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。

355 条精选近 30 天 147 条共收录 589 条

更新

精选归档 · 第 17 页

1月1日周日第 321–340 条
  1. OpenReview · EEG73

    用于 EEG 情绪分类的连续标签标注

    基于摘要分析。本研究针对 EEG 情绪分类中“同一刺激材料对应的全部 EEG 样本被赋予同一离散标签”的常见做法，提出支持逐样本连续标注的系统，并构建连续标注的 EEG 情绪数据集，旨在更细致地描述刺激期间的情绪变化。 核心动机是：情绪随时间变化，按刺激统一赋标签可能产生不精确标注，进而影响监督分类。作者为每个样本赋予独立标签，但摘要未说明标签描述的情绪维度、获取方式、标注频率，以及与 EEG 的时间对齐和延迟处理；因此，不能将“连续标签”直接理解为特定的连续数值量表，也无法确认其监督信号可靠性。 作者报告，在自建连续标注数据集上，通过若干分类模型的实验展示了连续标注相对于离散标注的优势。摘要未提供模型名称、指标、分数、被试数量或被试内／跨被试等划分协议，优势幅度及其适用范围尚未验证。 作者进一步利用连续标签，在自建数据集和一个公开数据集中分析诱发与非诱发情绪下的 EEG 特征，并报告 EEG 特征与连续标签之间的关系具有可学习性和泛化性。公开数据集名称、两类情绪的操作性定义，以及泛化评估是否涉及跨被试或跨数据集，均未在摘要中明确。 复现需核对标注系统与数据是否可获得、连续标签如何用于分类、两种标签方案的对照是否使用一致的样本和划分，以及相邻时间样本的处理方式。实验协议、消融及统计信息尚未验证；当前材料支持其标注方法研究价值，但不足以确认具体模型性能或实际 aBCI 应用效果。

    阅读价值：值得阅读其逐样本连续情绪标注系统及与离散标注的对照，具体需核对标签获取方式、时间对齐和评估划分，以判断作者报告的分类优势及特征关联泛化是否成立。

  2. 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。

  3. 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。

  4. 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。

6月3日周五
  1. OpenReview · EEG70

    EEG-GCN：用于单视图与多视图 EEG 情绪识别的时空与自适应图卷积网络

    基于摘要分析。该研究针对 EEG 情绪识别中多通道特征的时空冗余及脑拓扑差异，提出 EEG-GCN，将时空注意力与自适应图卷积用于单视图和多视图情绪识别，并通过多视图方法整合不同 EEG 特征。 核心机制包含三个部分：时空注意力用于自适应捕捉重要时间片段与空间位置信息；自适应脑网络邻接矩阵用于量化通道间连接强度，表征不同情绪情境下的多样化激活模式；多视图方法用于融合不同 EEG 特征。摘要未说明具体特征类型、视图定义、邻接矩阵的学习方式、融合位置、损失函数或训练流程，这些实现细节尚未验证。这里的通道连接强度是模型表征，不能仅凭摘要将其解释为已验证的生理连接。 作者报告，在 SEED 和 DEAP 两个基准数据集上的实验中，所提方法在单视图与多视图条件下均优于其他代表性方法。摘要未提供具体指标、数值、对照方法或数据划分，因而无法判断该结论适用于被试内、跨被试还是其他评估协议，也不能据此认定其跨被试泛化能力。 复现时需核对 EEG 预处理与特征提取、图节点及邻接关系定义、各视图构造方式、训练与测试划分，以及时空注意力、自适应邻接矩阵和多视图融合的消融结果。实验协议、消融及统计信息尚未验证；目前证据支持的是作者报告的 EEG 情绪识别结果，不宜扩展为其他 BCI 任务上的已证实收益。

    阅读价值：值得阅读的具体原因是 EEG-GCN 将时空注意力、自适应通道邻接关系与多视图特征融合结合用于 EEG 情绪识别，可进一步核对各机制的独立贡献及其对不同评估划分的适用性。

