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。

146 条精选近 30 天 84 条共收录 245 条

更新

精选归档 · 第 6 页

1月26日周一第 101–120 条
  1. OpenReview · EEG78

    CodeBrain：结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 基础模型表征辨别力与临床可解释性不足、全局依赖捕获效率不高以及局部神经事件建模不足的问题，提出两阶段方法，将时间与频率解耦的离散分词器与多尺度 EEGSSM 架构结合。 第一阶段采用 TFDual-Tokenizer，将异质的时间与频率 EEG 信号解耦为离散 token。作者称该设计使表征空间实现二次扩展，以增强辨别能力，并通过提示表征与神经事件、频谱节律之间的潜在联系，提供领域相关的表征级可解释性。摘要未说明 token 的具体构造、码本配置、训练目标及二次扩展的定义；这些潜在联系也不能直接等同于已验证的临床解释。 第二阶段的 EEGSSM 将结构化全局卷积与滑动窗口注意力结合，以同时捕获稀疏长程依赖和局部依赖。作者以大脑小世界拓扑作为该设计的动机，但摘要不足以确认其如何映射到 EEG 通道或时间结构，也不能据此认定模型还原了真实脑网络。 作者报告，CodeBrain 在其所称的最大公开 EEG 语料上预训练，并在分布偏移条件下、覆盖八项下游任务和十个数据集的评估中表现出较强泛化能力；同时报告开展了全面消融、scaling-law 分析和可解释性评估。摘要未给出任务与数据集名称、被试数量、被试内／跨被试／跨会话／跨数据集划分、对照基线或具体指标，因此无法量化增益或比较不同协议的结果。实验协议、消融及统计信息尚未验证。 作者提供了代码与预训练权重链接，为复现提供了入口，但其可访问性与实现细节尚未核验。复现时应重点核对预训练和下游数据的划分关系、通道与采样率适配、分词器和 EEGSSM 各自的贡献，以及可解释性证据是否超出表征与节律的关联展示。

    阅读价值：值得核对其时间与频率解耦的离散表征及全局—局部依赖建模是否分别改善分布偏移下的 EEG 泛化，作者报告提供消融与可解释性评估，但具体协议和证据强度尚未验证。

12月2日周二
  1. OpenReview · EEG73

    我的网络学到了什么？评估 EEG 深度学习的可解释性

    本研究考察 EEG 深度学习的可解释性如何受到预处理、网络架构及特征提取与可视化方式的影响，核心贡献是将解码性能与学得特征的解释差异分开比较。基于摘要分析，未取得论文全文。 作者训练了两种卷积神经网络：采用残差结构的 ResNet，以及利用 EEG 时空特性的 EEGNet。任务包括对三种不同视觉刺激的单试次 EEG 响应进行解码，以及解码声音是否存在；摘要分别称其为 visual dataset 和 auditory dataset，未提供正式数据集名称。作者使用 saliency 与 gradient-weighted activation maps（GradCam）两种基于梯度的方法提取并可视化学得特征。 作者报告，在上述视觉和听觉解码任务中，EEGNet 与 ResNet 的性能处于相近水平，但可视化显示两种架构学习了数据的不同方面；EEGNet 特征与 EEG 数据的相似性高于 ResNet 特征。作者还报告，重要电极的分布及其对应潜伏期随可视化方法而变化，GradCam 提取的特征比 saliency 特征更接近 EEG 数据。摘要未提供具体性能指标、数值、相似性定义或统计检验，因此这些结果只能作为作者报告的定性比较。 研究提示，不能仅凭解码性能判断模型学到了哪些 EEG 特征，解释结果也需要结合架构与可视化方法审视。特征与 EEG 数据更相似，是否意味着解释更忠实于模型决策或更具神经生理意义，仍需核对正文中的验证依据。预处理的具体比较与结果、被试数量、被试内或跨被试划分、训练设置、实验协议、消融及统计信息尚未验证；复现前还需确认解释图的计算方式、相似性度量及代码可用性。

