跳到正文

算法、任务与模态

Cross-subject 最新动态

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

54 条精选近 30 天 32 条共收录 65 条

更新

精选归档 · 第 3 页

5月1日周五第 41–54 条
  1. OpenReview · EEG77

    ROAMM：用于自然阅读中多模态人类注意力解码与 EEG-to-text 建模的基准数据集

    基于摘要分析。该研究针对自然阅读中的心智游移（mind-wandering，MW）检测及 EEG-to-text 建模，提出 Reading Observed At Mindless Moments（ROAMM）多模态数据集，并提供标准化跨被试 MW 检测基准。 数据集包含 44 名参与者在自然、多页阅读过程中采集的共 50 小时同步 EEG 与眼动记录，同时提供眼动事件、页面级理解得分，以及通过回顾性自我报告获得的文本跨度级 MW 标注。这些信息支持联合研究生理信号、阅读行为、理解表现与注意状态，但摘要未说明各类标注的时间对齐方式、跨度定义及回顾性报告的可靠性。 在 MW 检测任务中，作者采用留一被试法（leave-one-subject-out）的 Cross-subject 评估，报告监督模型最高达到 0.609 AUROC；该指标不能解释为 Accuracy。模型类型、输入模态、训练与验证划分细节、对照基线及统计不确定性尚未验证，因此不能据此判断某一种模态或方法的优势。 作者还在带有或不带有 MW 标签的阅读片段上评估 EEG-to-text 解码，并报告 MW 发作期间解码表现下降。摘要未提供具体解码指标、下降幅度或该任务的数据划分协议，亦不足以确认这种关联具有因果解释。 该数据集的直接研究价值在于为自然阅读条件下的 MW 检测、EEG-to-text 解码和多模态表示学习提供共同数据与评估入口。复现前需核对数据获取条件、EEG 与眼动预处理、同步与标注流程，以及 EEG-to-text 的文本目标和评估设置；实验协议、消融及统计信息尚未验证。

    阅读价值：ROAMM 将自然阅读中的同步 EEG、眼动与心智游移标注纳入标准化跨被试评估，值得用于核对注意状态与 EEG-to-text 解码表现的关系，但标注可靠性及具体解码协议尚未验证。

3月21日周六
  1. OpenReview · EEG72

    SATTC：用于跨被试 EEG-to-image retrieval 的结构感知无标签测试时校准

    基于摘要分析。该研究针对跨被试 EEG-to-image retrieval 中被试分布偏移与嵌入空间 hubness（枢纽性）引起的相似度几何失真和 Top-k 排序不稳定，提出 SATTC（Structure-Aware Test-Time Calibration）。该方法在冻结 EEG 与图像编码器的条件下，以无标签校准层调整相似度矩阵，旨在提高视觉解码中小候选集的可靠性。 机制上，SATTC 融合几何专家与结构专家：前者结合 EEG 嵌入的被试自适应白化及自适应 Cross-domain Similarity Local Scaling（CSLS）；后者利用互为最近邻、双向 Top-k 排名和类别流行度构造结构信息，再通过简单的 Product-of-Experts 规则融合。摘要未给出各项计算公式、融合参数或类别流行度的具体估计方式，不能据此确定其实现细节。 作者报告，在 THINGS-EEG2 的严格留一被试评估协议下，使用余弦相似度、L2 归一化嵌入和候选白化的标准化推理，已较原始 ATM 检索设置形成更强的跨被试基线。在这一基线上，作者报告 SATTC 进一步提升 Top-1 和 Top-5 Accuracy，降低 hubness 与类别间不均衡，并改善小候选集的可靠性；摘要未提供具体数值。作者还报告增益可迁移至多个 EEG 编码器，支持其作为编码器无关校准层的潜力，但编码器名单与各自效果尚未验证。 复现时应重点核对强化基线与 SATTC 各组件的贡献、测试被试白化所需样本及估计范围、候选集合构成，以及无标签结构统计的计算和参数选择流程。这些因素决定方法的适用条件，不能仅由“无标签”推断其支持逐样本在线使用。实验协议细节、消融及统计信息尚未验证。

    阅读价值：值得核对 SATTC 在强化推理基线之上的独立增益，以及无标签几何与结构校准能否稳定改善跨被试 EEG-to-image retrieval 的小候选集排序。

