跳到正文

算法、任务与模态

Neural Decoding 最新动态

Neural Decoding 研究索引；按可核对的标签归档，不以热度评价质量。

117 条精选近 30 天 68 条共收录 176 条

更新

精选归档 · 第 6 页

9月26日周四第 101–117 条
  1. OpenReview · EEG76

    以大型时空 Transformer 为基础模型学习鲁棒 EEG 表征

    基于摘要分析。研究针对 EEG 基础模型难以适应不同记录配置、BCI 控制范式及有限标注数据的问题，提出时空 EEG Transformer（ST-EEGFormer），通过自监督预训练与下游微调学习可迁移的 EEG 表征。其主要贡献是将不同通道配置和信号时长的建模，与跨 MI、P300、SSVEP 范式的适应性评估结合起来。 方法将原始 EEG 切分为片段（patches），投影到嵌入空间，并加入空间与时间嵌入。作者以掩码自编码器（MAE）任务进行自监督预训练，预训练数据由六个公开运动想象（MI）数据集、一个公开 P300 数据集和一个公开稳态视觉诱发电位（SSVEP）数据集组成。摘要未提供片段长度、空间位置编码方式、掩码策略、重建目标细节或模型规模，尚不能确认其处理不同通道配置的具体实现条件。 评估包括预训练所涉及八个数据集上的下游分类微调，以及两个未参与预训练的公开数据集：癫痫发作分类数据集和在线 MI BCI 数据集。对照模型包括简单线性模型、EEGNet、监督学习模型 EEG Conformer，以及基础模型 BIOT 和 Large Brain Model（LaBraM）。作者报告，预训练后的 ST-EEGFormer 在八个预训练数据集的下游分类中均取得高于所比较模型的 Accuracy，并在新数据集、有限训练数据条件下表现出较强泛化能力；摘要未给出具体数值或有限数据的规模。 这些结果支持进一步核查统一时空表征与 MAE 预训练的适应性，但不能直接解释为已验证的跨被试、跨会话或无需微调的泛化。数据集名称、被试数、训练与测试划分、预训练与评估样本的关系、各基线微调预算、消融及统计信息尚未验证。作者还提供模型及支撑结果的特征可视化，其解释性结论需结合正文审阅；代码、权重与完整复现条件尚未验证。

    阅读价值：值得阅读其跨 MI、P300 与 SSVEP 范式的统一预训练设计，以及在未参与预训练的数据集上检验有限训练数据条件下泛化能力的实验；作者报告的优势仍需结合具体划分、微调预算与统计结果核对。

  2. OpenReview · EEG77

    EEG 数据预测偏移适应的测地线优化

    基于摘要分析。本文研究不同人群与 EEG 设备造成的输入 X 和生物医学目标 y 同时发生分布偏移的问题，提出 Geodesic Optimization for Predictive Shift Adaptation（GOPSA），用于源域具有不同 y 分布时的测试时多源域适应。主要研究对象是静息态 EEG 的跨站点年龄预测，而非 BCI 指令解码。 机制上，方法以 EEG 空间协方差矩阵为表示，利用其所在的对称正定（SPD）矩阵黎曼流形的测地线结构，联合学习域特异的重中心化算子与回归模型。摘要将该算子解释为站点特异的截距项，因而其阅读价值在于探索如何将站点差异建模与预测模型训练结合，而不只对输入表示进行单独对齐。具体优化目标、测地线参数化、训练与测试时可用信息，尤其目标域是否需要标签或目标分布统计，尚未验证。 作者报告，在 HarMNqEEG 多国静息态 EEG 数据集上进行了年龄预测的跨站点泛化评估，数据覆盖 14 个记录站点、超过 1500 名参与者。在若干源站点—目标站点组合中，相比摘要所称的现有先进方法，GOPSA 在 R²、MAE 和 Spearman’s ρ 三项回归指标上取得显著更好的表现。摘要未提供具体分数、基线名称、站点组合、数据划分及显著性检验细节，因此不能据此判断收益是否覆盖全部站点，也不能与其他评估协议直接比较；实验协议、消融及统计信息尚未验证。 作者认为该方法有潜力结合混合效应建模与机器学习的优势，用于多中心临床试验等 EEG 生物医学应用。这是应用潜力判断，不能视为已完成临床验证或已证实 BCI 解码收益。复现需进一步核对协方差估计与预处理、站点及年龄分布、目标域适应所需信息、优化设置，以及数据和实现的可获取性。

