跳到正文

研究类型与证据

EEG/BCI已验证 最新动态

EEG/BCI已验证 研究索引；按可核对的标签归档，不以热度评价质量。

234 条精选近 30 天 124 条共收录 353 条

更新

精选归档 · 第 10 页

8月20日周三第 181–200 条
  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。

  2. OpenReview · EEG78

    NeuroLM：用于弥合语言与 EEG 信号鸿沟的通用多任务基础模型

    基于摘要分析。NeuroLM 针对 EEG 预训练模型往往需要为每个下游任务进行全量微调的问题，将 EEG 视为一种“外语”，利用 LLM 构建同时处理 EEG 与语言的多任务基础模型，尝试通过指令微调在单一模型中统一多种 EEG 任务。 核心流程包含三个环节：首先，通过向量量化的时频预测学习与文本对齐的神经信号 tokenizer，将 EEG 编码为离散 token；其次，冻结向量量化（VQ）编码器，将其生成的 EEG token 输入 LLM，以多通道自回归学习 EEG 的因果信息；最后，通过多任务指令微调适配下游任务。摘要未交代文本对齐的具体监督来源、时频预测目标、通道间序列组织及指令格式，这些机制细节尚未验证。这里的“因果信息”是作者对自回归学习目标的表述，不能据此理解为已识别神经生理因果关系。 规模与评估方面，作者报告最大变体 NeuroLM-XL 具有 1.7B 参数，并在约 25,000 小时 EEG 数据组成的语料上预训练；作者报告在六个不同下游数据集上的评估展示了多任务学习范式的潜力。摘要未提供数据集名称、具体任务、被试数、划分协议、对照基线或量化指标，因此尚不能判断被试内、跨被试、跨会话或跨数据集泛化能力，也不能确认相对逐任务全量微调的性能和计算资源收益。作者将该方法定位为首次借助 LLM 与指令微调统一多种 EEG 任务，这一优先性主张尚未独立核实。 复现时需要核对 tokenizer 的训练与对齐方式、预训练数据构成、多任务指令数据及各任务评估协议，并明确训练与推理所需资源。实验协议、消融及统计信息尚未验证；当前材料也不足以确认代码和权重的可用性。

    阅读价值：值得关注其以离散 EEG token、多通道自回归和多任务指令微调连接 EEG 与 LLM 的具体机制，但统一模型相对逐任务全量微调的性能与资源收益尚需核对全文。

1月1日周三
  1. OpenReview · EEG75

    利用基于黎曼几何的空间滤波（RSF）方法增强运动想象 EEG 分类

    基于摘要分析。该研究针对运动想象（MI）EEG 的非平稳性、低信噪比与噪声敏感性，提出基于黎曼几何的空间滤波方法 RSF，通过低维投影增大不同类别协方差矩阵之间的黎曼距离，以增强分类特征的判别能力。 核心机制是将 EEG 信号投影到低维子空间，并以类间协方差矩阵的黎曼距离作为空间滤波优化依据。与摘要中讨论的 CSP 相比，RSF 强调利用协方差的几何结构进行判别性降维。作者将其定位为可与多种 MI 解码算法结合的空间滤波方法，而非单独替代全部分类流程；具体距离定义、优化方式、投影维数选择，以及滤波器如何接入不同模型尚未验证。摘要提出噪声鲁棒性优势，但其对应的实验条件与证据需查阅全文。 作者在六个公开 MI-BCI 数据集上，将 RSF 与十种解码算法结合评估，包括 CSP-LDA、FBCSP、MDM、TSM、EEGNet、ShallowConvNet（sCNN）、DeepConvNet（dCNN）、FBCNet、Graph-CSPNet 和 LMDA-Net。作者报告 RSF 能显著提高分类 Accuracy 并减少计算时间，尤其适用于计算复杂度较高的深度学习模型；摘要未提供具体分数、提升幅度或计时结果，因此不能量化收益或比较不同评估协议。 复现时应核对数据集名称、被试数、预处理、被试内或跨被试等划分方式，以及空间滤波器的拟合范围、超参数选择和对照配置。计算效率还需区分滤波器优化、模型训练与推理开销，并核对硬件条件。摘要提供了代码仓库地址，但实现完整性、运行环境及结果可复现性尚未验证；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对 RSF 的类间黎曼距离优化如何兼容传统解码器与深度模型，以及作者报告的准确率和计算时间改善是否在一致的数据划分与计时协议下成立。