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 · EEG72

    用于 EEG 癫痫发作检测的计算高效且具泛化能力的机器学习算法

    基于摘要分析。该研究针对头皮 EEG 自动癫痫发作检测中计算效率、预测性能与患者间泛化难以兼顾的问题，比较 ROCKET 框架及相关时间序列分类方法，并通过独立数据集评估泛化能力。研究对象是癫痫发作检测，而非 BCI 控制或运动想象解码。 方法方面，摘要列出的框架包括 Detach-ROCKET、Detach Ensemble、基于 STFT 的特征变换、catch22 特征及 EEGNet。模型在 TUSZ 上训练，并在 TUSZ 与独立 Siena 数据集上评估，以考察跨被试和跨数据集泛化。摘要未说明各方法的具体实现、特征组合、训练目标及超参数，因此无法进一步确认 Detach Ensemble 的集成机制或各模块的贡献。 作者报告，Detach Ensemble 在 TUSZ 评估中的事件级 F1 中位数为 0.89，在独立 Siena 跨数据集评估中为 0.53，并称其保持较低误报率与较高计算效率。摘要未提供误报率数值、计算耗时、硬件条件或其他方法的具体结果。两种评估背景不同，不能将这些分数视为同一协议下的直接对照；跨数据集结果也提示，应进一步核对域变化下的性能稳定性。 复现时需核对患者划分、预处理与通道配置、事件匹配规则、检测阈值、F1 中位数的汇总单位，以及计算效率和误报率的度量方式。实验协议、消融及统计信息尚未验证。摘要提供了实现仓库，但代码内容、依赖与复现完整性尚未核验。作者认为 ROCKET 系列方法具有实际临床部署潜力；这一结论仍需结合全文评估与临床场景验证，不能仅凭摘要中的离线结果认定可部署。

    阅读价值：值得核对其 ROCKET 系列方法在癫痫发作检测中的计算效率与泛化权衡，尤其是独立 Siena 数据集上的事件级 F1 及误报评估，但临床部署可行性尚未验证。

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 · EEG74

    用于聆听与观看的 EEG 多模态解码的语义引导对比学习

    基于摘要分析。研究针对自然情境 BCI 中语义解码方法通常依赖单一刺激模态的问题，提出 Semantic-Guided Contrastive Learning（Semantic-CL），旨在不修改架构的情况下适用于听觉与视觉 EEG 语义解码。 核心机制包括两部分：其一，使用刺激之间的语义相似度度量，引导软对比学习中的 EEG 表征对齐；其二，引入被试间对比对齐，以协调不同被试的神经表征。阅读重点在于语义关系约束与被试差异校正如何协同作用，而非仅对单一模态设计专用解码结构。摘要未提供语义相似度的计算来源、软对比损失的具体形式、表征编码器及训练与推理流程，这些细节尚未验证。 作者在动态视频基准 SEED-DV 与自然语音基准 Broderick 上评估该框架，并报告语义解码性能达到当前最优，尤其在跨被试设置中表现突出。摘要未给出具体指标、数值、被试规模、数据划分及对照基线，因而目前不能量化提升幅度或判断不同协议下的可比性。在两个模态不同的基准上使用同一架构，也不等同于已证明跨模态迁移或跨数据集泛化。 复现时应核对语义信息在训练与测试中的使用方式、跨被试划分、各数据集的解码目标，以及语义引导与被试间对齐各自的贡献。作者提供了匿名代码链接，但代码完整性与可运行性尚未验证；实验协议、消融及统计信息尚未验证。摘要将该框架定位为支持自然情境下可部署 BCI 的方法，但实际部署表现仍需进一步证据。

    阅读价值：值得核对 Semantic-CL 如何以刺激语义相似度构造软对比约束，并结合被试间对齐改善跨被试语义解码；作者报告的跨模态适用性及领先性能仍需结合完整评估协议验证。

1月23日周四
  1. OpenReview · EEG77

    LEAD：用于基于 EEG 的阿尔茨海默病检测的大型基础模型

    基于摘要分析。该研究针对基于 EEG 的阿尔茨海默病（AD）检测中数据规模不足与被试间差异较大的问题，整理 EEG-AD 语料，并提出 LEAD 基础模型，将自监督对比预训练、通道对齐的多数据集微调和被试级检测整合为完整流程。其主要研究对象是 AD 检测，而非 BCI 指令解码。 数据与训练：作者报告整理的 EEG-AD 语料包含 813 名被试，并称其为据作者所知规模最大的 EEG-AD 数据集；这一规模比较尚未独立核验。模型在 11 个 EEG 数据集上预训练，其中 4 个为 AD 数据集、7 个为非 AD 数据集，再在 5 个通道对齐的 AD 数据集上联合微调。预训练同时采用样本级与被试级对比学习，目标是提取通用 EEG 特征；骨干编码器引入时间与通道嵌入，以表征时间和空间维度。具体对比样本构造、损失形式、模型规模及通道对齐实现尚未验证。 评估与结果：摘要说明采用被试独立评估，并通过多数投票形成被试级检测结果。作者报告，相较其所称的现有最先进方法，样本级 F1 最高提升 9.86%，被试级 F1 最高提升 9.31%。摘要未明确这两个提升值属于相对百分比还是百分点，也未给出对应数据集、划分、基线及绝对 F1，因此不能据此直接比较不同协议下的性能。作者认为结果支持被试级对比预训练与通道对齐的联合微调缓解被试间差异，但其各自贡献仍需核对全文中的消融与统计结果。 复现核对：摘要提供匿名源码地址，但代码内容与可运行性尚未验证。应进一步核对各数据集在预训练、微调和评估中的被试划分及重叠情况、预处理与通道映射、被试级多数投票规则，以及各数据集分别报告的结果。实验协议、消融及统计信息尚未验证；现有材料不足以确认跨数据集泛化或临床诊断效用。