1月1日周六
  1. OpenReview · EEG79

    凝胶式与干式多针 EEG 帽的多中心评估

    基于摘要分析。本研究考察干式多针 EEG 电极在不同环境和操作者条件下的性能可重复性与可推广性，并比较其与传统凝胶式 EEG 帽的采集效率和信号特征；主要贡献是将验证扩展到多中心、多操作者场景，而非提出新的 BCI 解码算法。 研究在 6 个国家开展，纳入 115 名志愿者，使用干式和凝胶式 EEG 帽采集电极—皮肤阻抗、静息态 EEG 及诱发活动。研究还考察操作者经验、准备时间和佩戴舒适度与 EEG 信号质量之间的关系。摘要未提供具体诱发任务、通道配置、采集顺序、各中心样本分布及舒适度结果，这些信息尚未验证。 作者报告，在上述多中心采集条件下，干式 EEG 帽的平均通道可靠性为 81%，平均阻抗高于凝胶式 EEG 帽，但准备时间相较凝胶式 EEG 帽减少 62%。作者报告，所评估的各项信号指标均未观察到两类 EEG 帽之间的统计学差异；摘要未列出指标定义、效应量或置信区间，因此不能把“未观察到统计学差异”直接解释为信号等效。作者据此认为干式多针电极的性能具有较高可重复性，且操作者技能与经验是影响通道可靠性和信号质量的主要因素；相关统计分析及因素控制方式尚未验证。 对 EEG 采集实践而言，该研究值得关注的具体问题是：准备时间的减少能否在通道可靠性可接受的前提下稳定实现，以及操作者培训是否影响部署质量。摘要没有报告 BCI 任务中的 Accuracy、ITR 或其他解码结果，不能将采集层面的结果外推为 BCI 性能提升。复现需核对电极与 EEG 帽规格、通道可靠性的判定标准、操作者经验分层、信号处理流程及多中心统计方案；实验协议、消融及统计信息尚未验证。

    阅读价值：该研究以多中心、多操作者条件比较干式与凝胶式 EEG 帽，为评估采集准备效率、通道可靠性及操作者经验对实际部署的影响提供了可核对的证据，但不能据此认定两者的 BCI 解码性能等效。

  2. OpenReview · EEG73

    MAtt：用于 EEG 解码的流形注意力网络

    基于摘要分析。该研究针对 EEG 解码中深度神经网络与几何学习结合不足的问题，提出流形注意力网络 MAtt，以黎曼对称正定（SPD）流形上的注意力机制刻画 EEG 时空表征，探索几何深度学习用于非侵入式 BCI 信号解码的路径。 核心机制是将时空表征及注意力建模置于 SPD 流形上，而非仅在普通欧氏空间中学习特征。摘要将几何学习对噪声 EEG 的鲁棒性作为研究动机，但未提供 EEG 如何构造成 SPD 表征、注意力权重如何计算、流形运算如何实现，以及损失函数、训练和推理流程；这些实现细节尚未验证。 作者报告，在时间同步与时间异步 EEG 数据集上的评估显示，MAtt 优于其他领先深度学习方法；但摘要未列出数据集名称、任务、被试数量、被试内或跨被试划分、对照模型、评价指标及具体数值，因此不能判断优势幅度或跨协议泛化能力。作者还报告，模型解释分析显示 MAtt 能捕获有信息量的 EEG 特征，并处理脑动态的非平稳性；该结论所依据的解释方法与非平稳性评估条件尚未验证。 复现时需优先核对 SPD 表征的构造与数值稳定性、流形注意力的具体定义，以及同步和异步数据的划分与基线设置。实验协议、消融及统计信息尚未验证，代码和运行条件也无法从现有摘要确认；目前不能将摘要中的一般 EEG 解码优势进一步认定为已验证的跨被试或跨会话效果。

    阅读价值：值得阅读的具体原因是其在 SPD 流形上构建注意力机制，将 EEG 时空表征与几何深度学习结合；作者报告的解码优势及非平稳性处理能力仍需结合完整实验协议核对。

