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。

270 条精选近 30 天 134 条共收录 426 条

更新

精选归档 · 第 13 页

1月1日周一第 241–260 条
  1. OpenReview · EEG79

    EEG-to-Text 模型真的有效吗？

    基于摘要分析。本文研究开放词汇 EEG-to-Text 翻译模型是否真正利用 EEG 信号，核心贡献是审视既有评估中的隐式 teacher-forcing，并引入纯噪声输入对照，以区分信号驱动的解码能力与训练数据记忆带来的表现。 评估机制：作者指出，既有研究在评估时经常使用隐式 teacher-forcing，可能使指标虚高。Teacher-forcing 通常指生成过程中提供真实目标文本的历史信息，而非完全依赖模型自身已生成的内容；但本文涉及的具体实现、受影响模型及评估流程，仍需全文核对。作者同时指出，既有评估缺少纯噪声输入这一关键对照，并提出用于判断模型是否真正从 EEG 中学习的方法。 主要发现：作者报告，在其分析条件下，模型使用噪声输入时的表现可与使用 EEG 输入时相当。摘要未提供数据集、被试数、被试内或跨被试划分、噪声构造方式、具体指标及数值，因此不能量化两者差距，也不能把该发现推广到所有 EEG-to-Text 模型。噪声与 EEG 表现相近提示需要核验模型对信号的依赖，但仅凭摘要不能确定其原因就是训练数据记忆。 阅读与复现重点：应核对推理时可获得的目标文本信息、数据划分、EEG 与噪声对照是否采用一致评估条件，以及结论在不同模型和指标下是否稳定。摘要提供了代码仓库，但代码完整性、运行环境、实验协议、消融及统计信息尚未验证。本文直接讨论 EEG-to-Text 的评估可靠性，不应将其解读为已经实现更有效的 EEG 通信系统。

    阅读价值：值得阅读的具体原因是其以评估阶段的隐式 teacher-forcing 和纯噪声输入对照，检验 EEG-to-Text 模型的生成表现是否真正依赖 EEG 信号，但具体实验协议与结论适用范围尚未验证。

  2. 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。

  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 · EEG72

    EEG 序列是时间序列吗？使用时间序列模型与被试联合训练进行 EEG 分类

    基于摘要分析。本文研究通用时间序列分类模型能否用于 EEG 分类，以及能否替代通常按被试分别训练的方式，通过一个联合模型处理多个被试。核心贡献是系统比较 EEG 专用模型与通用时间序列模型，并引入 subject embeddings 构建联合的 subject-conditional 分类器。 方法上，作者区分三种设置：subject-specific，即为每个被试训练独立模型；subject-agnostic，即不以被试身份为条件的模型；subject-conditional，即以被试信息为条件的模型。联合方案将时间序列模型与 subject embeddings 结合，在多个被试的数据上训练同一个分类器。摘要未说明 embeddings 的具体注入位置、网络结构、损失函数及推理时如何处理未见被试，这些细节尚未验证。 作者报告，在三个数据集的实验中，按被试分别训练的现成时间序列分类模型表现接近 EEG 专用模型，但仍未达到领域专用建模的性能。作者还报告，联合的 subject-conditional 模型在三个数据集中的两个上与 EEG 专用模型具有竞争力，并在其中一个数据集上超过所比较的全部 EEG 方法。摘要未提供数据集名称、分类任务、被试数量、评价指标或具体分数，因此这些结果仅能按上述实验背景理解，不能据此推断适用于所有 EEG 任务。 关键核对点是训练与测试是否包含相同被试、是否跨会话，以及被试身份在推理时是否可用。多被试联合训练不自动等同于 Cross-subject 泛化，也不能由摘要判断其对未见被试的有效性。复现需确认预处理、数据划分、基线配置、subject embeddings 的实现及新被试处理方式；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其对通用时间序列模型与 EEG 专用模型的系统比较，以及利用 subject embeddings 实现多被试联合训练的具体路径，但联合训练结果不能直接视为对未见被试的泛化证据。