    阅读价值：该研究通过比较 EEGNet、ResNet 及两种梯度可视化方法，提示相近的解码性能并不意味着相同的特征解释，值得核对其解释相似性指标与评估协议。

11月27日周四
  1. OpenReview · EEG79

    从少量 EEG 试次估计事件相关电位

    基于摘要分析。研究针对传统 ERP 估计需要平均大量 EEG 试次以降低噪声与信号变异的问题，提出不确定性感知自编码器 EEG2ERP，将任意数量的 EEG 试次映射为对应 ERP，并建模估计的不确定性。 核心机制是使用 bootstrap 构造训练目标，并引入独立的方差解码器描述 ERP 估计的不确定性。摘要未说明可变试次数输入如何组织、具体损失函数、网络结构及方差输出的校准方法，这些实现细节尚未验证。作者声称这是首个将 EEG 信号映射为对应 ERP 的深度学习方法；该优先性声明尚未独立检索确认。 评估采用面向新被试泛化的零样本场景，即 Cross-subject 评估，涉及三个公开数据来源：ERP CORE，包含来自 40 名被试、覆盖六种 ERP 范式的超过 50,000 个 EEG 试次；P300 Speller BCI 数据集；以及同时包含 EEG 与 MEG 的面孔感知神经成像数据集。摘要未交代各数据源的训练与测试划分，也未说明面孔感知数据中 MEG 的具体使用方式，不能据此认定采用了 EEG–MEG 联合建模或 Cross-dataset 评估。 作者报告，在上述新被试零样本评估的少试次条件下，EEG2ERP 持续优于常规平均和稳健平均方法，但摘要未提供误差指标、具体试次数、效应大小或统计信息。这一结果支持进一步核查其减少 ERP 研究试次需求的潜力，不等同于已验证 P300 在线分类性能或临床效用。 复现可从材料提供的 EEG2ERP 代码仓库入手，重点核对 ERP 参考目标的构造、bootstrap 采样流程、被试划分、不同试次数下的比较，以及方差预测与实际估计误差是否一致。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注 EEG2ERP 如何结合 bootstrap 训练目标与独立方差解码器，在新被试零样本条件下估计少试次 ERP；其误差优势及不确定性校准仍需核对全文与代码。

9月23日周二
  1. OpenReview · EEG75

    基于时频模式学习的单通道 EEG 标记化

    基于摘要分析。该研究针对连续、含噪 EEG 的离散表征问题，提出 TFM-Tokenizer，尝试从单通道信号中学习能够表达内在时频模式的离散 token，并结合基于 Transformer 的 TFM-Encoder，通过掩码 token 预测预训练与下游微调支持多种 EEG 任务。 核心机制是将单通道中时间上难以预测的模式与多样振荡波形编码为离散 token，而非主要依赖连续嵌入与通道间关系。作者假设，关键时频特征可由单通道有效捕获，因此这一表征方式有望适用于不同 EEG 设置。摘要未说明 token 的构建与量化方式、词表规模、具体损失、信号预处理或多通道输入的组织方式，这些细节尚未验证。 作者报告，在四个 EEG 数据集的单数据集设置下，TFM-Token 优于所比较的现有先进方法；摘要未提供数据集名称、具体任务、指标数值、基线名称，以及被试内或跨被试等划分协议，因此不能据此认定跨被试、跨会话或跨数据集泛化有效。作者还报告，所学 token 能捕获类别相关特征、保留频率内容，并编码可解释的时频模式，但相应分析方法与证据强度需查阅全文。 复现时应重点核对离散化是否保留任务相关信息、预训练与微调的数据边界、单通道与多通道方法的对照条件，以及解释性分析如何关联 token、频率成分和类别。实验协议、消融及统计信息尚未验证；代码、模型权重与完整复现条件也未由当前材料确认。

    阅读价值：值得核对其单通道离散表征是否在保留频率信息的同时支持下游任务，以及所学 time–frequency motifs 的可解释性证据；摘要中的性能结论仍需结合具体划分与基线验证。

