCI 时的跨被试、跨会话表现，均尚未验证。 复现时应重点核对正向模型与源空间设定、标签参与图构造的范围、训练与测试数据划分、空间总变差和图正则化的权重，以及源定位质量与任务判别能力各自的评价方式。该论文直接研究 EEG 源重建，但不能将摘要中的模拟有效性等同于已证实的 BCI 解码收益。

    阅读价值：值得阅读的具体原因是将脑状态标签通过图正则化引入 EEG 源重建，以针对强自发背景活动提取任务判别源；其有效性目前仅有摘要中的模拟结果描述，真实 EEG 与 BCI 解码收益尚未验证。

1月1日周五
  1. OpenReview · EEG74

    利用 EEG 与额部 EOG 估计警觉度的多模态方法

    基于摘要分析。本文研究利用 EEG 与 EOG 估计用户警觉度，以支持感知用户心理状态的人机交互；核心贡献是结合额部 EOG 的眼动特征与 EEG，并在模型训练中引入警觉度的时间依赖，同时探索更便于佩戴的电极布置。 方法上，作者采用额部 EOG 电极布置，提取多种眼动特征，称其包含传统 EOG 的主要信息；同时考察不同脑区 EEG 对警觉度估计的作用，利用 EEG 与额部 EOG 的互补性进行多模态融合。针对警觉度随时间变化的特点，研究引入 continuous conditional neural field 与 continuous conditional random field 模型，以捕捉动态时间依赖。摘要未提供具体特征定义、融合位置、模型结构、损失形式及时间窗口设置，这些实现细节尚未验证。 作者报告，在其警觉度估计实验中，多模态融合较单模态表现更好，基于时间依赖的模型也能改善估计性能；但摘要未列出指标、数值或具体对照设置。作者还报告，相比清醒状态，困倦状态下 theta 与 alpha 频段活动增加，gamma 频段活动降低。这是该实验中的观察，不能据此推定其跨被试或跨会话稳定性。 在采集配置方面，作者报告额部布置可用四个共用电极同时采集 EEG 与 EOG，并取得与颞部及后部位点相当的性能；具体通道、参考电极及比较协议尚未验证。被试数量、警觉度标签获取方式、数据划分、被试内或跨被试评估、消融及统计信息均需查阅全文确认。复现时应重点核对额部两类信号的提取流程、时序模型的训练与推理条件，以及四电极配置与其他位点配置的可比性。摘要支持其作为警觉度监测研究的价值，但尚不足以确认真实场景的佩戴可靠性或在线性能。

    阅读价值：值得阅读的具体原因是将额部 EEG/EOG 共用电极采集、模态互补与警觉度时序建模结合，为低电极数警觉度估计提供了可核对的研究路径，但性能与泛化能力仍需全文验证。

  2. 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。

  3. OpenReview · EEG76

    利用深度循环卷积神经网络学习 EEG 表征

    基于摘要分析。该研究针对 EEG 认知事件建模中被试间、被试内差异及信号噪声带来的表征不稳定问题，提出将多通道 EEG 转换为保留拓扑的多频谱图像序列，再通过深度循环卷积神经网络学习表征，并用于认知负荷分类。 核心机制是将 EEG 的空间、频谱和时间结构联合纳入输入与建模过程：先以多频谱图像保留电极信号之间的空间拓扑，再借鉴视频分类方法，从图像序列中学习表征。与摘要所述忽略空间信息的常规 EEG 分析方式相比，该方法的主要区别是显式保留空间结构，并进一步建模序列变化。作者认为，这种设计有助于降低特征对各维度变化与失真的敏感性；具体图像构造、频谱划分、网络结构、损失函数及训练流程尚未验证。 作者报告，在认知负荷分类任务上，该方法相较于该领域当时的先进方法取得了显著的分类准确率提升。摘要未提供数据集名称、被试数量、数据划分、对照方法或具体 Accuracy 数值，因此不能判断结果属于被试内、跨被试还是跨会话评估，也不能据此确认跨被试泛化能力。显著性的统计依据、消融及完整实验协议尚未验证。 复现时需从全文核对 EEG 预处理、电极坐标与图像映射、频谱提取、序列窗口及训练测试划分，并确认各对照采用的评估条件是否一致。这些信息是判断拓扑保留与时序建模各自贡献，以及作者所述抗差异、抗噪声效果的重要依据。当前材料直接支持的是 EEG 认知负荷分类研究，不能将其结果外推为其他 BCI 任务中的已验证收益。