    阅读价值：值得阅读的具体原因是 GOPSA 将 SPD 流形上的域特异重中心化与回归联合学习，直接处理 EEG 多中心数据中输入与预测目标同时偏移的问题，但其测试时信息需求和跨站点评估协议仍需全文核对。

  3. OpenReview · EEG73

    NeuroBOLT：基于多维特征映射的静息态 EEG-to-fMRI 合成

    基于摘要分析。该研究针对从 EEG 推断全脑 fMRI 活动信号的问题，提出 NeuroBOLT（Neuro-to-BOLD Transformer），通过时间、空间与频谱域的多维表征学习，将原始 EEG 映射为对应的 fMRI 活动信号。研究对象是跨模态神经影像合成，并非直接验证 BCI 任务性能。 方法动机在于：fMRI 能提供毫米级空间分辨率的全脑动态信息，但成本与设备移动性限制其使用；EEG 更便携，却存在空间定位歧义，且神经活动到 fMRI 血流动力学响应的映射较复杂。NeuroBOLT 尝试综合不同维度的 EEG 信息应对这些问题。摘要未提供特征映射的具体实现、Transformer 结构、损失函数、训练流程或血流动力学时延处理方式，这些内容尚未验证。 作者报告，NeuroBOLT 能重建未见的静息态 fMRI 信号，覆盖初级感觉区、高级认知区及深部皮层下脑区，并称其准确性达到当前最佳水平。摘要未给出具体指标、数值、对照方法、数据集、被试规模或划分方式，因此无法确定“未见”对应被试内、跨被试还是其他测试协议，也不能据此比较实际性能。作者还提出跨条件、跨采集地点泛化的潜力，但摘要不足以确定其验证范围与效果。 复现时需核对 EEG 与 fMRI 的配对和时间对齐、预测目标的脑区定义、训练与测试划分、对照基线，以及跨条件和跨采集地点评估是否采用独立测试数据。实验协议、消融及统计信息尚未验证；重建信号的准确性也不能直接等同于生理可解释性或 BCI 实用性。

    阅读价值：值得阅读的具体原因是 NeuroBOLT 将 EEG-to-fMRI 合成扩展到多类脑区，并结合时间、空间与频谱表征建模；其跨条件、跨采集地点泛化能力及重建准确性仍需结合全文协议核对。

  4. OpenReview · EEG73

    EEG2Video：面向从 EEG 信号解码动态视觉感知

    基于摘要分析。研究针对既有视觉重建工作主要关注静态刺激的问题，探索从 EEG 解码动态视觉感知，贡献包括 EEG-video 配对数据集、视频元信息标注，以及采用 Seq2Seq 架构的视频重建基线 EEG2Video。 数据与任务：作者报告记录了 20 名被试观看 1400 个动态视频片段时的 EEG，视频涵盖 40 个概念。摘要强调 EEG 的高时间分辨率（1000 Hz）适于捕捉快速脑活动变化，但实际采集与预处理配置尚未验证。作者还为视频标注颜色、动态属性、是否包含人等元信息，以探索这些属性能否从 EEG 中解码；摘要未提供各属性任务的具体结果。 方法与结果：EEG2Video 使用 Seq2Seq 架构，旨在更好地对齐视频中的动态运动与高时间分辨率 EEG 信号。作者报告在语义分类任务中取得 79.8% 的 2-way Accuracy，视频重建的结构相似性指数（SSIM）为 0.256。摘要未说明候选样本构造、数据划分、被试内或跨被试评估设置、对照基线及 SSIM 的计算与汇总方式，因此这些数值不能直接用于跨研究比较，也不足以单独判定动态重建质量。 验证与复现：值得重点核对 EEG 与视频的时间对齐方式、Seq2Seq 的输入输出表示，以及重建是否保留动态信息而不只是语义或静态外观。实验协议、消融及统计信息尚未验证。摘要称数据集与代码将很快发布，这属于发布计划，不能视为已经公开可用；复现仍需确认资源开放状态及完整训练、评估配置。