  2. OpenReview · EEG72

    EEG 基础模型：当前进展与未来方向的批判性综述

    基于摘要分析。本文关注自监督 EEG 基础模型（EEG-FMs）能否支持稳健、可扩展的 EEG 特征提取，以及现有证据是否足以判断其真实应用准备程度。作者对十个早期第一代 EEG-FMs 进行批判性综述，围绕原始输入数据表示、自监督表征学习和评估策略三个维度，综合方法趋势、实证发现与待解决问题。 在方法层面，作者指出，现有 EEG-FMs 的模型架构与自监督方式大量借鉴语言和视觉领域。摘要未列出纳入综述的模型名称，也未展开各模型的输入组织、学习目标、训练数据规模或适用任务，因此不能据此判断具体技术路线的优劣。 在评估层面，作者报告，现有 EEG-FMs 的评估具有异质性且总体受限，难以据此判断模型开箱即用的实际价值。这是综述作者对所纳入工作的综合判断，不等于所有 EEG-FMs 均缺乏实用性，也不能替代在具体任务和数据划分下的验证。摘要未提供性能数值、对照基线或被试内、跨被试、跨会话及跨数据集协议，具体评估结论与证据覆盖范围尚未验证。 作者建议未来采用标准化且贴近真实使用条件的评估，展示实质性的规模扩展效应，并在 EEG-FM 全流程中作出有原则、可信赖的方法选择；同时与领域专家合作发展基准、软件工具、技术方法及临床和科学应用。这些是研究方向建议，而非已证实的性能或临床收益。 阅读全文时宜核对十个模型的纳入标准、文献覆盖范围、不同评估协议的可比性，以及规模扩展效应和可信赖性所对应的具体证据。实验协议、消融及统计信息尚未验证。本文提供的是综述性分析框架，而不是新模型发布或临床验证。

    阅读价值：该综述从输入表示、自监督学习与评估策略三个环节审视早期 EEG 基础模型，值得用于核对现有模型的开箱即用证据与评估可比性，但具体比较结论仍需全文验证。

9月20日周六
  1. OpenReview · EEG77

    HEAR：具有异构电极自适应表征的 EEG 基础模型

    基于摘要分析。HEAR 针对 EEG 基础模型难以适配不同设备的电极布局与电极数量这一问题，提出基于坐标的可学习空间嵌入与 spatially-guided transformer，将异构电极映射到统一表征空间并建模电极间的时空依赖。 核心机制是以电极坐标作为空间表征依据，而非仅依赖固定通道配置；统一空间表征随后交由 spatially-guided transformer 处理。其研究价值在于将设备异构性纳入基础模型设计。作者将 HEAR 称为首个明确支持异构 EEG 设备的 EEG 基础模型，该首创性主张尚未独立核实。摘要未提供坐标编码细节、空间引导的具体实现、预训练目标或训练与推理流程。 数据方面，作者报告构建了包含 8,782 小时 EEG 的大规模数据集，覆盖超过 150 种电极布局，电极数量最多达 1,132 个。这些数字描述的是数据集规模与布局覆盖范围，不能据此推断每段记录的通道数、被试数量或各类设备的数据占比。 结果方面，作者报告 HEAR 在支持异构 EEG 设备以及跨认知任务、跨被试泛化方面显著优于现有 EEG 基础模型，但摘要未列出具体任务、对照模型、指标、数值或数据划分，因而暂不能量化优势，也不能判定是否验证了未见布局或跨数据集泛化。 复现与评估应重点核对电极坐标的获取和标准化方式、可变通道输入的处理、训练与测试设备及被试的隔离、不同布局的数据分布，以及空间嵌入和 spatially-guided transformer 的消融。实验协议、消融及统计信息尚未验证；全文、代码、权重和数据开放条件也尚未核实。

    阅读价值：值得阅读的是 HEAR 以电极坐标驱动的统一空间表征处理设备间电极布局与数量差异，但其异构设备泛化优势仍需结合数据划分、基线适配和消融结果核对。

9月19日周五
  1. OpenReview · Representation learning72

    采用空间性保持表征的 EEG 信号自监督学习

    基于摘要分析。该研究针对 EEG 自监督学习中输入电极与表征之间的一一对应关系未被充分保留、可能导致空间信息丢失的问题，提出 Spatiality Preserving Representation（SPR）Learning。其核心贡献是通过 coherence 伪标签预测任务学习空间关系，将 EEG 空间组织信息纳入自监督表征学习。 机制方面，作者将 SPR 与依赖重建或采用独立编码器进行时间预测的方法作对照，主张 coherence 伪标签能够引导模型理解脑信号的拓扑组织。摘要未说明 coherence 的计算方式、伪标签构造、预测对象、损失函数，以及电极—表征对应关系的具体保证机制；这些是判断方法能否真正保留空间信息、而非仅学习相关性模式的关键核对点。 结果方面，作者报告在不同数据集上的微调提升分别为 4.7%、9.7%、1.6% 和 15.6%，并称优于现有先进方法。但摘要未提供数据集名称、下游任务、指标、对照方法或被试内／跨被试等划分协议，也未说明这些百分数是相对提升还是百分点差值，因此不能据此比较不同数据集上的效果。实验协议、消融及统计信息尚未验证。 作者认为所学表征能够捕捉 EEG 的时空动态，并为功能连接分析与自监督表征学习建立联系；摘要尚不足以确认其脑区关系解释能力。复现时需取得全文中的电极布局与预处理要求、伪标签生成流程、预训练和微调设置，并核对空间信息保留的直接证据及对通道配置变化的适用范围；代码与数据可用性尚未验证。