  5. 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。

  6. OpenReview · EEG72

    面向运动想象 BCI 的快速多变量经验模态分解 EEG 节律分离与时频分析

    基于摘要分析。研究针对多变量经验模态分解（MEMD）及其噪声辅助版本（NA-MEMD）处理多通道运动想象 EEG 时的噪声鲁棒性与计算复杂度问题，考察快速多变量经验模态分解（FMEMD）及其噪声辅助版本（NA-FMEMD）的时频分析能力，并提出基于 FMEMD 的分类架构。 核心机制是利用 FMEMD 分解 EEG，再通过联合平均频率度量（joint average frequency measure）自动选择对应特定频带的固有模态函数（intrinsic mode functions），用于节律分离与后续分类。摘要未提供 FMEMD 的具体加速机制、频带设置、特征构造或分类器细节，NA-FMEMD 的噪声辅助配置也尚未验证。 作者报告，与 MEMD 在仿真数据和真实 EEG 上的比较表明，FMEMD 能更准确地估计 EEG 频率信息，并改善分解的抗噪性与计算效率。在 BCI Competition IV 数据集上，以 FMEMD 替换 MEMD 作为预处理算法，作者报告分类 Accuracy 提高“2.3%”；摘要未明确该数值是相对增幅还是百分点变化，也未明确此项比较对应的子数据集、数据划分及被试内或跨被试协议。作者另报告，在 Physiobank Motor/Mental Imagery dataset 和 BCI Competition IV Dataset 2a 上，FMEMD 分类架构取得与复杂算法相当的表现，但摘要未列出具体对照算法与分数，不能据此进行跨协议排名。 复现重点是确认节律选择规则、MEMD 与 FMEMD 是否使用一致的后续分类流程，以及抗噪评估条件和运行时间的测量环境。被试数、训练测试划分、实验协议、消融及统计信息尚未验证。作者认为该方法适合从小型基准数据集提取特征并缓解计算复杂度带来的维度约束；其在跨被试、跨会话及在线 BCI 中的适用性仍需进一步核对，不能由摘要中的基准结果直接推定。

    阅读价值：值得核对 FMEMD 在多通道运动想象 EEG 中的频率估计、抗噪性与计算效率，以及自动节律选择能否在一致分类协议下带来可复现的收益。

  7. OpenReview · EEG74

    面向可穿戴 BCI 低功耗实时 EEG 分类的优化 EEGNet 处理器

    基于摘要分析。该研究针对既有 EEGNet 处理器采用高精度定点数所带来的功耗和资源开销，提出低精度 EEGNet（LPEEGNet）处理器，通过算法量化与硬件架构协同优化，支持可穿戴 BCI 的低功耗实时 EEG 分类。 算法方面，作者通过低精度量化将 EEGNet 重构为 LPEEGNet；摘要未提供量化位宽、量化训练方式或各层精度配置。硬件方面，处理器采用数据驱动处理流程，以层融合构建异构流式架构，利用全局特征图存储改善访存效率，并结合层间并行与层内流水线提升推理效率。其可核对的技术重点是低精度计算、数据搬运与并行调度的联合设计，而不只是压缩模型。 作者报告，在 FPGA 实验中，相比摘要所称的最先进 EEGNet 处理器，该实现的功耗、LUT 利用量和推理延迟分别降低 52.6%、36.2% 和 25.8%；作者另报告，在一个 ERP 数据集上的 Accuracy 为 93.06%。摘要未明确数据集名称、被试数、被试内或跨被试评估协议、数据划分及对照处理器配置，因此这些结果只能在原文所述实验范围内理解，不能直接与其他协议下的分类结果比较。作者据此认为该处理器更适合可穿戴 BCI，但实际可穿戴系统中的收益仍需结合完整实验条件核对。 复现时需确认量化配置及精度变化、FPGA 型号与运行频率、功耗测量范围、延迟计量口径，以及对照实现是否采用可比的网络与硬件条件。实验协议、消融及统计信息尚未验证；摘要也不足以确认端到端在线 BCI 的实时性表现。