  3. OpenReview · EEG72

    使用 EEG 量化 VR 晕动症

    基于摘要分析。本研究针对 VR 晕动症主要依赖定性问卷、难以交互式表征的问题，在参与者经历自运动知觉（vection）诱发的晕动不适时采集 EEG，并与基线比较。核心贡献是探索摇杆记录的参与者自报不适与 EEG 活动之间的关联，而非提出已验证的 BCI 解码算法或晕动症缓解系统。 方法上，作者通过摇杆运动记录参与者报告的晕动不适，并使用独立成分分析（ICA）区分与晕动症相关的信号及眨眼等其他来源。摘要未说明基线条件、EEG 采集配置、ICA 成分判定规则、频段特征计算方式，以及摇杆报告与 EEG 的时间对齐方法，这些复现条件尚未验证。 结果方面，在沉浸式虚拟环境的用户研究中，作者报告：跨参与者观察到与晕动症相关的 Delta（1.0–4.0 Hz）、Theta（4.0–7.0 Hz）和 Alpha（7.0–13.0 Hz）活动增加，且相关性较高并具有统计显著性。摘要未提供参与者人数、相关系数、显著性检验细节或效应量；这里的跨参与者观察不能等同于 Cross-subject 预测验证，也不能据此推断个体级监测准确率。 该研究支持的是主观不适与 EEG 活动之间的关联。作者将其定位为交互式表征和缓解 VR 晕动症的第一步，摘要并未报告在线预测或缓解干预效果。阅读全文时需核对视觉刺激、运动及眼动等因素的控制方式，以及相关关系在不同参与者和时间段中的稳定性；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的是作者将摇杆连续自报的 VR 晕动不适与 EEG 频段变化联系起来，为交互式不适监测提供了可核对的生理关联线索，但其预测能力与实时缓解效果尚未验证。

  4. 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。

  5. 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。

  6. OpenReview · EEG78

    用于 EEG 解码的深度黎曼网络

    基于摘要分析。本研究针对深度黎曼网络（Deep Riemannian Networks，DRNs）在 EEG 解码中的架构设计、端到端学习及内部数据变换问题，提出 EE(G)-SPDNet，并通过广泛的超参数分析探索深度学习与黎曼几何解码方法的结合。 方法与机制：研究重点包括网络规模、端到端学习能力及网络内部表示与传统 EEG 解码方式的关联。EE(G)-SPDNet 被描述为一种宽型、端到端 DRN，可直接从原始 EEG 学习任务相关信息，无需手工设计滤波器组。摘要未提供其具体层结构、黎曼几何运算、损失函数或训练配置，这些实现细节尚未验证。 实验与结果：作者报告，在五个公开 EEG 数据集上测试网络并与先进 ConvNets 比较，EE(G)-SPDNet 可以取得优于这些对照模型的解码表现。摘要未列出数据集名称、任务、被试数、被试内或跨被试等评估协议及具体指标，因此不能据此判断优势大小、适用任务或泛化范围。 滤波与表示分析：作者报告，模型使用了具有生理合理性的频率区域；端到端学习得到的滤波器比面向传统 alpha、beta、gamma 频段的带通滤波器更复杂，且通道特异性滤波可改善性能。这些观察支持进一步研究可学习滤波与空间通道差异的作用，但不能仅凭摘要将生理合理性等同于机制解释或跨场景鲁棒性。 局限与复现核对：作者的架构分析提示，网络可能未充分利用黎曼几何特有的信息，仍有改进空间。复现需核对各数据集的预处理与划分、ConvNet 基线配置、网络宽度与端到端训练的对照，以及通道特异性滤波的具体实现。实验协议、消融及统计信息尚未验证，代码可用性亦尚未确认。

    阅读价值：值得阅读的具体原因是其结合架构分析与滤波分析，考察端到端黎曼几何网络如何从原始 EEG 学习任务相关信息；摘要中的性能优势仍需结合具体数据划分、ConvNet 基线及统计结果核对。

  7. OpenReview · EEG72

    MAtt：用于 EEG 解码的流形注意力网络

    基于摘要分析。该研究针对深度神经网络与几何学习在 EEG 解码中结合不足的问题，提出流形注意力网络 mAtt，以流形注意力机制在黎曼对称正定（SPD）流形上刻画 EEG 的时空表征，探索几何深度学习用于非侵入式 BCI 信号解码的路径。 核心机制是将注意力与 SPD 流形表征相结合，而非仅在普通欧氏特征空间中学习。摘要强调时空表征在该流形上进行，但未提供 EEG 到 SPD 表征的构造方式、注意力计算形式、网络结构、损失函数或训练与推理流程，相关实现尚未验证。几何学习对噪声 EEG 的稳健性是论文提出的研究动机，不能据此直接认定 mAtt 已通过独立抗噪实验。 作者报告，在时间同步与时间异步 EEG 数据集上的评估表明，mAtt 相较其他领先深度学习方法具有解码优势；但摘要未列出数据集名称、任务、被试数、划分方式、基线名称或量化指标，因此无法判断优势的幅度及其适用的被试内、跨被试或跨会话条件。作者还报告，模型解释性分析显示 mAtt 能捕捉有信息量的 EEG 特征并处理脑动态的非平稳性；该结论的具体分析方法、证据及适用范围仍需核对。 复现时应重点确认 SPD 表征如何构造并保持正定性、流形注意力如何实现，以及同步与异步任务的评估协议；同时核对对照方法、预处理、消融和统计信息。这些内容尚未验证，当前材料不足以判断其在跨被试、跨会话或低信噪比条件下的泛化能力。