    阅读价值：值得核对其 coherence 伪标签预测如何保持电极与表征的一一对应关系，以及微调收益是否来自空间信息保留；摘要提供了明确的机制方向，但具体实现与评估协议尚未验证。

  2. OpenReview · EEG71

    stLaBraM：采用因子化时空片段嵌入进行自监督学习的可解释 EEG 基础模型

    基于摘要分析。该研究针对 EEG 基础模型在自监督掩码建模中难以兼顾性能与可解释性的问题，提出 stLaBraM，在 patch embedding 模块中引入可解释的空间与时间滤波，以改善 EEG 表征学习，并分析与掩码建模相关的神经源特征。 机制与创新：标题将方法概括为因子化时空片段嵌入，摘要明确的改动集中在空间、时间滤波及其可解释性，而非仅报告下游分类性能。作者将原始 LaBraM 作为对照，讨论自监督预训练的重建损失及 masked language model（MLM）表现。因子化的具体实现、滤波器约束、掩码策略、重建目标和损失形式尚未验证。 结果：作者报告，相较 LaBraM，该方法在自监督预训练中显著降低重建损失，并在标准 EEG 分类基准上取得更好的表现；摘要未提供数据集名称、评价指标、数值、数据划分或被试内、跨被试等协议，因此目前不能判断增益幅度及其适用范围。作者还报告，模型能够提供与自监督掩码建模相关的神经源二阶动力学性质和皮层位置的解释，但这些解释的计算方式、定位依据与验证程序尚未明确。 验证与复现：阅读全文时应重点核对时空滤波如何分解、如何从滤波器得到神经源解释，以及预训练数据、模型规模和下游评估条件是否与 LaBraM 对齐。还需核对重建损失改善与分类增益之间的关系，以及解释结果对被试差异、通道配置和噪声的稳定性。实验协议、消融及统计信息尚未验证，代码、权重和复现条件亦未由所给材料确认；摘要中的临床应用动机不能视为已完成临床验证。

    阅读价值：值得阅读的具体原因是其将可解释的空间与时间滤波引入 EEG 基础模型的 patch embedding，并以 LaBraM 为对照讨论重建与分类表现；性能增益及神经源解释的可靠性仍需全文验证。

9月16日周二
  1. OpenReview · EEG78

    ELASTIQ：通过语义任务指令与查询实现 EEG–语言对齐

    ELASTIQ 针对 EEG 基础模型难以将语言指令作为表征学习先验、进而统一不同标签与任务的问题，提出结合谱–时域预训练和指令调优的 EEG–语言对齐方法。基于摘要分析，未取得论文全文，其核心贡献是将任务语义指导引入 EEG 表征，使 EEG 嵌入与文本标签嵌入对齐。 预训练阶段采用联合 Spectral–Temporal Reconstruction（STR）模块：频率掩码作为全局频谱扰动，配合两种时间目标，其中随机掩码用于捕捉上下文依赖，因果掩码用于建模序列动态。摘要未披露具体重建目标、损失组合或掩码比例。指令调优阶段采用 Instruction-conditioned Q-Former（IQF），这是基于查询的交叉注意力 Transformer，通过可学习查询将指令嵌入注入 EEG tokens，并与文本标签嵌入对齐。该机制区别于仅学习 EEG 表征的思路，但各模块的独立贡献仍需结合正文消融核对。 作者报告在涵盖运动想象、情绪识别、SSVEP、covert speech 和医疗健康任务的 20 个数据集上进行评估，其中 14 个数据集达到作者所称的最先进表现，并在全部五类任务中获得最佳平均结果。摘要未给出数据集名称、被试数、数据划分、被试内或跨被试等协议、对照方法及具体指标，因此这些结果不能直接用于判断跨被试、跨会话或跨数据集泛化能力。 作者还报告，分析支持显式任务指令作为语义先验，引导 EEG 嵌入形成连贯且具有语言语义基础的空间，并将这一观察称为首次发现；该优先性与证据强度尚未核对。值得进一步检查语义空间分析的量化依据、指令措辞敏感性，以及未见任务或标签条件下的泛化表现。实验协议、消融及统计信息尚未验证。作者表示将发布代码与预训练权重，摘要并未确认其已公开，当前复现条件仍待核实。

