跳到正文

算法、任务与模态

非侵入式 最新动态

非侵入式 研究索引；按可核对的标签归档，不以热度评价质量。

376 条精选近 30 天 66 条共收录 798 条

更新

精选归档 · 第 19 页

3月27日周五第 361–376 条
  1. OpenReview · EEG71

    利用任务诱发的瞳孔直径变化提升基于 EEG 的运动想象 BCI 性能

    基于摘要分析。该研究针对运动想象 BCI 中“运动意图／静息”开关识别准确性不足的问题，提出在 EEG 特征之外加入任务诱发的瞳孔直径变化，以改善二分类性能。研究面向重度运动障碍或闭锁综合征人群的交互需求，但摘要未说明参与者是否属于这些临床人群。 机制与方法：作者使用 common spatial patterns（CSP，共空间模式）提取用于区分运动想象与静息控制条件的 EEG 特征，并将瞳孔直径作为额外分类特征。其依据是作者在实验室观察到运动想象时瞳孔直径相对静息增大；摘要明确说明这一先前观察当时尚未发表。瞳孔直径可通过视频眼动记录获取，作者指出多数眼动追踪系统可提供不随头部位置变化的瞳孔直径读数，但本研究的设备与校正细节尚未验证。 实验与结果：作者报告在 30 名参与者的 EEG 运动想象 BCI 用户研究中，加入瞳孔直径特征后，运动想象与静息的分类表现优于仅使用 EEG 衍生特征的传统方法。摘要未提供具体 Accuracy、其他指标、增益幅度、分类器类型，或被试内／跨被试划分，因此无法量化提升或判断其泛化范围。实验协议、消融及统计信息尚未验证。 解释与复现边界：这是 EEG 与瞳孔信号的多模态特征融合，而非单独改进 EEG 解码算法。作者提出，多模态生理参数可能提高 BCI 准确性，并降低对长时间训练和高电极信噪比的依赖；摘要所述分类改善尚不能直接验证这些更广泛主张。复现时需核对两类信号的同步、特征时间窗、训练与测试划分，以及光照、注视行为和任务努力程度对瞳孔变化的影响，并确认辅助信号在真实开关使用场景中的稳定性。

    阅读价值：值得阅读的具体原因是其直接检验了将任务诱发瞳孔直径变化作为 EEG 运动想象开关的辅助特征，但增益大小、评估划分及抗混杂能力尚需全文核对。

1月1日周四
  1. OpenReview · EEG76

    利用深度神经网络研究 EEG 情绪识别的关键频带与通道

    基于摘要分析。本文研究 EEG 中哪些频带与通道对情绪识别更关键，使用深度信念网络（DBN）对正性、中性和负性三类情绪建模，并通过分析训练后的网络权重选择通道配置。贡献不仅是分类模型，也包括对频带与通道贡献的分析。 方法与数据：作者构建了包含 15 名被试的 EEG 数据集，每名被试进行两次实验，间隔数日。模型输入为多通道 EEG 提取的微分熵特征，随后训练 DBN 并检查其权重，以研究关键频带和通道。摘要未给出具体频带边界、特征时间窗、DBN 结构及训练细节，尚不能据此确定权重如何转化为通道选择准则。 作者报告，在该三分类任务中，DBN、SVM、LR 和 KNN 的平均 Accuracy 分别为 86.08%、83.99%、82.70% 和 72.60%。作者另选取了 4、6、9、12 通道四种配置，报告其识别 Accuracy 相对稳定，其中最佳 Accuracy 为 86.65%，优于原始 62 通道配置。摘要未明确这些结果采用被试内、跨被试还是跨会话划分，也未明确最佳少通道结果对应哪种配置，因此不能将其直接解释为跨被试泛化性能，或与平均 Accuracy 作等价比较。 作者认为，权重分析得到的关键频带与通道与既有观察一致，且不同情绪相关的神经信号特征在会话与个体之间具有共性。这是作者对实验的解释，尚不等同于独立验证的稳定神经标志物。复现时应核对通道选择与模型评估的数据边界、两次会话的划分方式、各基线的调参与特征设置，以及少通道结果的波动和统计检验。实验协议、消融及统计信息尚未验证；摘要也未提供足以确认的数据集名称、数据开放状态或代码信息。

