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。

91 条精选近 30 天 51 条共收录 149 条

更新

精选归档 · 第 5 页

1月1日周一第 81–91 条
  1. OpenReview · EEG72

    通过预训练对比式 EEG–文本掩码自编码器的可迁移表征增强 EEG-to-Text 解码

    基于摘要分析。本文研究从非侵入式 EEG 重建自然语言，提出 Contrastive EEG-Text Masked Autoencoder（CET-MAE），结合跨模态自监督学习与模态内自重建；进一步构建 E2T-PTR（EEG-to-Text decoding using Pretrained Transferable Representations），将预训练 EEG 表征与 BART 对接以生成文本。 机制上，CET-MAE 通过专用多流编码器组织 EEG 与文本之间的跨模态学习，以及 EEG 特征或文本序列的模态内重建。E2T-PTR 利用预训练模块及 CET-MAE 的 EEG 流，将表征迁移至 EEG-to-Text 解码。摘要未提供具体掩码策略、对比目标、损失权重、模块冻结或微调方式，因此这些实现条件尚未验证。其主要研究价值在于联合表征学习与语言生成，而非仅依赖单一 EEG 编码任务。 作者报告，在文本诱发 EEG 数据库 ZuCo 上，E2T-PTR 相较文中所称的最先进方法，ROUGE-1 F1 与 BLEU-4 分别提高 8.34% 和 32.21%。摘要未说明这些百分比的计算口径、具体对照方法或绝对分数，不能将其解读为百分点提升；也未明确被试内、跨被试或其他划分协议，因而暂不能据此判断泛化能力。 复现与评估需核对 EEG–文本配对和预处理方式、预训练与下游数据的划分、BART 的训练及推理条件，以及各预训练组件的消融贡献。ZuCo 中的文本诱发 EEG 解码结果不等同于自由意图表达或在线 BCI 的有效性；还需区分 EEG 信息贡献与语言模型先验贡献。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 CET-MAE 将 EEG–文本跨模态对比学习与模态内掩码重建结合，并通过 E2T-PTR 对接 BART，可用于考察预训练表征对 EEG-to-Text 解码的贡献，但性能增益的评估协议与归因尚未验证。

  2. OpenReview · EEG73

    从 EEG 脑记录中学习鲁棒的深度视觉表征

    基于摘要分析。该研究面向从 EEG 解码视觉信息的问题，提出两阶段方法：先从 EEG 提取特征、学习鲁棒的深度视觉表征，再将所得表征用于图像生成和分类。其贡献包括对特征提取流程泛化能力的评估，以及将未见图像映射至 EEG 空间并近似重建的框架。 方法方面，摘要提及使用深度学习架构，分别结合监督学习与对比学习，在三个数据集上验证特征提取流程，并开展零样本 EEG 分类。具体网络结构、对比学习目标、两阶段训练衔接及零样本任务的类别划分尚未验证；多个数据集上的评估也不能直接视为 Cross-dataset 迁移实验。 作者报告，仅用 EEG 的单模态学习获得了被试不变、线性可分的视觉表征，其 k-means Accuracy 优于 EEG 与图像的联合表征学习。该结论的被试划分、线性可分性检验、聚类标签匹配方式和比较数值未在摘要中展开，是否采用严格 Cross-subject 评估尚未验证。 图像生成方面，作者报告其 EEG 图像合成方法在 EEGCVPR40 和 Thoughtviz 上的 Inception Score 分别提升 62.9% 和 36.13%，并声称优于 GAN 相关的现有最佳表现。这些数字为相对提升而非百分点；具体对照方法、原始分数、数据划分及统计信息尚未验证。摘要所述“未见图像映射至 EEG 空间再重建”还需与实际 EEG 输入的图像重建协议区分，不能仅凭摘要确认其对未见视觉类别的脑信号解码能力。 复现时应优先核对 EEG 预处理、被试与刺激划分、监督信息的使用、单模态与联合学习的对照条件，以及生成指标的计算协议。全文、实验消融及代码可用性尚未验证。