    阅读价值：该研究将 EEGNet 低精度量化与 FPGA 流式架构联合优化，值得核对其分类精度、功耗和延迟之间的权衡，尤其是量化配置与硬件对照条件。

12月31日周日
  1. OpenReview · EEG72

    基于频域深度学习的 EEG 多伪迹去噪

    基于摘要分析。该研究针对 EEG 中神经活动与眼动、肌肉等生理伪迹混杂的问题，提出在频域运行的深度学习去噪模型，利用噪声频谱特征先验自适应计算用于噪声分离的卷积滤波器。 机制方面，模型通过训练学习噪声及含噪信号的频谱特征与去噪非线性变换之间的经验关系。其值得关注之处在于将噪声的频谱知识用于滤波器适配，而不是仅将去噪描述为固定映射。摘要未说明频域表示方式、先验的具体形式、滤波器生成过程、损失函数或推理时所需的噪声信息，这些实现条件尚未验证。 作者报告，在 EEGdenoiseNet 数据集的评估中，该方法按时间域和频谱指标衡量的表现达到或超过基准模型，并能去除肌肉与眼动伪迹，无需针对特定伪迹类型进行训练。摘要未提供具体指标名称、数值、对照模型、训练与测试划分，也未明确该结论对应何种伪迹类型留出或混合设置，因此不能将其直接解释为已验证的跨被试、跨会话或未知伪迹泛化。 复现时需核对噪声频谱先验的获取方式、训练和推理的信息需求，以及“无需针对特定伪迹类型训练”的操作定义。实验协议、消融及统计信息尚未验证。该研究直接涉及 EEG 去噪，但摘要未提供下游 BCI 解码或临床诊断评估，因而去噪指标上的改善是否保留任务相关神经信息、是否带来下游性能提升，仍需验证。

    阅读价值：值得核对其利用噪声频谱先验自适应计算卷积滤波器的机制，以及作者报告的无需针对特定伪迹类型训练即可去除眼动与肌肉伪迹的评估条件。

11月1日周三
  1. OpenReview · EEG71

    面向低功耗 EEG 认知负荷分析：一种神经形态计算方法

    基于摘要分析。该研究面向可穿戴边缘设备上的实时 EEG 认知负荷评估，以脉冲神经网络和神经形态计算降低深度学习模型的内存、计算与能耗需求。作者设计了两种脉冲网络架构，并在公开认知负荷数据集 EEGMAT 和 STEW 上进行测试。 核心思路是利用脉冲神经网络支持低功耗推理，回应电池供电、低计算能力和低内存设备的部署约束。摘要未披露 EEG 到脉冲的编码方式、网络结构、训练方法、损失函数或推理硬件，因此尚不能判断资源节省分别来自哪些机制，也不能确认其是否已在实际可穿戴 EEG 设备上验证。 作者报告，在 EEGMAT 和 STEW 的测试中，未对 EEG 信号进行伪迹去除，分类准确率与已有方法相当；但摘要未给出具体 Accuracy、对照方法、被试数及被试内或跨被试划分。作者还报告，相对既有方案，模型内存需求约降低 8 倍、计算成本约降低 10³ 倍，每次推理能耗最高为 0.33 μJ。摘要另称神经形态计算范式有望带来至少 10⁴ 倍的能耗降低，但未说明这一表述与模型实测结果的关系，不能将其直接视为已验证的设备级节能效果。 复现时需核对两个数据集的任务标签、分窗与划分协议、对照基线、脉冲编码及训练配置，并确认资源统计是否计入信号处理、编码和数据传输，以及能耗来自硬件测量还是估算。未进行伪迹去除这一实验条件，也不能单独证明模型对伪迹具有鲁棒性。实验协议、消融及统计信息尚未验证；认知负荷分类结果亦不等同于完整 BCI 系统的在线有效性。