    阅读价值：值得阅读的具体原因是作者利用 DBN 权重分析 EEG 情绪识别中的频带与通道贡献，并报告少通道配置仍能保持识别表现；其通道选择流程与跨会话、跨被试评估协议仍需全文核对。

  2. OpenReview · EEG72

    运动规划期间的 EEG 活动编码即将出现的峰值速度与加速度，并提高预测手部运动学的准确性

    基于摘要分析。该研究面向神经假体中的手部运动学预测，考察低信噪比 EEG 中的运动规划期信息能否支持逐试次峰值速度与峰值加速度解码，并通过联合规划期和执行期的 alpha、beta 频带功率改善预测。 研究背景与机制：摘要指出，既有相关研究多关注运动执行或运动想象期间的脑活动，而此前总体平均分析已显示运动规划期 EEG 与后续峰值速度、峰值加速度存在统计相关。本文进一步考察这种相关性是否能在逐试次解码中被利用，而不只是呈现在平均信号中。研究使用运动规划期与执行期的 alpha、beta 功率，预测峰值切向速度和加速度；具体频段边界、时间窗、功率估计方式及解码器尚未验证。 结果与对照：作者报告，单独利用运动规划期 EEG 也能以作者所称的“合理准确性”预测峰值速度与峰值加速度；将规划期频带功率与执行期频带功率结合，可进一步改善两类目标的解码准确性。摘要未提供具体指标、数值或统计检验，不能将此处的准确性直接解释为分类 Accuracy，也无法量化联合特征的增益。 局限与复现条件：被试人数、任务设计、采集通道、预处理、训练与测试划分，以及被试内、跨被试或跨会话评估协议均尚未验证。阅读全文时需核对规划期与执行期的界定、特征融合方式、比较条件及实验协议、消融和统计信息。由于联合方案使用执行期信号，其改善不能直接视为运动开始前的提前预测能力，也不能据此认定已验证在线 BCI 控制效果。

    阅读价值：值得阅读的具体原因是研究将运动规划期 EEG 的关联分析推进到逐试次运动学解码，并检验规划期与执行期频带功率的联合使用价值；具体增益与评估可靠性尚需全文核对。

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。

  2. OpenReview · EEG71

    利用堆叠自编码器提取特征进行癫痫发作检测

    基于摘要分析。该研究针对头皮 EEG 癫痫发作检测中手工特征可能难以适应新发作模式的问题，探索从原始、未标注 EEG 中自动学习表征，并将其用于患者特异性癫痫发作检测。核心方法是结合 stacked autoencoders 与 logistic classifiers，以无监督特征学习替代人工设计特征。 训练采用贪心逐层训练和全局微调两个步骤。摘要明确了特征学习与分类器的组合，但自编码器的具体结构、损失函数、EEG 预处理、输入窗口及微调时的监督方式尚未验证。其研究对象是癫痫发作检测，不是运动想象等 BCI 控制任务；患者特异性设置也不能直接视为跨被试泛化证据。 作者报告，在 CHB-MIT 数据库的标注数据上评估时，所有测试癫痫发作均被检测到，平均检测延迟为 3.36 秒，且误报率较低。摘要未提供测试发作数量、延迟计时定义或误报率数值，因此不能将这一结果扩展为全部 EEG 片段的 Accuracy，也不能据此判断临床可用性。 复现时需要核对患者与训练、测试数据的对应关系，未标注特征学习数据的使用范围，窗口划分与事件级判定规则，以及手工特征对照、误报统计单位和患者间结果差异。实验协议、消融及统计信息尚未验证；上述事项是待核查内容，并不表示作者未开展相关实验。