    阅读价值：值得阅读的具体原因是其提供动态视频与 EEG 配对数据，并以 Seq2Seq 基线探索时序对齐的视频重建；重建效果及泛化能力仍需结合全文协议核对。

  5. OpenReview · EEG76

    基于 EEG 嵌入与引导扩散的视觉解码和重建

    基于摘要分析。该研究针对 EEG 视觉解码与图像重建，提出端到端零样本框架：通过 Adaptive Thinking Mapper（ATM）将神经信号映射到与 CLIP 嵌入共享的子空间，再用两阶段、多路引导的扩散生成策略结合高层语义与低层视觉信息。 机制方面，第一阶段将 EEG 嵌入与高层 CLIP 嵌入对齐，并通过先验扩散模型将 EEG 嵌入细化为图像先验；同时从 EEG 解码模糊图像，以保留低层特征。第二阶段将高层 CLIP 嵌入、模糊图像以及从 EEG 潜变量得到的文本描述共同输入预训练扩散模型。其方法特点是以互补条件引导生成，而非仅依赖单一语义嵌入。摘要未说明 ATM 的具体结构、对齐损失、文本描述生成方式及各模块的训练或冻结策略，相关细节尚未验证。 作者报告，该框架在零样本视觉分类、检索和重建任务上达到 SOTA，并在 MEG 数据模态上展示了适用性；作者还分析了不同时间窗与脑区对解码和重建的影响。但摘要未提供数据集、被试数、具体指标、数值或对照基线，也未明确零样本的类别划分及被试内、跨被试或跨会话设置，因此不能据此判断性能提升幅度或泛化范围。 复现时应重点核对零样本训练与测试划分、视觉刺激及 EEG 预处理、扩散模型的预训练来源，以及高层嵌入、模糊图像和文本描述各自的贡献。图像生成的语义一致性与 EEG 所支持的细节恢复能力需分开评估，生成图像逼真不直接等同于忠实重建。摘要提供了代码仓库链接，但代码可用性、运行条件、实验协议、消融及统计信息尚未验证。作者提出的 BCI 应用潜力也不等同于已完成在线或实际应用验证。

    阅读价值：值得阅读的具体原因是其将 EEG 对齐的高层语义、低层模糊图像与潜变量生成的文本描述共同用于扩散重建，可重点核对各引导信息的贡献及零样本评估协议；作者报告的性能优势尚需全文验证。