    阅读价值：值得核对其仅用 EEG 学习视觉表征与 EEG—图像联合表征的对照，以及零样本分类和图像生成的评估协议，以判断表征可分性与跨被试泛化是否同时成立。

10月27日周五
  1. OpenReview · EEG70

    使用潜在扩散模型生成合成睡眠 EEG 信号

    基于摘要分析。本研究针对 EEG 数据可用性不足及医疗数据共享受隐私限制的问题，探索结合 spectral loss 的潜在扩散模型，生成睡眠阶段的 30 秒合成 EEG 片段。其核心贡献是将频谱约束引入生成过程，以保持 EEG 特定频带中的结构化振荡。 机制方面，作者强调 spectral loss 对生成符合 EEG 特征的振荡结构至关重要。不过，摘要未提供潜在表示的编码方式、扩散模型结构、频谱损失的具体形式与权重，也未说明睡眠阶段是否作为生成条件；这些实现细节尚未验证。 数据与评估方面，作者使用 Sleep EDFx 和 SHHS 两个大型睡眠数据集训练模型，以 Multi-Scale Structural Similarity Metric、Frechet inception distance 及频谱图分析评估合成信号质量。作者报告，在上述生成质量评估下，模型能够产生具有适当神经振荡特征的逼真信号；摘要未给出指标数值、数据划分、被试内或跨被试协议、对照基线及统计结果，实验协议、消融及统计信息尚未验证。 证据边界方面，作者提出该方法可能缓解 EEG 数据稀缺，但摘要所述信号质量评估不能直接证明合成数据能提升睡眠分期或其他下游任务，也不能据此认定其具备隐私保护能力。复现时需核对预处理、通道配置、潜在编码与训练设置，并验证频谱约束的独立贡献、合成数据的下游效用，以及模型是否记忆训练样本；代码与模型权重的公开情况尚未验证。

    阅读价值：值得关注其以 spectral loss 约束潜在扩散模型生成睡眠 EEG 频带振荡的机制，但合成数据能否改善下游任务及保障隐私尚未验证。

9月22日周五
  1. OpenReview · EEG71

    通过几何感知建模学习拓扑无关的 EEG 表征

    基于摘要分析。该研究针对不同 EEG 数据资源的通道选择不一致，以及信号固有的结构与空间信息难以统一利用的问题，提出将不同通道选择映射到统一拓扑，并在此基础上构建 MMM 预训练框架，以学习拓扑无关的 EEG 表征、支持跨数据集预训练。 MMM 包含 Multi-dimensional position encoding（多维位置编码）、Multi-level channel hierarchy（多级通道层级）和 Multi-stage pre-training strategy（多阶段预训练策略）。摘要明确的机制路径是先统一通道拓扑，再通过上述三个组件组织空间信息、通道层级及预训练过程；但统一拓扑的具体定义、通道映射方式、位置编码构造、层级组织及各训练阶段的目标尚未验证，不能据此推断网络结构或损失形式。 作者报告，该方法在情绪识别基准数据集上相较此前最先进方法取得明显提升。摘要未提供数据集名称、指标、数值、对照方法或数据划分，因此不能量化提升，也不能判断结果属于 Within-subject、Cross-subject 或 Cross-dataset 评估。支持跨数据集预训练是研究目标，不等同于已经验证跨数据集下游泛化；实验协议、消融及统计信息尚未验证。 复现时应优先核对统一拓扑如何处理通道缺失与不同电极配置、预训练数据如何组合，以及三个组件各自的贡献。尤其需要确认情绪识别评估中的被试与数据集划分、预训练和下游数据的关系，以及比较方法是否采用相同协议。这些均是需全文核对的事项，而非已发现的研究缺陷。

    阅读价值：值得阅读的具体原因是其以统一通道拓扑连接不同 EEG 资源，并结合位置编码、通道层级与分阶段预训练；这些设计为跨数据集预训练提供了可核对的机制路径，但性能增益及跨通道配置泛化仍需全文验证。