    阅读价值：值得阅读的具体原因是其将多通道 EEG 转换为保留拓扑的多频谱图像序列，并联合建模空间、频谱与时间结构；其对被试差异和噪声的稳健性仍需结合全文实验协议核对。

1月1日周四
  1. OpenReview · EEG71

    用于 EEG 源定位的稀疏贝叶斯学习

    基于摘要分析。本文研究由 EEG 数据定位脑内电活动源的问题，提出结合电流偶极子分组与各向同性约束的 Sparse Bayesian Learning（SBL）方法，以改善脑活动稀疏模式的估计和多源定位。 核心机制是在源空间中对电流偶极子进行分组，并在 SBL 求解定位问题时施加各向同性约束。摘要未给出分组规则、约束的数学定义、先验与推断更新公式，因此尚无法确认这些设计如何具体作用于源强度、方向或组级稀疏性，也不能将“各向同性”直接理解为固定源方向。 数值实验采用由头部 MRI 图像分割得到的真实感头模型，包含头皮、颅骨、脑脊液（CSF）和脑四类组织，并设置相应的相对电导率。作者报告，在无噪声环境下，所提方法可定位最多 6 个同时活跃的源，定位准确率超过 75%；未施加各向同性约束的 SBL 在定位 3 个同时活跃源时，准确率低于 75%。这两组数字对应不同的活跃源数量，不能据此计算同一条件下的准确率提升；摘要也未说明准确率定义、定位容差及重复实验设置。 作者认为，该方法相较现有先进算法可能更一致地刻画脑活动的稀疏模式并改善 EEG 源定位，但摘要仅提供了上述 SBL 对照的定量信息，其他基线及比较协议尚未验证。复现需核对头模型与电导率设置、传感器布局、源位置及方向生成方式、分组策略、约束实现和评价标准。含噪条件、真实 EEG 验证、消融及统计信息尚未验证；无噪声仿真结果也不等于 BCI 任务性能改善。

    阅读价值：值得核对偶极子分组与各向同性约束如何改善 SBL 的多源定位，但摘要中的主要定量证据来自无噪声仿真，尚不能据此判断真实 EEG 条件下的收益。

  2. 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。

  3. OpenReview · EEG72

    用于基于 EEG 的困倦检测的选择性迁移学习

    基于摘要分析。研究针对基于 EEG 的困倦检测中个体训练数据采集成本高、跨被试差异可能导致负迁移的问题，提出选择性迁移学习方法：利用目标被试的少量先导数据筛选其他被试的辅助数据，以改善个体化检测器的性能。 核心机制不是无差别合并其他被试的数据，而是让目标被试的先导数据参与辅助数据选择。作者将该方法建立在团队此前的发现之上：与困倦相关的 EEG 特征在同一个体的不同会话间具有稳定性，先导数据可用于校准或训练困倦检测器。该跨会话稳定性是作者引用的前期依据，不能据此认定本研究已完成独立的跨会话泛化验证。摘要同时提到利用由其他被试数据建立的既有 BCI 模型，但辅助数据选择与模型复用如何衔接尚未验证。 作者报告，经验结果支持结合其他被试的既有模型与相对少量的目标被试先导数据，其检测性能可优于仅基于该被试先导数据建立的 BCI。摘要未提供具体性能指标、改善幅度、被试数量或先导数据规模，因此不能量化其收益，也不能将该结果延伸为任意跨被试或跨会话协议下均有效。 复现时需核对辅助数据的选择准则、EEG 特征、检测模型、困倦标签定义，以及先导数据与测试数据的划分关系；还需确认与不筛选辅助数据的迁移方法如何对照，才能判断收益是否来自选择机制。实验协议、消融及统计信息尚未验证。该研究直接面向 EEG 困倦检测，其阅读价值在于考察少量个体校准数据能否指导跨被试知识复用，而非证明其对其他 BCI 任务同样有效。