    阅读价值：值得阅读其以 stacked autoencoders 替代手工 EEG 特征的患者特异性检测路径，但作者报告的检出与延迟结果仍需结合数据划分和误报统计核对。

12月31日周二
  1. OpenReview · EEG76

    集成患者特异性癫痫发作分类与记录处理器的 8 通道可扩展 EEG 采集 SoC

    基于摘要分析。该研究针对头皮 EEG 中患者特异性癫痫发作起始活动的连续检测与记录，提出集成 8 通道模拟前端、机器学习分类处理器及 64 KB SRAM 的可扩展片上系统（SoC）。主要贡献是将 EEG 采集、分类及原始信号缓存整合为硬件系统，而非单独提出新的 EEG 分类算法。 技术机制方面，分类处理器采用支持向量机（SVM），并通过 Distributed Quad-LUT 滤波架构降低面积及功耗与延迟乘积的开销。模拟前端（AFE）采用斩波稳定电容耦合仪表放大器；作者报告，在 0.5–100 Hz 带宽下，噪声效率因子（NEF）为 5.1，输入折算噪声（noise RTI）为 0.91 μVrms。GBW 控制器向 AFE 提供实时增益与带宽反馈，旨在维持分类准确率；具体反馈策略及其性能贡献尚未验证。 验证与结果方面，作者报告使用 Children's Hospital Boston-MIT EEG database 及快速眼眨模式检测测试验证该 SoC。芯片采用 0.18 μm 1P6M CMOS 工艺，面积为 25 mm²；在眼眨分类测试中，Accuracy 为 84.4%，每次分类能耗为 2.03 μJ。该结果属于眼眨任务，不能解读为癫痫发作检测准确率。作者另报告，64 KB 片上存储器最多可保存 120 秒原始 EEG，但摘要未明确这一容量对应的采样率、量化位宽及通道配置。 阅读与复现时需核对患者特异性分类的训练方式、特征处理、被试与数据划分，以及癫痫检测的灵敏度、误报和检测延迟。摘要未给出这些结果，也不足以判断 Cross-subject 或 Cross-session 泛化能力；实验协议、消融及统计信息尚未验证。其硬件集成可为低功耗 EEG 设备设计提供参考，但对其他 BCI 任务的有效性仍需独立评估。

    阅读价值：该研究将 EEG 模拟采集、患者特异性癫痫发作分类与片上记录集成于同一 SoC，值得关注其软硬件协同机制，但摘要中的眼眨分类结果不能替代癫痫检测性能证据。

  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。

1月1日周二
  1. 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。

1月1日周日
  1. OpenReview · EEG71

    心理意象任务中 EEG 复数频谱的时变高斯模型

    基于摘要分析。本文研究心理意象任务中 EEG 复数频谱的统计特性，提出时变非圆对称高斯模型，以描述功率谱密度不能完整表达的复数谱信息。作者报告，该模型的均值随时间保持恒定，而方差与伪方差遵循自回归条件异方差（ARCH）模型，并通过统计检验验证模型有效性。 核心机制是保留频谱的复数表示，而非仅使用功率谱密度，从而能够表征与相位相关的信息。非圆对称建模引入伪方差这一复数统计量，与方差共同刻画二阶统计特性；ARCH 则用于描述这些统计量随时间变化的条件异方差结构。摘要将研究动机归于既有神经科学发现及作者此前工作，但未提供具体模型方程、参数估计方法或统计检验细节。 该工作的直接贡献是 EEG 频谱统计建模，而非已验证的分类算法。心理意象任务的具体类别尚未说明，不能直接等同于运动想象（MI）。数据集、被试数量、频谱估计方式、时间窗设置、检验类型及结果数值均尚未验证；摘要也未提供被试内、跨被试或跨会话解码协议，因此不能据此判断相对功率谱特征的分类增益。 复现时需核对非圆对称性与 ARCH 假设的检验条件、方差和伪方差的参数约束，以及模型在不同被试和任务条件下的适用范围。若进一步用于 BCI 解码，模型拟合有效性与任务判别有效性应分别评估，不能将前者直接视为后者的证据。实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体价值在于对 EEG 复数频谱的相位信息与时变二阶统计进行显式建模，但其对 BCI 任务解码的实际收益尚未验证。