  2. 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。

  3. 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。

  4. OpenReview · EEG76

    CineBrain：自然视听叙事加工过程中的大规模多模态脑数据集

    基于摘要分析。该研究面向自然视听叙事加工与刺激重建，发布同步采集 EEG 和 fMRI 的 CineBrain 数据集，并提出多模态解码框架 CineSync 与重建评估协议 Cine-Benchmark。主要研究对象是动态视听刺激下的脑信号及其多模态重建，而非运动想象或其他传统 BCI 分类任务。 数据方面，摘要称每位参与者观看来自电视剧 The Big Bang Theory 的约六小时叙事内容，共六名参与者；不能据此将内容时长直接等同于最终可用记录时长。作者将 CineBrain 称为首个在动态视听刺激下同步记录 EEG 和 fMRI 的大规模数据集，该优先性主张尚未独立核实。其设计利用 EEG 的高时间分辨率与 fMRI 的深部脑区空间覆盖形成互补。 方法方面，CineSync 结合 Multi-Modal Fusion Encoder 与基于扩散的 Neural Latent Decoder，用于融合 EEG、fMRI 并重建复杂视听刺激。摘要未说明时间对齐、血流动力学延迟处理、信号预处理、训练损失或扩散模型的条件输入方式，相关实现尚未验证。Cine-Benchmark 从语义与感知维度评估重建，但具体指标与评估流程尚未提供。 作者报告，CineSync 改善了复杂视听刺激的重建质量，并在其采用的评估条件下达到最先进的视频重建表现，同时初步实现了结合 EEG 与 fMRI 的视频及音频重建。摘要未给出具体分数、对照方法或被试内、跨被试及跨会话划分，因此目前不能量化融合收益或判断泛化能力。 复现时应核对数据开放与刺激使用条件、同步采集下的 EEG 伪迹处理、训练与测试的叙事片段划分，以及 EEG 单模态、fMRI 单模态和融合模型的对照。六名参与者的样本范围也需纳入泛化评估。实验协议、消融及统计信息尚未验证；摘要列有项目页，但数据、代码与模型权重的实际可获取性尚未验证。该工作不能直接作为仅依赖 EEG 的 BCI 重建效果证据。

    阅读价值：同步 EEG–fMRI 自然叙事数据及语义、感知双维度重建评估值得核对，尤其可用于研究两类信号的互补贡献，但融合收益及基准划分仍需全文验证。

  5. 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。

  6. 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。

  7. 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。

  8. 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。

  9. 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。

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。

9月27日周五
  1. OpenReview · EEG74

    EEGMamba：结合混合专家的双向状态空间模型用于 EEG 多任务分类

    基于摘要分析。该研究针对 EEG 分类中长序列建模的计算开销，以及不同任务之间信号长度、通道数不一致带来的适配问题，提出 EEGMamba，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、双向 Mamba 和 Mixture of Experts（MoE）整合为多任务分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度与通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；双向 Mamba 用于进一步提取 EEG 特征，旨在兼顾长序列处理的分类表现、推理速度与内存使用；任务感知 MoE 配置通用专家，以建模不同 EEG 任务之间的差异与共性。摘要未提供这些模块的具体结构、专家路由方式、损失函数或多任务训练流程，相关细节尚未验证。 作者报告在八个公开 EEG 数据集上开展评估，覆盖癫痫发作检测、情绪识别、睡眠分期分类和运动想象四类任务，并报告具有性能优势；但摘要未列出数据集名称、被试数、数据划分、对照基线或具体指标，因此尚不能判断优势对应被试内、跨被试、跨会话还是跨数据集协议，也不能将多任务学习直接等同于对未见任务的泛化。作者将其称为首个真正实现 EEG 多任务学习的通用分类网络，该优先性主张尚未检索确认。 复现时需核对不同任务是否联合训练、任务信息如何用于 MoE 路由、通道与长度适配的实现，以及各模块的消融结果；推理速度和内存优势还需结合硬件、输入长度及比较基线核验。实验协议、消融及统计信息尚未验证。材料仅表示代码计划近期发布，不能据此确认代码或预训练权重已公开。