    阅读价值：值得核对其脉冲神经网络在 EEG 认知负荷评估中的精度与资源开销权衡，尤其是能耗测量或估算条件及其与可穿戴设备部署的对应关系。

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。

4月1日周六
  1. OpenReview · EEG73

    利用 EEG 通道间因果性识别发育性阅读障碍中的源端/汇端相位连接模式

    基于摘要分析。本研究面向发育性阅读障碍的脑连接分析，利用 EEG 通道间的相位 Granger 因果性刻画定向连接，并比较阅读障碍学习者与对照群体的连接模式。其主要贡献是分别分析通道作为源端、汇端及总体活动时的连接特征，用于分类与探索性分析，而非直接提出 BCI 控制或解码方法。 研究采用 4.8 Hz 的带限白噪声刺激，对应韵律—音节频率，通过通道间相位 Granger 因果性估计方向性关系。源端关注通道向其他通道输出的关系，汇端关注通道接收的关系；这种拆分有助于区分总体连接统计中可能混合的方向性差异。摘要未提供相位提取、Granger 估计及特征构造的具体实现，尚不能确认其统计假设与复现条件。这里的“因果性”应理解为 Granger 框架下的方向性预测关系，不宜直接等同于生理干预意义上的因果证据。 作者报告，在三个分析场景中均观察到右侧化 Theta 采样网络异常，与时间采样框架关于 Theta 和 Gamma 振荡差异的假设一致；该异常主要体现在通道作为汇端的关系中，相比仅分析总体活动更为显著。作者报告，在汇端场景下，Theta 和 Gamma 频段分类的 Accuracy 分别为 0.84 和 0.88，AUC 分别为 0.87 和 0.93。这些数值限于摘要所述的阅读障碍与对照分类任务；被试数量、数据划分、是否采用跨被试评估及对照基线均尚未验证，不能据此判断临床诊断或 BCI 应用效能。 复现时需核对刺激与 EEG 采集流程、频段定义、方向性连接估计、分类器及特征筛选方式，并确认统计显著性、多重比较处理和独立测试设置。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将 EEG 定向相位连接拆分为源端、汇端和总体活动，作者报告汇端分析更突出地呈现发育性阅读障碍的连接异常，但分类泛化能力仍需核对评估协议。

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日周日
  1. OpenReview · EEG70

    多重约束下的半监督 EEG 聚类

    基于摘要分析。本文研究有限先验知识条件下的 EEG 聚类问题，提出半监督图嵌入方法 ConsEEGc，利用多重约束组织 EEG 样本的聚类结构。研究背景是 EEG 应用中标签不完整、标签错误或样本未标注可能影响依赖标签的监督方法；本文的主要任务是聚类，而非直接验证 BCI 在线分类性能。 核心机制包含三类约束：label-transformed connectivity constraints 将标签信息转化为 EEG 样本间的连接或断开约束；compactness-and-scatter constraint 约束簇内紧凑性与簇间分散性；fairness constraint 约束不同簇之间元素数量的比例。这里的 fairness 指簇间比例约束，不能据此解释为人口群体公平性。优化目标联合伪标签学习、最小二乘误差最小化及上述约束；作者报告该优化能够快速收敛到局部最优，但摘要未提供目标函数的具体形式、更新步骤或收敛条件。 作者报告，在多种真实 EEG 数据集上，ConsEEGc 相较先进的标准无监督与半监督 EEG／时间序列聚类算法，可高效获得良好的聚类结果。摘要未列出数据集名称、被试数、标签先验比例、被试内或跨被试等评估协议、具体基线及聚类指标，因此无法判断提升幅度或跨协议泛化能力；实验协议、消融及统计信息尚未验证。 复现时需核对 EEG 特征与图构建方式、标签到连接约束的转换规则、伪标签更新流程、各约束权重及簇间比例的设定依据。尤其需确认错误标签是否被单独评估，以及比例约束在真实类别不均衡时的影响。摘要中的聚类结果不能直接外推为运动想象、SSVEP 或其他 BCI 任务的分类收益。

    阅读价值：值得阅读的具体原因是 ConsEEGc 将有限标签先验转化为图连接约束，并联合簇结构与簇间比例约束处理 EEG 半监督聚类；其对错误标签及真实类别不均衡的适用性仍需结合全文验证。

  2. OpenReview · EEG72

    脑信号能否揭示与人类语言的内在对齐？

    基于摘要分析。该研究探讨 EEG 与人类语言之间的关系及依赖，提出 MTAM（Multimodal Transformer Alignment Model），在表征层面对齐两种模态，并通过 sentiment analysis 和 relation detection 检验对齐表征的下游价值。 机制方面，作者将 Canonical Correlation Analysis 与 Wasserstein Distance 等关系对齐技术用作损失函数，以变换特征并学习 EEG 与语言的协调表征。摘要未说明这些目标的具体组合、权重、模态编码方式，以及训练和推理阶段各自需要哪些输入，因此尚不能确定其收益来自何种对齐机制，也不能将结果解释为仅凭 EEG 即可解码语言。 结果方面，作者报告在 ZuCo 与 K-EmoCon 两个数据集上取得新的 SOTA：sentiment analysis 的 F1-score 在 K-EmoCon 上提升 1.7%，在 ZuCo 上提升 9.3%；relation detection 的 F1-score 在 ZuCo 上提升 7.4%。这些数值沿用摘要表述，相对提升还是绝对百分点提升尚未验证；对应基线、F1 汇总方式及被试内、跨被试或其他数据划分协议也尚未验证，不能据此直接比较不同任务或数据集的效果。 作者还通过特征分布、对齐权重和脑地形图解释性能改善，分别讨论模态关系的编码、语言语义与 EEG 频率特征的影响，以及脑区连接的可视化。上述内容属于作者提供的解释；仅凭摘要无法确认其是否支持独立的神经机制结论，脑地形图也不能单独证明功能连接。 摘要提供了代码仓库，具备进一步核对实现的入口，但代码可用性、数据预处理、同步与配对方式、实验协议、消融及统计信息尚未验证。复现时应优先核对语言单模态、EEG 单模态与多模态对齐模型的对照，以及训练测试划分和推理输入条件，以判断对齐模块的独立贡献。现有证据支持 EEG—语言多模态任务研究，尚不能外推为通用 BCI 解码能力。