9月20日周三
  1. OpenReview · EEG72

    BELT-2：面向多任务脑解码的 EEG—语言表征自举对齐

    BELT-2 研究如何将 EEG 表征与语言表征对齐，并连接大语言模型（LLMs）以支持多任务脑解码；核心方法结合 BPE 级对齐、多任务 EEG 编码器与 prefix-tuning。基于摘要分析，未取得论文全文。 技术机制方面，作者采用 byte pair encoding（BPE）级 EEG—语言对齐，并在 EEG 领域联合进行多任务训练与解码；随后利用 EEG 编码器的中间输出，通过 prefix-tuning 连接 LLMs。该设计将 EEG 表征学习与语言生成接口结合，但摘要未说明 EEG 与 BPE 单元的对应构造、对齐损失、多任务的具体组成、LLM 型号，以及训练时哪些模块冻结或更新，相关细节尚未验证。 结果方面，作者报告在 ZuCo 数据集上获得 BLEU-1 为 52.2% 的解码结果，但摘要未提供数据划分、被试内或跨被试协议及对照基线，因此不能据此判断跨被试泛化能力。作者还报告在其他翻译基准上提升 31%–162%，但未明确基准名称、指标、对照方法及提升的计算口径，不能将其解释为准确率或百分点提升。作者声称该方法能够从非侵入式脑信号解码连贯、可读的句子，并声称相关设计具有首次性；这些主张尚需正文与既有工作核对。 复现时需核对 EEG 预处理、EEG—文本配对方式、训练与测试划分、多任务监督来源，以及文本生成阶段是否使用额外文本条件。尤其应区分 EEG 提供的信息与 LLM 语言先验对生成质量的贡献；摘要不足以确定这一贡献分解。实验协议、消融及统计信息尚未验证。摘要称代码可通过匿名链接获取，但当前材料未给出该链接，代码可访问性与复现条件尚未验证。

    阅读价值：值得阅读的具体原因是 BELT-2 将 BPE 级 EEG—语言表征对齐、多任务训练与 LLM prefix-tuning 结合，可用于考察语言先验与 EEG 表征对文本解码的各自贡献，但其评估协议与提升幅度仍需全文核对。

1月1日周六
  1. 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。

  2. OpenReview · EEG73

    从 EEG 信号连续解码协调运动中的双手轨迹

    基于摘要分析。该研究针对协调双手运动的连续轨迹解码问题，提出双手 BCI 范式，并结合 EEGNet 与 long short-term memory network（LSTM）构建多任务深度学习模型，从 EEG 同时重建双手的位置和速度。 任务要求被试完成朝左、中、右目标的双手伸达运动，同时采集 EEG。研究对象是实际协调运动中的轨迹重建，摘要未将其描述为运动想象任务。模型结合 EEGNet 与 LSTM，但具体模块连接、任务间参数共享、损失函数、输入时间窗及推理流程尚未验证，不能仅凭模型名称推定其实现细节。 作者报告，在 13 名被试的实验中，位置和速度解码的总体平均合并相关系数（CC）分别为 0.54 和 0.42，对应的合并归一化均方根误差（NRMSE）分别为 0.22 和 0.23；两类指标均显著优于机会水平（p<0.05）。摘要未说明“合并”的具体方式，也未交代被试内或跨被试协议、训练与测试划分及机会水平的构造方法，因此这些数值只能作为该研究所述实验条件下的结果，不能直接与其他协议比较。 作者报告，该模型在连续轨迹解码的 CC 和 NRMSE 上显著优于若干常用方法，但摘要未列出基线名称、具体差值和统计检验细节。其主要贡献是提供从 EEG 同时解码协调双手轨迹的可行性证据；离线轨迹相关性不等同于在线闭环控制性能。复现前需核对 EEG 预处理、轨迹同步与归一化、数据划分、多任务训练配置及评估聚合方式；实验协议、消融及统计信息尚未验证，数据与代码可用性亦尚未验证。

    阅读价值：该研究将 EEG 连续解码拓展到协调双手的位置与速度重建，值得核对其多任务建模及轨迹评估协议，但摘要结果尚不能证明在线双手控制的有效性。

1月1日周五
  1. 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。

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。