    阅读价值：值得阅读的是 EEGMamba 将长度与通道适配、双向状态空间建模及任务感知专家机制组合用于 EEG 多任务分类，但其多任务训练协议、性能优势和计算效率仍需全文核对。

  2. OpenReview · EEG73

    面向时变脑网络的动态多通道 EEG 图建模

    基于摘要分析。该研究面向多通道 EEG 的癫痫发作检测与预测，提出动态图神经网络方法 EvoBrain，以刻画静态图方法难以表达的脑网络时变特征。其核心贡献是采用 time-then-graph 策略，并引入反映脑连接瞬态变化的动态图结构。 机制上，EvoBrain 先建模 EEG 信号与图的时间动态，再通过 GNN 学习随时间演化的空间 EEG 表征。该设计将时间建模置于图空间表征学习之前；摘要未说明图的构建依据、边权更新方式、时间编码模块、损失函数及训练细节，这些内容尚未验证。作者称提供了理论分析，证明 time-then-graph 相较其他策略具有表达能力优势，其成立条件与比较范围需查阅全文。 评估方面，摘要明确提到具有挑战性的早期癫痫发作预测任务。作者报告 EvoBrain 相较其所称的当前最优方法提升了 AUROC 与 F1，但未提供具体数值、数据集、被试数、预测时间窗、数据划分或对照方法名称，因此不能判断改进幅度，也不能确定结论适用于被试内、跨被试还是跨会话设置。实验协议、消融及统计信息尚未验证。 研究的直接价值在于探索癫痫相关 EEG 时变空间关系，而非已验证的通用 BCI 性能提升。作者将其描述为具有临床应用价值，但摘要不足以确认临床验证程度或部署可靠性。材料提供了源码地址；代码完整性、运行环境及结果可复现性尚未验证。阅读全文时宜重点核对动态图是否确实捕捉发作相关瞬态变化，以及其相对静态图和其他时间—空间建模策略的收益。

    阅读价值：值得阅读其 time-then-graph 动态 EEG 图建模机制及表达能力分析，但作者报告的早期癫痫发作预测优势仍需结合全文中的评估协议、基线与统计信息核对。

  3. OpenReview · EEG74

    Professor X：通过隐蔽且鲁棒的后门攻击操纵 EEG BCI

    基于摘要分析。本文研究 EEG BCI 的后门安全风险，提出 Professor X，旨在通过干净标签数据投毒操纵模型输出。作者将其与主要面向单一目标类别、需要介入目标 BCI 训练阶段或隐蔽性不足的既有攻击区分开来；这些对照判断及其适用范围尚需全文验证。 核心机制分为三个阶段：为每个类别选择一个触发器；针对每个触发器，利用强化学习学习注入电极与频率的策略；依据所学策略，对数据与触发器的频谱幅值进行线性插值，将对应触发器的频率成分注入各类别的投毒数据。该方法以电极和频率为攻击设计变量，直接利用 EEG 的多通道与频谱结构。摘要未说明触发器来源、强化学习的状态与奖励、插值强度、干净标签约束的具体实现，以及攻击者可访问或修改的数据范围；不能据此认定攻击完全不涉及目标模型的训练流程。 作者报告，在三种常见 EEG 任务的数据集上，Professor X 展现出有效性和鲁棒性，并能够绕过现有后门防御。摘要未给出任务与数据集名称、被试数、被试内或跨被试等评估协议、模型基线、攻击成功率、正常任务性能变化、隐蔽性度量或防御配置，因此无法量化效果或判断跨协议可比性。实验协议、消融及统计信息尚未验证。 复现时需重点核对多目标操纵的定义、投毒比例与访问权限、触发器在推理阶段的施加方式，以及鲁棒性和防御绕过的测试条件。摘要称代码将于近期发布，当前材料不能确认代码已公开。

    阅读价值：值得阅读的具体原因是其将逐类别触发器、强化学习选择电极与频率以及频谱幅值插值结合用于 EEG BCI 后门攻击，但攻击权限、隐蔽性和防御绕过效果仍需核对全文实验。