    阅读价值：值得核对 MTAM 如何以 Canonical Correlation Analysis 与 Wasserstein Distance 对齐 EEG 和语言表征，以及这种对齐在不同数据划分下是否稳定改善下游任务。

  3. OpenReview · EEG74

    EEG Conformer：用于 EEG 解码与可视化的卷积 Transformer

    基于摘要分析。该研究针对 EEG 解码中 CNN 感受野有限、可能难以捕获长期依赖的问题，提出紧凑的 EEG Conformer，将局部特征提取与全局关联建模整合到统一的 EEG 分类框架，并提供脑地形图可视化策略。 核心机制是先通过一维时间卷积和空间卷积学习低层局部特征，再直接连接自注意力模块，提取局部时间特征之间的全局关联，最后使用基于全连接层的分类器预测 EEG 类别。其方法价值在于将卷积与自注意力作为互补模块，而非单独依赖局部卷积；具体网络深度、参数量、损失函数、训练配置与推理成本尚未验证。 可视化方面，作者将类激活映射投影到脑地形图，以增强分类结果的可解释性。摘要未提供该投影的具体计算流程或解释性验证结果，因此不能据此认定可视化已经揭示了可靠的神经生理机制。 作者报告，在涵盖 EEG 运动想象与情绪识别范式的三个公开数据集上，方法取得了当时的 state-of-the-art 性能，并提出其有潜力成为通用 EEG 解码的新基线。摘要未列出数据集名称、被试数量、数据划分、被试内或跨被试等评估协议、对照方法与具体指标，故目前无法核对性能提升的幅度或跨协议可比性；实验协议、消融及统计信息尚未验证。 作者说明代码已公开，可作为复现入口。复现时需结合全文与实现核对 EEG 预处理、输入窗口、卷积和注意力配置、训练策略及评估划分，并分别检验全局关联模块的增益与脑地形图可视化的稳定性。摘要尚不足以确定其跨被试、跨会话泛化能力。

    阅读价值：值得核对其局部卷积特征与全局自注意力的组合机制，以及类激活映射到脑地形图的可视化策略；摘要提供了公开代码入口，但性能优势及解释性仍需结合完整实验协议验证。

  4. OpenReview · EEG72

    使用 Transfer Euclidean Alignment 减少人类与小鼠创伤性脑损伤 EEG 的种内与种间协变量偏移

    基于摘要分析。研究针对睡眠 EEG 在不同被试及数据集间变异较大、优质人类生物医学数据有限的问题，提出迁移学习方法 Transfer Euclidean Alignment，并在人类与小鼠的创伤性脑损伤（TBI）有无二分类任务中评估其作用。主要研究对象是 TBI 相关 EEG 分类，而非 BCI 控制或意图解码。 方法与评估：作者将该方法用于多种基于规则的经典机器学习模型以及基于 EEGNet 的深度学习模型，考察不同数据集之间的种内和种间迁移。摘要没有提供对齐变换的具体定义、参考统计量的估计方式、标签需求或训练与推理流程，因此无法确认其相对于常规 Euclidean Alignment 的技术差异。 结果：作者报告，在所评估的 TBI 二分类数据集上，种内数据集的平均提升为 14.42%，种间数据集为 5.53%。摘要未说明这些百分数对应的评价指标、相对增幅还是百分点变化，也未给出对照基线、数据划分及平均方式，不能将其直接解读为 Accuracy 的百分点提升，或比较两类迁移的难度。 局限与复现核对：数据集名称、被试及动物数量、睡眠阶段、通道配置、预处理、被试独立性、模型训练设置、消融及统计信息尚未验证。复现时应重点核对源域与目标域的构成、对齐统计量使用的数据范围，以及人类与小鼠记录之间的特征对应关系。 平台推测（待验证）：若该方法确实通过 EEG 统计量对齐减少域差异，其机制可能用于缓解 BCI 的跨被试或跨会话偏移，但原任务效果不等于 BCI 有效性。需根据正文确认可复用的对齐模块，并适配通道与特征定义；低信噪比、小样本统计估计及任务相关差异可能导致失效。一个可检验的小实验是在固定跨被试 EEG 分类划分下，对比无对齐、常规 Euclidean Alignment 与该方法，保持分类器和目标域数据使用条件一致。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 Transfer Euclidean Alignment 在人类与小鼠睡眠 EEG 的 TBI 二分类中如何缓解种内与种间协变量偏移，但摘要中的提升未明确指标与划分协议，不能据此认定其对 BCI 任务有效。