  2. OpenReview · EEG75

    基于 EEG 皮层电流重建屈肌与伸肌活动

    基于摘要分析。本研究针对 EEG 传感器混合多个皮层区域信号、难以分离单块肌肉活动的问题，使用层次贝叶斯 EEG 逆解方法估计皮层电流，再从这些电流重建主动肌与拮抗肌的活动时间序列。研究对象是实际等长腕部运动中的肌肉活动解码，而非运动想象或已验证的在线 BCI 控制。 技术路径是将传感器空间 EEG 转换为皮层源空间表示，再建立肌肉活动重建模型；目标信号为经过滤波的 EMG。摘要未提供逆解的具体先验、重建模型形式、训练损失或推理设置，不能据此判断如何实现或复现。 作者报告，在 5 名志愿者执行右腕等长屈曲与伸展任务的实验中，使用 EEG 皮层电流能够较好地重建单块肌肉的活动时间序列及不同用力水平下的肌肉活动，且重建准确性显著高于直接使用 EEG 传感器信号的方法。摘要未给出准确性的具体定义、数值、数据划分或统计检验细节，因此不能将这一结论延伸为跨被试、跨会话泛化能力。 作者还报告，重建模型中对屈曲和伸展贡献较高的皮层源在空间上互不重叠，尽管它们被映射到同一皮层区域。作者据此认为，该逆解方法能够较合理地分离 EEG 混合信号，并将结果表述为利用 EEG 皮层电流重建主动肌与拮抗肌活动时间序列的首次证据；该优先性主张尚未独立核对。 复现时需核对 EEG 与 EMG 的采集和滤波流程、皮层源建模所需信息、训练与测试划分，以及源空间与传感器空间对照的匹配条件。实验协议、消融及统计信息尚未验证。摘要所述证据限于上述等长腕部任务，尚不能确认其对自然灵巧运动、在线连续控制或其他被试与会话的适用性。

    阅读价值：值得核对其皮层源空间重建相较直接使用 EEG 传感器信号的增益，以及屈肌与伸肌解码权重的空间分离证据，但验证划分和准确性指标尚未验证。

  3. 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。

12月31日周六
  1. OpenReview · EEG71

    一种检测头皮 EEG 中癫痫发作终止的算法

    基于摘要分析。研究针对头皮 EEG 中癫痫发作终止时刻的自动检测，提出终止检测方法，并将其与此前发表的发作起始检测器配对，用于自动估计发作持续时间。主要研究对象是癫痫发作事件的时间定位，而非 BCI 控制或意图解码。 作者报告，在一个公共数据库的 133 次癫痫发作上测试时，方法检测到了其中 132 次发作的结束；以脑电专家标记的终止时刻为参照，平均绝对误差为 10.3 ± 5.5 秒。摘要未说明“±”对应的统计量，也未明确该误差的统计样本范围，需查阅全文确认。作者另报告，将终止检测器与此前发表的起始检测器配对后，85% 的测试发作可在 15 秒误差范围内估计持续时间。终止时刻误差与持续时间估计误差属于不同评估对象，不能直接互换。 摘要未提供核心检测机制、特征、训练过程、数据库名称、被试人数或数据划分，无法判断其属于 Within-subject、Cross-subject 还是其他评估协议；实验协议、消融及统计信息尚未验证。复现时需核对终止事件的定义、专家标注方式、漏检事件的处理，以及起始与终止检测器组合的具体规则。 作者提出的潜在用途包括估计发作持续时间，以及辅助实施旨在缓解发作后期症状的治疗；摘要没有提供治疗效果或临床部署验证，不能将检测结果视为临床干预有效性的证据。