9月17日周二
  1. OpenReview · EEG73

    Mind's Eye：通过多模态相似性保持对比学习实现基于 EEG 的图像识别

    基于摘要分析。研究针对非侵入式 EEG 图像解码中的低信噪比与非平稳性问题，提出 MUltimodal Similarity-keeping contrastivE learning（MUSE）框架，用于零样本 EEG 图像分类。其核心贡献是面向 EEG 构建多变量时间序列编码器，并开展带正则化的 EEG–Image 对比预训练，以学习两种模态之间的对应关系。 方法层面，摘要强调多模态相似性保持，但未给出相似性的定义、正则化项与对比损失的具体形式，也未说明编码器结构、图像侧表征来源及训练与推理流程，因此尚不能判断其相对于常规跨模态对比学习的具体改进机制。 结果方面，作者报告在 200 类零样本图像分类任务中，top-1 Accuracy 为 19.3%，top-5 Accuracy 为 48.8%，并称达到最先进表现。摘要提及使用大规模视觉 EEG 数据集，但未提供数据集名称、被试数量、被试内或跨被试设置、训练与测试划分、零样本类别构造及对照基线；上述成绩应限定在作者所述任务背景下理解，不能直接与其他协议比较。 作者还通过模型解释可视化神经活动模式，以探索大脑视觉处理动态；其解释方法及与生理证据的一致性尚未验证。复现前需核对完整实验协议、EEG 预处理、相似性保持约束的实现、消融与统计信息，以及代码和模型的可获得性。摘要提供的是视觉刺激相关 EEG 解码证据，不宜据此扩展为对任意想象图像或实际 BCI 使用效果的验证。

    阅读价值：值得阅读的具体原因是其以保持多模态相似性的对比预训练探索 EEG 零样本图像分类，且提供了 200 类评估结果；其优势及可复现性仍需核对完整实验协议。

  2. OpenReview · EEG71

    NECOMIMI：基于扩散模型的神经认知多模态 EEG 引导图像生成

    基于摘要分析。NECOMIMI 研究如何利用 EEG 信号生成图像，提出结合 NERV EEG encoder 与扩散模型的框架，将研究任务从 EEG-image 分类扩展到图像生成。研究同时提出 Category-based Assessment Table（CAT）Score，以语义概念评价 EEG 生成图像，并在 ThingsEEG 数据集上建立评估基准。 技术机制方面，摘要明确了 EEG 编码器和扩散生成模型两个核心组成部分，但未说明编码表示如何接入扩散模型、是否使用其他模态作为条件，以及训练目标、预训练来源和推理流程。因此，目前可以确认的是 EEG 引导图像生成这一方法方向，尚不能据此重建完整实现。摘要将既有工作概括为主要通过对比学习进行 EEG-image 分类，这属于作者对相关工作的定位，不等于所有既有研究都局限于分类。 结果方面，作者报告 NERV EEG encoder 在 2-way、4-way 和 200-way 零样本分类任务中达到 SoTA，并在其提出的 CAT Score 上取得领先结果；摘要未提供具体分数、比较基线、候选类别构造或数据划分，无法判断这些结论适用于何种被试内、跨被试或跨会话协议。分类表现与生成图像质量是不同评估维度，不能相互替代。 作者报告，模型倾向于生成风景等抽象或概括性的图像，而非具体对象，并将这一现象联系到 EEG 噪声较高、分辨率有限带来的视觉还原挑战。这提示阅读时应区分语义层面的匹配与具体对象细节的恢复，但该现象是否源于 EEG 信息限制、生成模型先验或训练设计，尚需正文证据。 复现需核对 ThingsEEG 的预处理与划分、EEG 与图像的配对方式、零样本任务定义、扩散模型条件接口，以及 CAT Score 的计算规则和评价可靠性。实验协议、消融及统计信息尚未验证；摘要中的图像生成结果也不能直接作为实际 BCI 应用有效性的证据。

    阅读价值：值得阅读的具体原因是其将 EEG 与视觉表示的关联扩展到扩散式图像生成，并提出语义概念评估指标 CAT Score；作者报告的抽象化生成倾向也提供了检查语义一致性与具体对象还原能力的切入点，但性能及评估有效性尚需全文核验。