  5. OpenReview · EEG70

    基于 EEG 双重对比学习的认知障碍诊断消歧

    基于摘要分析。该研究针对 EEG 认知障碍诊断中标签有限、稀疏且模糊的问题，提出弱监督学习框架，尝试在标签不完全可靠的条件下识别轻度认知障碍（MCI）、可能的阿尔茨海默病（AD）与正常衰老模式。核心贡献是结合双重对比学习与多层级时域–频域 EEG 编码器，学习与认知障碍相关的表征并更新模糊标签。 机制方面，编码器将 EEG 信号转换为嵌入表示，框架通过被试内和跨被试对比学习自动更新模糊标签。摘要未说明对比样本如何构造、标签更新的依据与时机、损失函数及训练流程；因此尚不能判断其如何避免将初始标签偏差强化到表征中。这里的被试内与跨被试描述的是对比学习机制，不能据此推断评估采用了被试内或跨被试划分。 作者报告在 54 名被试上验证了方法，MCI、可能的 AD 与正常衰老三组各 18 名。摘要未提供具体指标、对照基线或数据划分，因而无法量化其相对全监督学习的收益，也不能确认对未见被试的泛化能力。作者认为该方法为非理想数据来源下的认知障碍推断提供了新思路，但这不等同于已验证的临床诊断效益。 复现时需核对 EEG 采集与预处理、诊断标签来源及不确定性定义、被试级训练与测试划分、模糊标签更新是否仅作用于训练数据，以及各组成模块的贡献。实验协议、消融及统计信息尚未验证；代码与数据可用性也尚未验证。

    阅读价值：值得核对其如何通过被试内与跨被试对比学习更新模糊诊断标签，以及标签更新是否改善独立评估中的分类表现；摘要尚不足以确认其诊断效益。

  6. OpenReview · EEG71

    EEG 运动想象解码：基于通道注意力机制的比较分析框架

    基于摘要分析。该研究面向 BCI 中的 EEG 运动想象解码，构建可统一集成多种通道注意力机制的轻量架构，以比较这些机制对解码性能及计算开销的影响。核心贡献是提供共同的比较框架，而非仅在复杂架构中评估一种注意力机制。 作者将通道注意力视为传统运动想象空间滤波方法的一种演进，并强调基线结构简洁、不同注意力模块易于接入。该设计有助于在相同框架条件下考察模块收益；但摘要未说明具体注意力方法、作用于原始 EEG 通道还是中间特征通道，以及网络结构、损失与训练设置，这些细节尚未验证。 作者报告在四个数据集上开展实验，框架表现出较好的有效性与跨数据集适用性，通道注意力能够在维持较小内存占用和较低计算复杂度的同时改善性能。摘要未提供数据集名称、被试数量、指标数值、计算开销测量或数据划分，因此不能量化增益，也不能把多个数据集上的有效性直接视为 Cross-dataset 迁移验证。 复现时值得核对统一基线下各注意力模块的训练与调参条件、被试内或跨被试等评估协议，以及性能增益与参数量、内存和计算成本之间的关系。实验协议、消融及统计信息尚未验证；代码与复现资源也需由全文或来源记录确认。

    阅读价值：值得阅读的具体原因是将多种通道注意力机制置于统一轻量基线中比较，有助于核对注意力本身的收益与计算开销，而非将复杂架构的整体增益归因于单一模块。