    阅读价值：值得阅读的是其将注意力机制与 SPD 流形上的 EEG 表征学习结合的具体路径，但作者所报告的解码优势及非平稳性处理能力仍需结合全文实验协议与解释性证据核对。

  8. 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。

  9. OpenReview · EEG71

    利用对抗学习整合多个 EEG 数据域

    基于摘要分析。研究针对 EEG 情绪识别中低信噪比、被试依赖及设备与实验设置差异导致的泛化问题，提出对抗推断方法，从多个数据源学习来源不变表征，以支持 EEG-based BCI 的多源学习。 核心思路是统一不同来源的 EEG 记录，在表征中抑制与数据来源相关的信息，同时保留情绪分类所需的信息。论文将被试、会话和实验设置视为可能的域差异来源，并将多源学习作为减少域校准需求的一条路径。摘要未披露对抗目标的具体形式、模型结构、训练流程及推理时是否需要目标域数据，不能据此将方法确定为域适应或域泛化协议。 作者使用的情绪识别数据集包括 SEED、SEED-IV、DEAP 和 DREAMER。作者报告，在整合这些来源的实验中，数据来源相关信息泄漏受到抑制，降幅为 35%，同时 EEG 情绪分类性能保持稳定。摘要未说明该降幅对应的泄漏测量指标、比较基线及计算方式，也未给出情绪分类指标或分数，因此不能将其解释为分类 Accuracy 提升，或跨数据集性能已经得到验证。 复现时需核对各数据集的情绪标签映射、通道与预处理对齐、被试及会话划分、来源信息评估方式，以及任务信息保留与来源信息抑制之间的权衡。尤其需要区分多源数据联合训练后的分类表现与对未见数据域的泛化表现。实验协议、消融及统计信息尚未验证；摘要也不足以判断该方法能否迁移至 MI、SSVEP 或其他 BCI 任务。

    阅读价值：值得阅读之处在于将多个 EEG 情绪识别数据集纳入多源对抗学习，并同时考察来源信息抑制与任务性能保留，但其对跨数据集泛化的实际收益仍需核对全文协议。

  10. OpenReview · EEG77

    基于正则化图神经网络的 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 情绪识别中通道拓扑利用不足的问题，提出正则化图神经网络 RGNN，以脑区间的生物学拓扑建模 EEG 通道的局部与全局关系，并通过两个正则化机制分别处理跨被试差异和标签噪声。 核心机制是用图神经网络中的邻接矩阵表示 EEG 通道间关系，其连接方式与稀疏性设计受到人脑组织相关神经科学理论启发。摘要未提供邻接矩阵的具体构造、是否可学习及图信息传播方式，这些实现细节尚未验证。两个正则化机制分别为 node-wise domain adversarial training（NodeDAT，节点级域对抗训练）与 emotion-aware distribution learning（EmotionDL，情绪感知分布学习）：前者用于应对跨被试 EEG 变化，后者用于处理噪声标签；具体损失形式、监督要求和训练流程需查阅全文。 作者报告，在公开数据集 SEED 与 SEED-IV 上，RGNN 在多数实验设置中优于所比较的当时先进模型，并且消融研究显示，所提出的邻接矩阵与两个正则化机制均带来一致且显著的性能收益。摘要没有提供具体指标、分数、被试数量、数据划分或各项对照配置，因此不能据此量化提升，也不能将不同实验设置视为同一协议。实验协议、消融及统计信息尚未验证。 作者还报告，通过对神经活动的分析识别了与 EEG 情绪识别有关的重要脑区和通道间关系；这些发现的解释方法及稳健性尚需全文核对，不宜直接视为因果证据。复现时应重点核对 EEG 特征与预处理、图连接及稀疏性设置、NodeDAT 与 EmotionDL 的实现和权重，以及被试内和跨被试评估的具体划分与标签使用规则。摘要未提供代码或运行环境信息。

    阅读价值：值得阅读的具体原因是 RGNN 将 EEG 通道拓扑建模、跨被试差异处理与标签噪声处理结合起来，作者报告相关模块的消融收益，但具体评估协议与统计证据仍需全文核对。