    阅读价值：值得核对其被试级对比预训练、通道对齐的多数据集微调与被试独立评估流程，以判断这些机制能否缓解 EEG 阿尔茨海默病检测中的被试间差异；摘要中的性能提升仍需结合完整实验协议验证。

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。

9月28日周六
  1. OpenReview · EEG72

    从静息到行动：利用 HyperNetworks 根据静息态 EEG 自适应生成运动想象分类权重

    基于摘要分析。该研究针对 EEG-BCI 运动想象（MI）分类需要较长用户校准、静息态 EEG 中的个体信息未被充分利用的问题，提出 HyperEEGNet：将 HyperNetworks（HNs）与 EEGNet 结合，根据静息态 EEG 自适应生成 MI 分类所用权重，探索被试内、跨被试及跨会话泛化。 核心机制是把静息态 EEG 作为生成分类器权重的依据，而非仅依赖目标用户的 MI 数据训练固定分类器。摘要未说明静息态输入的表示方式、生成哪些权重、HNs 与 EEGNet 的具体连接、损失函数或训练与推理流程，因此尚不能判断新用户适配需要多少静息态记录、是否需要 MI 标签，以及校准时间是否实际缩短。 作者报告，在包含 9 名参与者的数据集上，Leave-Subject-Out 评估中的表现与基线 EEGNet 相近；在扩展至 33 名参与者的数据规模后，模型利用静息态 EEG 信息展示了面向未见被试的泛化能力。作者还报告模型能够在跨会话与跨用户场景学习稳健表示，但摘要未给出数据集名称、具体划分、评价指标、性能数值或统计不确定性，不能量化相对基线的收益，也不能直接比较不同协议的结果。 作者将较小模型占用与降低边缘计算的内存、存储需求联系起来，并提出加快用户校准的应用前景；具体资源测量和校准收益尚未验证。复现时需核对静息态与 MI 数据的配对方式、会话关系、未见被试适配流程及基线的可用数据条件。实验协议、消融及统计信息尚未验证，尤其需确认性能变化来自静息态个体信息、权重生成机制还是训练数据规模变化。

    阅读价值：值得核对其以静息态 EEG 驱动 HyperNetworks 生成 MI 分类器权重的个体适配机制，尤其是未见被试泛化与减少校准需求的证据，但具体性能和资源收益尚未验证。

1月1日周一
  1. OpenReview · Representation learning75

    超越模式变异：基于点云序列的无监督三维动作表征学习

    基于摘要分析。本文研究点云序列的无监督三维动作表征学习，而非 EEG 或 BCI；作者提出 feature augmentation adapted contrastive learning（FACL），旨在利用同一动作实例不同增强视图中的互补判别信息，区别于依赖三维骨架信息的无监督方法。 方法以 3-D dynamic voxel（3DV）为基础，将点云序列压缩为包含三维运动信息的紧凑点云，并施加时空增强开展对比学习。作者指出，SimCLR、MoCo v2 等方法处理增强后的 3DV 时仍存在较高的模式变异，各视图保留的互补线索未被充分利用。FACL 采用全局—局部两分支：全局分支联合关注原始与增强样本的判别线索，局部分支增强各增强样本特征的判别能力，最终通过拼接融合两类特征。具体损失形式、增强参数及训练流程尚未验证。 作者报告，在 NTU RGB+D 120 的 cross-setup 与 Cross-subject 测试设置下，相比其所称最先进的骨架方法，分别提升 6.4% 和 3.6%。摘要未明确对应指标及这些数值是相对百分比还是百分点，因此不能直接解释为 Accuracy 的百分点增益；数据划分细节、基线配置、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容及复现条件尚未核查。 平台推测（待验证）：可迁移的假设是，EEG 增强视图也可能保留不同的任务相关线索，联合建模这些线索或有助于缓解单纯视图一致性带来的信息损失。该机制依赖同一实例的多视图及可靠的任务保持增强；可借鉴全局—局部联合学习，但需替换点云编码器、3DV 与时空增强。低信噪比、被试差异、通道变化和小数据可能使模型融合噪声或身份线索。一个可检验的小实验是在固定 Cross-subject 划分、相同 EEG 编码器及增强策略下，对比常规对比学习与全局—局部融合，并核对融合是否稳定改善同一指标。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其全局—局部特征联合学习能否利用增强视图间的互补判别线索，而非仅追求视图一致性；摘要报告了动作表征收益，但对 EEG 的适用性尚未验证。