    阅读价值：值得核对其依据目标被试先导数据筛选其他被试辅助数据的机制，以及相对于仅用先导数据训练的收益，具体筛选准则和评估协议尚未验证。

1月1日周三
  1. OpenReview · EEG70

    基于流形正则化极限学习机的 EEG 情绪识别

    基于摘要分析。本文研究从观看不同类型电影片段诱发的 EEG 中识别正性、中性和负性三类情绪，提出 manifold regularized extreme learning machine（MRELM，流形正则化极限学习机），以同时利用 EEG 数据的几何结构与判别信息。 方法使用五个频带的微分熵特征进行分类。摘要明确了流形正则化与极限学习机相结合的总体思路，但未提供几何结构的构建方式、正则项与损失函数、训练流程或超参数，因此这些实现细节尚未验证。 作者报告，在使用全部五个频带微分熵特征的评估中，MRELM 的平均 Accuracy 为 81.01%，对照方法 GELM 和 SVM 分别为 80.25% 和 76.62%。摘要未明确这组结果对应的被试内或跨被试协议、数据划分及平均方式，不能将其直接视为跨会话性能。作者还报告，使用高频 β、γ 频带特征得到的 Accuracy 高于低频频带特征，并据此认为 β、γ 与情绪状态变化更相关；这一解释应限定于文中的情绪诱发任务与评估条件。 作者另行开展了训练集与测试集来自不同会话的实验，并认为结果支持 MRELM 在 EEG 情绪识别中的竞争力，但摘要未给出该实验的具体数值。数据集名称、被试数量、会话安排、特征处理与模型选择流程，以及实验协议、消融及统计信息尚未验证。复现时需重点核对流形构建所用数据范围、跨会话划分、正则化参数选择及各对照方法的设置，才能判断性能优势与会话变化下的稳健性。该研究直接针对 EEG 情绪识别，不应据此延伸为其他 BCI 任务中的已验证效果。

    阅读价值：值得阅读之处在于将 EEG 数据的几何结构与判别信息共同用于情绪识别，并开展跨会话评估；其具体正则化机制与跨会话性能仍需全文核对。

12月31日周二
  1. OpenReview · EEG75

    同步 EEG-fMRI 研究中用于去除 BCG 伪迹的耦合基学习与正则化重建

    基于摘要分析。该研究针对同步 EEG-fMRI 采集中幅度显著大于真实 EEG 的心冲击图（ballistocardiogram，BCG）伪迹，提出 Direct Recording-Joint Incoherent Basis（DRJIB）方法，将受污染的观测分解为 BCG 与潜在 EEG 成分，重点处理连续、非事件相关 EEG 的伪迹去除与信号保留问题。 核心机制是利用新实验装置获取的 BCG-only 与 EEG-only 信号学习两类基表示，而非假定 BCG 与 EEG 子空间正交或独立。其代价函数结合用于自动维度选择的组稀疏惩罚，以及鼓励两类基不相干的能量项，得到成对的低维、半正交基表示；随后将受污染数据拟合到基于这些基的生成模型，并通过正则化完成重建。摘要未给出损失函数的具体形式、正则化参数或优化细节。 作者报告，在具有挑战性的非事件相关 EEG 研究中，相较 Optimal Basis Set（OBS）基线，DRJIB 在分离并保留连续 BCG 与 EEG 信号方面表现出近 12 倍优势。这是初步定量结果，摘要未明确该倍数对应的指标、计算方式及误差范围，不能将其解释为 Accuracy 提升或其他特定性能增益。 复现时需要核对 BCG-only 与 EEG-only 信号的采集装置和条件、参考信号与混合记录的匹配方式、基学习及重建参数，以及 OBS 对照的具体实现。被试数量、数据划分、跨被试或跨会话适用性、实验协议、消融及统计信息尚未验证。该研究直接面向 EEG-fMRI 伪迹处理，但摘要结果不构成 BCI 解码性能改善的证据。