  4. OpenReview · EEG75

    EEG-ImageNet：具有多粒度标签图像视觉刺激的 EEG 数据集与基准

    基于摘要分析。研究针对 EEG 视觉感知解码中综合性数据集不足的问题，提出 EEG-ImageNet，并建立物体分类与图像重建基准；主要贡献是配对 EEG 与视觉刺激的数据资源及其多粒度标签，而非摘要中明确提出的新解码算法。 数据与任务：作者介绍，数据集记录了 16 名参与者观看来自 ImageNet 的 4000 张图像时的 EEG，并称 EEG–图像配对数量为现有基准的五倍，但摘要未明确比较对象及配对计数规则。摘要另写包含“40 张具有粗粒度标签的图像和 40 张具有细粒度标签的图像”；这一表述与 4000 张图像的组织关系尚不清楚，不能自行解释为 40 个粗粒度类别与 40 个细粒度类别，需核对全文或数据说明。 结果：作者报告，在该数据集上测试若干常用模型时，表现最好的模型在物体分类任务中取得约 60% 的 Accuracy，在图像重建任务中取得约 64% 的 two-way identification。后者是二选一识别评估结果，不能等同于分类 Accuracy 或整体重建质量。摘要未提供模型名称、训练与测试划分、被试内或跨被试协议、重建候选构造及结果不确定性，因此这些数字仅能作为当前摘要所述基准结果，不能直接与其他数据集或协议比较。 技术与复用边界：多粒度标签为比较不同语义层级的 EEG 视觉解码提供了数据条件，但其标签组织、采集通道、预处理、刺激时序、重复呈现与数据获取条件尚未验证。复用前应核对图像、试次和被试层面的划分，以及分类和重建评估的具体定义；实验协议、消融及统计信息尚未验证。作者提出该资源可能促进 EEG 视觉 BCI 和视觉感知研究，并启发机器视觉，但摘要结果不构成实际 BCI 系统效用或机器视觉改进的验证。

    阅读价值：EEG-ImageNet 提供多粒度视觉刺激标签及物体分类、图像重建基准，值得核对其数据划分与评估协议，以判断其对 EEG 视觉解码研究的复用价值。

9月26日周四
  1. OpenReview · EEG76

    用于高标签效率病理检测的 EEG-Language 预训练

    基于摘要分析。该研究面向临床 EEG 病理检测，探索临床报告与 EEG 联合预训练能否改善表征并降低下游标注需求。作者使用临床报告与 15000 份 EEG 训练 EEG-language models（ELMs），结合多模态对齐、时间序列裁剪与文本分段，并引入多实例学习以缓解无关 EEG 片段或文本片段造成的对齐问题。 核心机制是利用临床文本为 EEG 表征提供多模态信息。报告片段涵盖患者临床史、EEG 描述及医生解读；时间序列裁剪和文本分段支持片段级处理，多实例学习扩展则用于缓解片段之间的不相关匹配。具体编码器结构、对齐损失、多实例聚合方式及训练设置尚未验证。 作者报告，相比仅接触较窄范围临床文本的模型，使用更丰富报告片段的模型在根据报告检索 EEG 及根据 EEG 检索报告时具有更高 Accuracy。作者还报告，在少标注条件下，ELMs 在零样本分类和线性探测评估中可改善相对于 EEG-only 模型的病理检测表现，多实例学习进一步提升各项任务表现。摘要未提供具体分数、病理类别、数据划分或统计检验信息，因此这些结果不能用于定量比较不同方案。 该工作直接研究 EEG 与临床文本联合建模，但研究目标是临床病理检测，并非 BCI 控制或运动想象解码。复现与判断泛化能力时，需要核对 EEG 和报告的配对规则、被试及记录的划分单位、文本预处理、零样本分类定义、线性探测的标注预算与 EEG-only 对照设置。实验协议、消融及统计信息尚未验证；对其他 EEG 任务或 BCI 场景的有效性也尚未验证。

    阅读价值：值得阅读的具体原因是其将临床报告与 EEG 联合预训练，并以多实例学习处理片段间的不相关匹配，作者报告的少标注病理检测收益值得结合完整评估协议核对。