    阅读价值：值得阅读的具体原因是作者以脑电专家标注为参照评估了头皮 EEG 癫痫发作终止检测，并展示其与起始检测器组合估计发作持续时间的用途，但算法细节与验证协议尚待全文核对。

1月1日周四
  1. OpenReview · EEG73

    非侵入式 BCI 中的波束形成

    基于摘要分析。该研究针对 EEG-based BCI 中空间滤波可能受伪迹干扰的问题，采用波束形成（beamforming）提取预定义脑内感兴趣区域的 EEG 源，将与任务相关的神经生理知识用于构建无监督空间滤波器。 核心机制是以预定义脑区为约束提取源活动，而不是依靠意图类别标签识别空间滤波器。摘要将 CSP 和 independent component analysis 在此类应用中依赖带标签训练数据、可能过拟合伪迹成分作为研究动机；波束形成方案则试图通过脑区先验降低这一风险。这里的“无监督”针对空间滤波器构建，不意味着整个 BCI 分类流程均不使用标签。具体波束形成算法、源模型及滤波器估计方式尚未验证。 在二分类运动想象范式下，作者将波束形成与 CSP、Laplacian 空间滤波（LP）进行实验比较。作者报告：在噪声较多的数据集上，波束形成优于 CSP 和 LP；在含伪迹试次较少的数据集上，CSP 与波束形成的表现近似。摘要未提供具体指标、数值、数据集名称、被试数量或被试内／跨被试划分，因此不能量化优势或判断其跨被试泛化能力。 作者据此认为，波束形成可作为 BCI 空间滤波的替代方法，可能尤其适合难以获得无伪迹数据的临床环境；这属于潜在应用结论，并非已完成临床验证。复现时需核对感兴趣脑区的选择依据、头模型与电极定位要求、噪声及伪迹定义、训练与测试划分，以及与 CSP、LP 的参数设置和后续分类流程。实验协议、消融及统计信息尚未验证。

    阅读价值：该研究提供了以预定义脑区先验构建无监督 EEG 空间滤波器的方案，值得核对其在伪迹较多条件下相对 CSP 和 Laplacian 空间滤波的优势及复现所需的源定位条件。

12月31日周三
  1. OpenReview · EEG74

    基于 MRI 强度分布全局与局部相似性的 EEG 与 MRI 配准

    基于摘要分析。该研究针对 EEG 点位与 MRI 图像的空间配准问题，提出结合 MRI 强度分布全局相似性和局部相似性的方法，通过对称平面匹配进行初始化，再以迭代优化完成配准。 核心机制：首先提取并匹配 MRI 与 EEG 数据的对称平面。全局相似性来自整幅 MRI 图像的强度分布与头表面点周围 MRI 体素强度分布的比较；局部相似性来自对应 EEG 点周围 MRI 体素强度分布的比较，利用头部的矢状对称性约束配准。作者将对应强度分布之间的 Kullback-Leibler 散度之和作为代价函数，通过最小化该函数寻找配准结果。 作者报告，在临床 MRI 数据与模拟 EEG 数据的评估中，平均配准误差为 0.48 ± 0.33 mm；使用真实 EEG 数据时，平均点到表面均方根误差为 2.27 ± 0.02 mm。前者描述模拟条件下的配准误差，后者描述真实点位到表面的几何距离，两者的评估对象与指标不同，不能直接视为同一指标下的性能变化。摘要未说明“±”所代表的统计量。 该方法的主要研究对象是 EEG 点位与解剖图像之间的几何配准，而非 EEG 信号解码或 BCI 任务性能。复现时需核对对称平面提取、局部体素邻域与强度分布估计方式、空间变换模型、优化设置及误差参考标准；样本规模、模拟扰动设置、对照方法、消融及统计信息尚未验证。头部对称性偏离、MRI 强度变化和 EEG 点位采集误差对方法稳健性的影响，也需通过全文与实验进一步核对。