7月21日周日
  1. OpenReview · EEG72

    MB2C：用于学习鲁棒视觉神经表征的多模态双向循环一致性

    MB2C 研究如何从脑活动中解码视觉表征，重点应对 EEG 中语义相近视觉刺激难以区分及跨模态表征难以对齐的问题。作者提出多模态双向循环一致性框架，通过 dual-GAN 生成模态相关特征并反向映射至对应语义潜在空间，以缩小模态差异。以下基于摘要分析，未取得论文全文。 机制与创新：作者指出，现有方法主要通过对比学习匹配脑活动与对应刺激，依赖大量高质量配对数据，并可能使语义一致的不同模态表征分布在潜在空间的不同区域。MB2C 的核心路径是跨模态特征生成与反向语义映射形成循环，目标是让不同模态中语义相似的嵌入落在相近的表征区域。摘要未提供 dual-GAN 的具体组成、循环一致性损失、其他训练目标或推理流程，因此不能据此认定其已降低配对数据需求，或保证所有语义相近样本都能成功对齐。 评估与结果：作者在 ThingsEEG 上开展零样本任务，并在 ThingsEEG 与 EEGCVPR40 上开展 EEG 分类和图像重建。作者报告，相较其他基线取得领先性能，但摘要未列出任务对应指标、具体数值、基线名称、零样本类别划分，以及被试内或跨被试评估背景，暂无法判断增益幅度或不同任务间的可比性。 验证与复现：值得重点核对循环一致性及 dual-GAN 各自的贡献、语义相近类别上的对齐效果，以及分类与图像重建使用的输入和监督条件。被试规模、数据划分、预处理、训练配置、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也尚未验证。该工作直接涉及 EEG 视觉解码，但摘要结果不能进一步外推为在线 BCI 性能或跨被试泛化能力。

    阅读价值：值得核对 MB2C 的双向循环一致性是否能改善 EEG 与图像语义表征的跨模态对齐，尤其是其相对对比学习基线的增益；摘要所称领先性能仍需结合评估协议与消融验证。

1月3日周三
  1. OpenReview · EEG72

    从 EEG 脑记录中学习鲁棒的深度视觉表征

    基于摘要分析。该研究关注如何从 EEG 中学习可用于视觉图像分类与重建的鲁棒表征，提出两阶段方法：先提取 EEG 特征并学习深度表征，再将所学表征用于图像生成和分类。 在表征学习阶段，作者使用深度学习架构，结合监督学习与对比学习，在三个数据集上评估特征提取流程的泛化能力，并开展零样本 EEG 分类。摘要未给出具体网络结构、损失形式、三个数据集的完整名称及零样本类别划分，因此尚不能确定这些实验对应跨被试、跨会话还是跨数据集泛化。 作者报告，仅使用 EEG 的单模态学习能够获得被试不变、线性可分的视觉表征，其 k-means Accuracy 优于 EEG 与图像联合表征学习。该对照有助于考察图像模态是否必然改善 EEG 表征，但摘要未提供具体分数、被试划分、聚类评估方式及被试不变性的验证细节，结论仍需结合正文核对。 在生成阶段，作者提出将未见图像映射到 EEG 空间并进行近似重建的框架。作者报告，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；摘要未明确比较基线、数据划分与计算设置。这些数字是 Inception Score 的相对提升，而非分类 Accuracy 或百分点增益，也不能单独说明重建图像与原始刺激的一致性。 复现时应核对 EEG 预处理、视觉刺激与试次划分、监督及对比学习所用信息、零样本任务定义，以及生成阶段实际使用的输入。尤其需区分“将未见图像映射到 EEG 空间后重建”与“仅凭实测 EEG 重建未见刺激”两种评估情形。实验协议、消融及统计信息，以及代码和模型的可用性尚未验证。

    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，以及零样本分类和未见图像重建的评估协议，以判断作者所称被试不变性与泛化能力的适用范围。