1月1日周六
  1. OpenReview · EEG74

    EEGANet：使用生成对抗网络去除 EEG 信号中的眼电伪迹

    基于摘要分析。该研究针对 EEG 眼电伪迹去除通常依赖 EOG 记录或眨眼检测的问题，提出基于生成对抗网络（GANs）的 EEGANet。其核心贡献是训练完成后可免校准地处理 EEG，无需依赖 EOG 通道或眨眼检测算法，以降低实际 BCI 应用的辅助采集与处理需求。 方法与机制：EEGANet 被定位为数据驱动的眼电伪迹去除辅助工具。摘要提到评估其多通道 EEG 生成能力、伪迹去除性能与鲁棒性，但未提供生成器和判别器结构、损失函数、训练监督来源或干净信号参照的构造方式；这些信息尚未验证。训练后无需 EOG 的结论不应扩展为训练阶段也无需 EOG 或配对监督。 评估与结果：作者报告，在具有较大数据波动的 EEG eye artifact dataset 上，EEGANet 的伪迹去除表现与使用 EOG 通道的先进方法相当。作者还报告，在另外两个 BCI 数据集的跨日（inter-day）和被试独立（subject-independent）评估中，虽不使用 EOG 信号，经 EEGANet 处理后的分类性能仍与传统基线方法相当。摘要未给出这两个数据集的名称、被试数、具体划分、分类任务、指标数值或统计检验，因此“相当”应视为作者报告，不能据此认定统计等效或优于基线。 局限与复现：需核对伪迹抑制是否保留任务相关 EEG 成分、训练与测试数据的划分方式、跨日及被试独立条件下的模型训练范围，以及不同伪迹强度下的稳定性。摘要明确提供了源码地址，但代码可运行性、预处理流程、实验协议、消融及统计信息尚未验证。作者提出该思路可能推广到其他多变量生物时间序列；这属于应用前景，摘要未提供相应验证结果。

    阅读价值：值得核对 EEGANet 在无需 EOG 通道或眨眼检测的推理条件下，如何兼顾眼电伪迹去除与跨日、被试独立 BCI 分类表现；摘要中的可比性结论仍需全文协议与统计结果支持。

1月1日周五
  1. OpenReview · EEG72

    基于三维特征表示与空洞全卷积网络的 EEG 情绪识别

    基于摘要分析。针对高维 EEG 情绪识别中稳健且具有代表性的特征学习问题，研究提出结合三维特征表示与空洞全卷积网络的框架 3DFR-DFCN，将电极空间关系及频带相关信息组织为输入，并引入谱范数正则化以降低模型对受扰动 EEG 特征的敏感性。 方法首先将一维特征序列扩展为不同频带的二维电极网格，以利用通道间与频带间相关信息；再将多个激活模式下的电极网格构建为三维 EEG 数组，捕捉其互补信息。DFCN 对该数组进行跨频带、跨通道特征学习，谱范数正则化项（SNR）用于约束扰动敏感性。摘要未明确激活模式的定义、原始特征类型、三维数组各轴的具体组织方式及正则化的数学形式，这些细节尚未验证。 作者报告在 DEAP 和 DREAMER 上开展了被试依赖与被试独立实验。DEAP 上，两类实验按被试依赖／被试独立顺序，valence 分类平均 Accuracy 为 94.59%／81.03%，arousal 为 95.32%／79.91%，dominance 为 94.78%／80.23%。这些数值属于不同评估协议，不能混为单一性能结论；摘要未提供具体数据划分、分类标签设置、对照基线或 DREAMER 的结果数值。 研究的可核对价值在于检验空间与频带信息联合组织、空洞卷积及谱范数正则化各自的贡献，以及其在被试独立条件下的有效性。复现需核对特征提取流程、电极网格映射、激活模式构造、训练配置与划分协议；实验协议、消融及统计信息尚未验证。摘要提出该信息整合对实际或临床情绪评估有意义，但不能据此视为已完成临床有效性验证。

    阅读价值：值得核对其三维 EEG 特征组织与谱范数正则化如何支持跨通道、跨频带学习，以及 DEAP 上被试依赖与被试独立评估结果的差异，但具体划分和稳健性证据尚未验证。

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。