    阅读价值：该研究提供了利用 MRI 强度分布与头部矢状对称性进行 EEG 点位配准的明确优化机制，值得核对其对初始化和点位误差的敏感性，但模拟与真实数据的误差指标不能直接比较。

1月1日周二
  1. OpenReview · EEG78

    测量 EEG 源之间的方向性耦合

    基于摘要分析。该研究针对头部容积传导使头皮 EEG 信号相关性不能直接代表脑源间相互作用的问题，提出结合多变量自回归（MVAR）建模与独立成分分析（ICA）的方法，估计脑内 EEG 源的时间活动及近似位置，再分析源间方向性耦合。其主要研究对象是脑源连接与静息态 EEG-alpha 节律的生成机制，而非 BCI 解码性能。 核心流程是利用 MVAR 与 ICA 获得源活动描述，再以 directed transfer function（DTF，定向传递函数）估计源间方向性影响，并通过替代数据评估耦合强度的显著性。研究试图减少直接分析头皮记录点时容积传导带来的混淆，并降低部分既有源连接方法对参与脑区先验假设的依赖。具体模型阶数、ICA 实现、定位方法和替代数据构造尚未验证。 作者报告，在改变样本数量、等效源偶极子深度与方向、噪声来源，以及违反该方法所依赖的非高斯性假设的仿真中，所提方法在多数测试情景下比传统技术具有更高准确性。摘要未提供准确性定义、数值、对照方法名称或各情景的完整设置，因此不能据此量化优势或推定其适用边界。 在20名志愿者的静息态 EEG-alpha 分析中，作者报告结果提示丘脑与楔叶之间的强双向反馈可能是 alpha 振荡的主要生成机制；楔前叶也可能参与其中，但未对丘脑或楔叶表现出显著的因果影响。这是基于源估计与方向性连接分析得到的解释，不应等同于直接测量突触信息流或确证生理因果关系。 复现时需核对源分离与定位假设、深部源可辨识性、MVAR 估计条件及显著性检验流程。实验协议、消融及统计信息尚未验证；摘要也未提供 BCI 任务或解码收益的证据。

    阅读价值：值得阅读的具体原因是将方向性连接估计从头皮记录点转向分离后的 EEG 源，并通过多种源配置与噪声条件的仿真检验可靠性；深部源定位和生理因果解释仍需结合全文核对。

  2. OpenReview · EEG72

    用于 BCI 的单试次 EEG 源重建

    基于摘要分析。该研究考察能否通过重建 EEG 的脑源信号，并在源空间而非原始电极电位上提取特征，提高 EEG-based BCI 的任务分类性能。核心贡献是将 EEG 源重建引入 BCI 分类流程，并与直接使用原始电极电位的结果进行比较。 方法上，研究使用 EEG 逆解获得源空间表征，以频率功率变化和 Bereitschaft potential（准备电位）构建特征，再通过互信息对特征排序，输入 proximal support vector machine 完成分类。其机制假设是，源重建所利用的电生理信息有助于区分不同 BCI 任务；摘要未说明具体逆解算法、头模型、源定位约束及特征筛选细节，这些内容尚未验证。 测试材料包括 BCI competition II 的 dataset IV，以及四名被试的数据；两部分数据的关系、具体任务、数据划分和被试内或跨被试协议尚未验证。作者报告，EEG 逆解提高了分类率，并可取得与当时已知最佳方法相当的结果，但摘要没有提供具体数值、对照方法或统计信息，因此无法判断增益大小、跨被试稳定性及比较条件是否一致。 复现时值得核对源空间与电极空间比较是否采用一致的数据划分、特征筛选及分类流程，以及源重建对头模型、通道配置和噪声的依赖。实验协议、消融及统计信息尚未验证；目前不能将摘要中的改善概括为普遍适用于 EEG/BCI 的性能优势。

    阅读价值：该研究直接比较 EEG 源重建与原始电极电位的分类结果，值得阅读以核对源空间表征是否提供稳定的判别增益，但具体增益及评估协议尚未验证。