    阅读价值：值得关注其利用独立采集的 BCG-only 与 EEG-only 信号学习耦合基、再进行正则化重建的去伪迹机制，但作者报告的近 12 倍优势仍需核对具体指标、采集条件与评估协议。

  2. OpenReview · EEG75

    MR 扫描仪内用于重建全头皮 EEG 的 BCG 伪迹去除

    基于摘要分析。本研究针对同步 EEG/fMRI 采集中心冲击图（ballistocardiogram，BCG）伪迹干扰 EEG 解释的问题，提出 Direct Recording Temporal Spatial Encoding（DRTSE），利用高密度 EEG 通道之间的信息估计全头皮 BCG 贡献，再重建 EEG，重点面向难以通过平均操作去除伪迹的连续、非事件相关研究。 机制上，作者设计专门实验，支持近似最优的通道子集选择：从 256 个通道中选出 20 个，并提出可由该子集估计实际记录中所有通道的 BCG 伪迹。方法将学习与推断整合，初步评估涉及直接相减及基于优化的重建方案。摘要未说明所选通道的具体信号构成、学习目标、优化形式，以及伪迹估计如何避免同时消除真实 EEG，这些内容需结合全文核对。 结果方面，作者报告，在具有挑战性的非事件相关 EEG 研究中，结合优化方案的 DRTSE 相较 Optimal Basis Set（OBS）使归一化 RMSE 降低约 13 倍。该数值属于摘要所述初步评估，不能解释为准确率提升或下游任务性能改善；其归一化定义、参考 EEG 的获得方式、被试数、训练与测试划分、跨被试或跨会话适用性，以及实验协议、消融及统计信息尚未验证。 复现重点是专门实验与实际记录之间的对应关系、20 通道子集的选择和部署条件，以及 OBS 对照的参数与误差计算协议。该工作直接研究 EEG/fMRI 采集中的伪迹处理，但摘要未提供 BCI 解码结果，因此不能将重建误差改善等同于 BCI 性能提升。

    阅读价值：值得核对其通过少量通道估计全头皮 BCG 伪迹的学习与推断机制，尤其是作者报告的相对 OBS 重建误差改善及其评估协议，但摘要中的初步结果尚不足以确认真实同步 EEG/fMRI 场景下的泛化能力。

  3. 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。

  4. 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 · EEG71

    基于深度信念网络的 EEG 情感状态识别

    基于摘要分析。该研究针对 EEG 情感状态识别中高维特征与少量标注样本的不匹配，以及任务无关通道引入噪声的问题，提出 Supervised DBN based Affective State Recognition（SDA）模型，组合特征降维、通道筛选和监督分类。 核心流程是先对每个 EEG 通道分别使用 Deep Belief Networks（DBN），从数千维特征中提取低维表征，再通过作者提出的刺激—响应模型，依据各通道的响应率选择通道集合。最后，将所选通道的低维特征组合，交由监督式 Restricted Boltzmann Machine（RBM）进行情感状态识别。其方法价值在于同时处理特征维度和通道相关性，而不只是直接对全部通道特征进行分类；但降维能否稳定缓解小样本问题，仍需通过完整实验核对。 作者报告，在 Deap Dataset 上与五个基线比较，SDA 的性能提升幅度为 11.5% 至 24.4%。摘要未明确该数字对应的指标、相对增幅还是百分点差，也未提供情感标签定义、被试数量、数据划分或被试内／跨被试协议，因此不能将其解释为 Accuracy 提升，也不能据此判断跨被试泛化能力。 复现需核对输入特征构成、DBN 结构与训练流程、通道响应率的定义及筛选规则、监督式 RBM 的训练目标，以及基线配置和评估协议。尤其需要确认特征学习与通道选择在数据划分中的执行范围，以评估结果的可比性。全文、实现可用性、实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其将逐通道 DBN 降维、刺激—响应通道选择与监督式 RBM 分类结合，以应对 EEG 情感状态识别中的高维小样本与无关通道问题，但摘要中的性能提升仍需结合具体指标及数据划分核对。