    阅读价值：值得核对 STR 预训练与 IQF 指令调优如何实现 EEG–语言对齐，尤其是显式任务指令相较无指令对照是否改善跨任务语义组织与解码表现；具体实验协议及消融尚未验证。

9月11日周四
  1. OpenReview · EEG78

    EEG-X：设备无关且噪声鲁棒的 EEG 基础模型

    基于摘要分析。EEG-X 针对记录设备与配置差异导致的跨数据集变化，以及 EEG 低信噪比问题，提出结合通道空间位置编码、噪声感知掩码重建和特征空间重建损失的 EEG 基础模型，旨在学习更具跨域适应性与噪声鲁棒性的表征。 核心机制包括三部分：其一，基于位置的通道嵌入编码空间信息，使模型能够处理不同通道数量、通道组合和记录长度。其二，在原始空间与潜在空间采用噪声感知掩码—重建策略；与重建原始含噪 EEG 的做法不同，重建目标来自伪迹去除后的信号，作者意图借此使表征更关注神经活动而非噪声。其三，dictionary-inspired convolutional transformation（DiCT）层在计算重建 MSE 损失前，将信号投影至结构化特征空间；作者认为该设计可降低噪声敏感性，并捕捉频率与波形形状相关的相似性。具体去伪迹流程、掩码规则、DiCT 实现及各目标的组合方式尚未验证。 作者报告，在来自不同设备的数据集及多个下游 EEG 任务上，EEG-X 优于所比较的现有先进方法，并在预训练与下游数据电极布局不同的跨域设置中表现突出。摘要未提供数据集名称、任务明细、被试数量、划分方式、指标或数值，因此不能据此量化收益，也不能将这里的跨域结果直接等同于跨被试或跨会话性能。 复现时值得核对位置嵌入对通道坐标的依赖、去伪迹处理是否保留任务相关信号，以及各模块在不同设备与电极布局下的独立贡献；这些属于待核对事项，而非已确认的缺陷。摘要提供了模型与代码入口，但其可用性、训练配置、实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对和复现的是 EEG-X 将位置编码、去伪迹重建目标与 DiCT 特征空间损失结合，以应对电极布局差异和低信噪比；作者报告的跨域优势仍需结合完整实验协议验证。

8月20日周三
  1. OpenReview · EEG70

    BrainDiffNet：用于基于扩散的 EEG 到图像生成的统一语义编码器

    基于摘要分析。BrainDiffNet 针对 EEG 视觉图像重建中噪声敏感、时空特征复杂的问题，将被试上下文信息与 EEG 时空信息用于引导微调后的 Stable Diffusion，目标是生成语义相关的图像，并支持 Object Classification 与 Image Reconstruction 两项任务。 机制方面，作者提出面向高分辨率 EEG 的 Temporal Masked Autoencoder，用于提取特征并处理带噪或不完整的 EEG 查询表示。摘要未说明上下文信息的具体内容、语义编码器之间的融合方式、掩码策略、训练目标，以及 Stable Diffusion 的微调范围，因此尚不能据此还原完整训练与推理流程。该工作的可核对价值在于：EEG 表征学习与生成模型条件引导如何衔接，以及对带噪或不完整输入的处理能否带来稳定收益。 作者报告，在大规模 EEG-ImageNet 数据集上，BrainDiffNet 在 Object Classification 的所有粒度层级上，相较其所称的当前最先进方法取得 15–20% 的 Accuracy 提升；在 Image Reconstruction 的所有特征特定 two-way identification 指标上取得 7–12% 的提升。摘要未明确这些增幅是相对百分比还是百分点，也未给出基线名称、绝对指标值、数据划分及被试内或跨被试协议，因此不能据此作不同协议间的性能比较；“显著优于”的统计依据尚未验证。 复现时需核对 EEG 预处理、被试上下文的来源与可用条件、训练测试划分、图像生成条件及 two-way identification 的特征与候选构造方式。尤其需要区分语义相关图像生成与对具体视觉刺激的忠实重建，确认各指标支持哪一种能力。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亦未由所给材料确认。