1月1日周一
  1. OpenReview · EEG79

    EEGPT：通过自回归预训练释放 EEG 通用基础模型的潜力

    EEGPT 针对 EEG 数据格式多样、预训练范式与迁移方法受限的问题，结合电极级建模、自回归预训练和多任务迁移，旨在构建可适配不同采集设备、被试与任务的通用 EEG 基础模型。基于摘要分析，未取得论文全文。 核心机制：作者将每个电极作为基本建模单元，以整合不同电极配置的 EEG 数据；摘要称预训练数据涉及最多 138 个电极，共计 37.5M 个预训练样本，但样本单位、切片方式及数据组成尚未验证。预训练采用 next signal prediction，而非传统 masked autoencoder，目标是捕捉 EEG 的序列与时间依赖；具体预测粒度、序列组织、损失函数与推理流程尚未验证。作者还探索了参数规模最高为 1.1B 的模型的 scaling laws，但摘要未提供规模与性能之间的定量关系。 迁移机制：作者提出跨任务共享的可学习电极图网络，用于多任务迁移学习，并报告任务间具有兼容性与协同作用。摘要称模型支持最多 138 个电极及其任意组合输入；电极身份编码、不同设备的输入对齐方式、缺失电极处理和任务特定模块仍需核对正文。 结果与证据边界：作者报告在覆盖 5 个不同任务的 12 个 benchmarks 上进行评估，并在全部下游任务中优于现有专用模型，同时称广泛消融支持其有效性。摘要未列出任务与数据集名称、被试数、被试内或跨被试等划分协议、基线、指标及数值，因此不能据此量化优势，也不能确认跨设备、跨被试适配的具体评估前提。实验协议、消融及统计信息尚未验证。 复现重点是核对异构数据整合规则、自回归目标与电极图迁移各自的贡献，以及预训练数据和下游评估的关系。摘要中的“首次”及“最大”等表述属于作者主张，尚未独立核实。作者表示将发布代码和模型，当前材料不能确认其已公开。

    阅读价值：值得核对其电极级建模、自回归预训练与共享电极图的多任务迁移如何协同处理异构 EEG，并复现作者报告的跨任务优势；具体划分、对照与统计证据尚未验证。

  2. OpenReview · State space models77

    大规模变分 Gaussian 状态空间模型

    基于摘要分析。研究针对概率状态空间模型在大规模动力系统学习中，计算可扩展性与后验灵活性、动力学表达能力之间的权衡，提出用于非线性 Gaussian 状态空间图模型的低秩结构化变分自编码框架。主要研究对象是动态数据的生成建模与预测，并以神经生理记录中的神经元群体脉冲活动及行为相关量预测展示应用，而非直接验证 EEG 或 BCI 解码。 核心机制是结合基于采样的近似 Gaussian 消息传递与低秩摊销后验更新，利用推断过程中自然产生的协方差结构，执行近似变分平滑。框架旨在捕捉对时空结构建模和预测重要的稠密协方差，同时使推断时间复杂度随状态维度线性增长；这一复杂度表述不能扩展为对序列长度或所有计算环节的保证。具体损失、低秩参数化、采样规模及训练流程尚未验证。 作者报告，与其他深度状态空间模型架构相比，该方法能够学习预测能力更强的生成模型；在神经生理记录上，可从单次试验的一小部分记录预测神经元群体脉冲活动与行为相关量。摘要未提供数据集、样本规模、预测时距、划分方式、基线名称或量化指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多通道 EEG 中的共享潜在动力学可由非线性 Gaussian 状态空间模型近似，该框架可能用于研究噪声条件下的潜在状态估计与时序预测。可复用部分是结构化后验与平滑推断；需改造观测模型以适配连续 EEG，并核对其 Gaussian 假设。低信噪比、伪迹、跨被试分布差异及小数据可能削弱动力学辨识，低秩近似也可能遗漏重要协方差。一个可检验的小实验是在固定被试内训练与留出试验划分下，对比结构化后验与对角后验的 EEG 预测误差、预测不确定性及计算开销，控制潜在状态维度与训练预算。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其如何利用低秩后验更新与近似 Gaussian 消息传递，在保留稠密协方差表达能力的同时实现随状态维度线性扩展的变分平滑；预测优势的具体评估协议尚未验证。