  3. 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。

  2. OpenReview · EEG72

    利用 NIRS 预测基于 EEG 的 BCI 性能

    基于摘要分析。该研究关注感觉运动型 BCI 中 EEG 控制性能的波动，分析了 14 名被试的 EEG 与近红外光谱（NIRS）多模态记录，并将先行 NIRS 活动用于预测 EEG-based BCI 性能，进而构建更稳健的 EEG 分类器。 核心思路不是单纯将两种模态合并用于分类，而是利用 NIRS 对后续 EEG 控制性能的预测，为 EEG 分类器的构建提供信息。摘要未说明性能预测的目标变量、NIRS 与 EEG 的时间间隔、特征提取方式、预测模型，以及预测结果如何具体影响分类器训练或推理；这些机制细节尚未验证。摘要也未明确感觉运动任务是否为运动想象，不能据此将其限定为 MI 研究。 作者报告，在这 14 名被试的多模态记录分析中，先行 NIRS 活动能够预测 EEG-based BCI 控制性能的波动；利用这些预测构建的分类器显著改善了分类表现，同时减少性能波动、提高总体稳定性。摘要未提供具体指标、改善幅度、对照分类器或统计检验信息，也未说明采用被试内、跨被试还是跨会话评估，因此无法判断效果的适用范围或与其他研究直接比较。 复现时需核对多模态同步与时间窗口、预测信息在实际使用时是否已可获得、分类器更新流程，以及性能预测和分类评估的数据划分。全文、实验协议、消融及统计信息尚未验证，代码和数据可用性亦未由所给材料确认。

    阅读价值：值得核对其如何利用先行 NIRS 活动预测 EEG 分类性能波动并据此构建更稳健的分类器，但预测时序、评估划分及改善幅度尚未验证。

1月1日周日
  1. OpenReview · EEG78

    清醒与 NREM 睡眠的 EEG 微状态

    基于摘要分析。该研究考察清醒静息与不同 NREM 睡眠阶段的 EEG 微状态是否发生变化，通过聚类提取准稳定的头皮电位拓扑图，再将其回配至已完成睡眠分期的 EEG，比较空间模式及时间动力学。 研究分析了 32 名被试的 32 通道 EEG，覆盖放松清醒与 NREM 睡眠。作者报告，全部 32 名被试达到 N2，其中 19 名也达到 N3，相关阶段持续至少 1 分 45 秒。方法以各警觉状态中占主导的幅度拓扑图为聚类对象，通过回配获得每个睡眠阶段的微状态序列；比较指标包括平均持续时间、总时间覆盖、全局解释方差及转移概率。聚类算法细节、类别数选择标准、预处理与回配规则尚未验证。 作者报告，各 NREM 睡眠阶段均以四类微状态为最优，与清醒静息常见的 A、B、C、D 类别数一致。以阶段特异性拓扑图与清醒拓扑图的平均空间相关性衡量，N1 为 92%、N3 为 87%，N2 最低，为 83%；这些数值不是分类 Accuracy。清醒与 N1 的时间特征较为接近；清醒、N1 和 N3 中，微状态 C 在全局解释方差和时间占比方面占主导，而 N2 中微状态 B 最突出。作者报告，N3 中所有微状态的平均持续时间显著增加，自转移概率也升高；慢波的出现只能部分解释这一持续时间变化。具体效应量、统计检验及慢波分析协议尚未验证。 作者据此提出，从清醒静息到 NREM 睡眠，大尺度空间组织可能基本保留，深睡眠中的功能变化可能更多与该组织内活动水平和时间安排的改变有关。这是作者的解释与推测，不能等同于已证明微状态与 fMRI 静息态网络一一对应，也不能据此认定其具有睡眠分期或 BCI 解码效能。复现时需核对各阶段数据量、跨阶段类别匹配、个体与组水平聚类方式，以及持续时间变化的统计控制；实验协议、消融及统计信息尚未验证。

    阅读价值：该研究提供了清醒与不同 NREM 睡眠阶段的 EEG 微状态空间拓扑及时间动力学对照，值得核对其聚类与统计协议，以评估微状态作为警觉状态表征的适用边界。

  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。