    阅读价值：值得阅读其 Temporal Masked Autoencoder 与微调 Stable Diffusion 的语义条件衔接机制，但作者报告的分类与重建增益需结合被试划分、上下文信息来源及对照协议核验。

4月2日周三
  1. OpenReview · EEG71

    EEG-EyeTrack：面向时间序列与函数型数据分析的基准、开放挑战及基线

    研究面向从 EEG 信号重建眼动的回归问题，提出 EEG-EyeTrack 基准数据集，并为函数型数据分析（Functional Data Analysis，FDA）应用设计开放挑战与评估指标，同时使用 functional neural networks 建立基线。以下基于摘要分析，未取得论文全文。 方法与贡献：该工作的重点是数据与评估框架，而不只是单一预测模型。主要任务是以 EEG 为输入重建眼动，functional neural networks 用于提供这一回归任务的基线。摘要未说明 EEG 与眼动的同步方式、预测目标的具体表示、模型结构、损失函数或训练流程，尚不能判断其如何利用时间序列的函数型结构。 数据与结果：作者报告在采用消费级硬件的新数据集，以及采用研究级硬件的 EEGEyeNet 数据集上给出了基线结果。摘要未提供具体指标名称、数值、被试规模、数据划分或对照模型，因此不能量化性能，也不能据此认定模型具有跨硬件或 Cross-dataset 泛化能力。两类硬件数据上的结果是否采用一致任务和评估协议，需要核对全文。 阅读与复现重点：应核对开放挑战的定义、评估指标如何衡量眼动重建质量、EEG 与眼动标签的对齐及预处理方式，以及被试内、跨被试或跨会话划分是否适用于所报告结果。实验协议、消融及统计信息尚未验证；数据访问条件、基线实现与运行配置也尚未验证。该材料支持将其视为 EEG 眼动重建与 FDA 方法比较的候选基准，但不支持推断其在其他 BCI 任务上的效果。

    阅读价值：值得阅读的具体原因是该研究将 EEG 眼动重建组织为函数型数据分析基准，并提供开放挑战、评估指标及 functional neural networks 基线；其评估协议与跨硬件适用性仍需全文核对。

1月1日周三
  1. OpenReview · EEG74

    EEGCiD：将 EEG 凝缩到扩散模型中

    基于摘要分析。EEGCiD 针对 EEG 模型开发中大量数据带来的存储与共享隐私问题，将原始数据集的知识凝缩到扩散模型和少量潜在编码中，生成信息集中的合成样本集；其目标并非复现外观逼真的 EEG，而是保留用于解码的代表性信息。 核心机制分为模型预训练与数据凝缩两阶段。首先，使用原始 EEG 数据预训练确定性去噪扩散隐式模型 DDIM，以存储数据集知识；骨干采用包含空间与时间自注意力模块 STSA 的 transformer，替代传统 U-Net。随后，从原始数据集中随机选取部分样本，经 DDIM 前向过程得到凝缩潜在编码 z，并通过匹配合成样本与原始数据在多个 EEG 解码模型中的特征分布来优化 z。摘要将这一过程称为集成特征匹配，但具体损失形式、解码模型配置及优化细节尚未验证。 作者报告，在三个 EEG 数据集上的实验中，凝缩数据集在有限样本量条件下取得更优分类表现，并能有效抵御成员推断攻击（MIA）。摘要未提供数据集名称、被试数量、被试内或跨被试等评估协议、对照方法及具体指标，因此无法量化收益，也不能据此认定对其他隐私攻击同样有效。 复现时需核对凝缩样本预算、DDIM 训练与采样设置、特征匹配模型及下游解码模型的关系，以及原始数据、潜在编码和扩散模型权重各自的存储与发布成本。隐私结论需结合 MIA 的攻击者能力、访问权限和评估协议解释；合成信号不与原始信号视觉相似，本身不等于隐私保证。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注其将确定性 DDIM 与多解码模型特征匹配结合的 EEG 数据集凝缩机制，但分类收益与隐私保护结论仍需结合数据划分、存储核算及 MIA 威胁模型核对。