  3. 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。

  4. OpenReview · EEG73

    EEG2Video：面向从 EEG 信号解码动态视觉感知

    基于摘要分析。本研究针对既有视觉重建研究主要关注静态刺激的问题，构建动态视频观看过程中的 EEG-video 配对数据，并提出基于 Seq2Seq 的 EEG2Video 基线，探索从 EEG 信号重建动态视觉感知。 数据与任务：作者报告，数据集记录了 20 名被试观看 40 个概念类别、共 1400 个动态视频片段时的 EEG。摘要提及 EEG 的高时间分辨率（1000 Hz），但具体采集与预处理协议尚未验证。作者还为视频标注颜色、动态属性及是否包含人等元信息，以考察这些属性能否从 EEG 中解码；摘要未提供各属性的独立实验结果。 核心机制：EEG2Video 使用 Seq2Seq 架构，旨在更好地对齐视频中的动态运动与高时间分辨率脑信号。其阅读价值在于将视觉解码从静态内容扩展到动态序列，但 EEG 编码方式、视频表示、时间对齐策略、损失函数及训练与推理流程均需全文核对，不能仅凭摘要判断模型是否实际利用了运动特异信息。 结果与证据边界：作者报告，模型在语义分类任务中取得 79.8% 的 2-way Accuracy，视频重建的结构相似性指数 SSIM 为 0.256。摘要未说明候选构造、数据划分、被试内或跨被试协议、对照基线及 SSIM 的计算与汇总方式，因此这些数值不能直接与其他协议下的结果比较，也不足以确认跨被试泛化或运动重建质量。 复现条件：摘要称数据集与代码将于近期发布，现有材料不能确认已公开。实验协议、消融及统计信息尚未验证；复现时应核对视频与被试的训练测试划分、时序对齐，以及动态信息相对静态语义信息的贡献。

    阅读价值：值得阅读的具体原因是其构建 EEG-video 配对数据并以 Seq2Seq 探索动态视觉重建，可用于研究 EEG 时间信息与视频运动的对应关系，但评估划分及动态信息解码的独立贡献尚未验证。

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17日周二
  1. OpenReview · EEG80

    机器学习癫痫发作预测：一种存在问题却被普遍接受的做法

    基于摘要分析。本研究关注机器学习 EEG 癫痫发作预测中，已发表的高预测表现为何未能转化为临床应用，并通过实证研究检验一种常见标注与验证做法可能引入的混杂。其主要贡献是以真实 EEG 中与生物学完全脱钩的“伪发作”任务，检验模型能否利用非发作信号获得虚高的验证准确率。 被考察的做法是：将短 EEG 窗口按时间组赋予标签，再从这些窗口中随机抽取样本进行验证。作者研究这一流程中的混杂，并训练人工神经网络学习真实 EEG 上人为设置的“伪发作”。该设计意在区分模型对真实发作前生物标志物的学习，与对其他信号特征的学习，而非提出新的发作预测算法。 作者报告，在上述按时间组标注、随机抽取窗口验证的流程下，非发作信号也能够形成机器学习可利用的决策边界，使验证准确率虚高；模型能够学习与生物学脱钩的“伪发作”是其核心证据。摘要未提供具体准确率、数据集、被试数、窗口长度、神经网络结构或被试内／跨被试协议，不能据此量化偏差大小，也不能认定所有既有研究均受影响。 作者认为，部分既有工作的结果可能受到这一混杂影响，并建议更严格地缓解混杂。全文中的具体指南、对照设置、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时间组如何定义、训练与验证窗口之间的时间关系，以及“伪发作”标签如何构造，再判断结论适用范围。该研究直接涉及 EEG 预测评估，但其发现不应未经检验就推广到所有 EEG 解码或 BCI 任务，也不构成临床有效性证据。

    阅读价值：该研究通过真实 EEG 中与生物学脱钩的“伪发作”任务检验验证混杂，为核对癫痫发作预测中的标注与数据划分是否支撑临床相关结论提供了具体切入点。

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。