  2. OpenReview · EEG74

    EEGCiD：将 EEG 凝缩到扩散模型中

    EEGCiD 针对 EEG 模型开发所需大量数据带来的存储与共享隐私问题，提出将原始数据集知识凝缩到扩散模型及小规模潜在编码集合中的方法，以生成信息集中的合成 EEG 样本，而非以外观接近原始信号为主要目标。基于摘要分析，未取得论文全文。 核心机制分为知识建模与数据凝缩两个阶段：首先使用原始 EEG 数据预训练确定性 denoising diffusion implicit model（DDIM），以保存数据集知识；其骨干采用包含空间与时间自注意力模块（STSA）的 transformer，替代传统 U-Net。随后，从原始数据集中随机选取样本子集，经 DDIM 前向过程得到凝缩潜在编码 z，再通过匹配合成样本与原始数据在多个 EEG 解码模型中的特征分布来优化 z。该集成特征匹配策略意在将对解码任务有用的信息集中到较小的合成数据集中；具体损失形式、解码模型组合及优化细节尚未验证。 作者报告，在三个 EEG 数据集上，凝缩数据集在有限样本条件下取得较好的分类表现，并能有效防御成员推断攻击（MIA）。摘要未提供数据集名称、任务、被试数、被试内或跨被试划分、凝缩样本规模、分类指标数值及对照设置，因此无法量化分类收益，也不能比较不同协议下的效果。实验协议、消融及统计信息尚未验证。 复现与应用评估需核对 DDIM 预训练成本、潜在编码优化成本，以及生成合成数据所需模型权重是否计入总存储开销。隐私结论还需核对 MIA 的攻击者能力、访问权限和评估指标；合成样本不与原始信号外观相似，本身不能构成隐私保证。作者报告的 MIA 防护效果应限定于其实际测试设置，不能据此推断身份或健康信息的其他泄露风险均已消除。

    阅读价值：值得阅读其将确定性 DDIM 与多解码模型特征分布匹配结合的 EEG 数据凝缩机制，但分类收益与成员推断攻击防护效果仍需结合压缩规模、评估协议和攻击设置核对。

  3. OpenReview · EEG72

    EEGDM：基于生成式扩散模型的 EEG 表征学习

    基于摘要分析。该研究针对 EEG 标注有限、信号变异性高导致的表征学习困难，提出生成式扩散表征学习框架 EEGDM，并将预训练得到的潜在 EEG 表征用于下游分类，探索区别于现有 EEG 基础模型的技术路径。 核心机制是用于扩散预训练的结构化状态空间模型 SSMDP：作者以其捕获 EEG 的时间动态，并在 Denoising Diffusion Probabilistic Model（DDPM）框架下训练。随后，作者提出 latent fusion transformer（LFT），利用所得潜在表征完成分类。摘要未说明扩散噪声设定、具体训练目标、潜在表征提取位置及 LFT 的融合方式，这些实现细节尚未验证。 评估采用涉及发作间期癫痫样放电的 TUEV 与涉及癫痫发作检测的 CHB-MIT，并与现有方法及 EEG 基础模型比较。作者报告 EEGDM 优于所比较的方法，但摘要未提供具体指标、数值、基线名单及被试内或跨被试等划分信息，因而尚不能判断优势幅度、统计可靠性或跨协议泛化能力。这些任务属于 EEG 临床事件识别，不能直接视为已验证的 BCI 控制效果。 作者将大型 EEG 基础模型的训练与推理成本、模型增大时收益有限作为研究动机，但摘要并未给出 EEGDM 的参数量、训练开销或推理效率，不能据此确认其计算成本优势。复现时需核对数据预处理、预训练与下游数据的划分关系、分类协议、基线配置以及 SSMDP 和 LFT 的独立贡献；实验协议、消融及统计信息尚未验证。摘要提供了源码与 checkpoint 链接，但其内容、可运行性和复现实验条件尚未核验。

    阅读价值：值得核对其以结构化状态空间模型进行扩散预训练、再融合潜在 EEG 表征的机制，以及相对 EEG 基础模型的分类收益与计算成本；摘要中的性能优势尚需结合完整实验协议验证。

  4. 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。

  5. 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。

  6. 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。

  7. 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。