12月31日周五
  1. OpenReview · EEG70

    基于 EEG 的脑机接口鲁棒性研究

    基于摘要分析。本研究针对噪声与伪迹导致 EEG-BCI 性能下降的问题，在低信噪比（SNR）条件下向特定通道注入模拟噪声，系统考察机器学习与深度学习模型的运动想象（MI）分类鲁棒性，并探索通过改变激活函数改善抗噪表现。 作者报告，在所考察的模拟通道特异性噪声条件下，深度学习 MI 分类模型比传统机器学习模型更稳健；EEGNet 相较 Shallow ConvNet 和 FBCSP 对此类噪声更具鲁棒性。研究还识别出一组对噪声较敏感的通道，但摘要未给出通道名称、定位方法或跨被试一致性，相关信息尚未验证。这些结果针对特定模拟噪声条件，不能直接推广为对所有真实 EEG 伪迹的鲁棒性结论。 改进方法以饱和非线性激活为核心。作者报告，在 SNR 为 -18 dB 的模拟通道特异性噪声条件下，采用饱和非线性后，EEGNet 的分类 Accuracy 百分比降幅由 10.99% 降至 6.53%，Shallow ConvNet 由 14.05% 降至 3.57%。上述数值是准确率下降的百分比，并非最终 Accuracy，也不应改写为准确率提高的百分点；降幅的参照条件与计算公式尚需核对全文。 摘要未提供数据集、被试数量、被试内或跨被试划分、噪声分布与注入阶段、激活函数具体形式及训练设置，实验协议、消融及统计信息尚未验证。复现时需重点核对 SNR 定义与通道噪声幅度的标定、各模型的对照条件，以及饱和非线性对无噪声分类性能的影响。作者将该方案定位为初步解决办法，强调仍需更精确的方法提升 EEG-BCI 的鲁棒性与可用性。

    阅读价值：该研究通过通道特异性噪声比较 EEGNet、Shallow ConvNet 与 FBCSP 的运动想象分类鲁棒性，并提供饱和非线性激活的初步改进证据，值得复现其噪声注入协议与准确率下降的计算方式。

1月1日周五
  1. OpenReview · EEG76

    用于自动睡眠分期的自监督 EEG 表征学习

    基于摘要分析。本文研究如何利用大量无标签 EEG 学习可用于自动睡眠分期的向量表征，提出自监督模型 Contrast with the World Representation（ContraWR），目标是在减少标注依赖的同时获得具有预测能力且对噪声稳健的特征。原论文的主要研究对象是睡眠分期，而非 BCI 控制任务。 机制上，ContraWR 利用数据集的全局统计信息，帮助区分与不同睡眠阶段相关的信号。摘要未展开全局统计的计算与更新方式、对比目标、数据增强、编码器及下游训练流程，因此不能据此确定具体损失形式或网络结构。作者希望学习到的向量特征能够替代原始信号用于睡眠分期，并在少标签和噪声场景下优于监督学习。 作者报告，在涵盖居家与实验室记录场景的三个真实 EEG 数据集上，ContraWR 的睡眠分期表现优于四种近期自监督方法；在训练标注不足 2% 的示例条件下，相对监督学习取得原文所述“4% accuracy improvement”。摘要未明确该增益是相对百分比还是百分点，也未给出对应数据集、基线分数及划分方式，故不能进一步换算或跨协议比较。作者还报告二维投影呈现有信息的特征结构，并认为模型具有噪声鲁棒性，但可视化本身不能替代定量验证。 复现时需核对数据集名称、被试与记录划分、标注比例的抽样单位、预训练数据范围、全局统计是否仅由协议允许的数据计算，以及噪声类型、强度和评价指标。实验协议、消融及统计信息尚未验证。作者提出可扩展到其他无监督生理信号学习任务，但摘要未提供其他任务的验证结果。

    阅读价值：值得阅读的具体原因是 ContraWR 利用数据集全局统计学习无标签 EEG 表征，并报告了少标签睡眠分期收益；其统计构建方式、评估划分及噪声鲁棒性证据仍需全文核对。

  2. OpenReview · EEG76

    用于自动睡眠分期的自监督 EEG 表征学习

    基于摘要分析。本研究针对自动睡眠分期依赖精细 EEG 标注、海量无标注信号难以有效利用的问题，提出自监督表征学习方法 Contrast with the World Representation（ContraWR），目标是将原始 EEG 转换为可用于睡眠分期的向量特征，并改善少标签及噪声条件下的预测表现。 核心机制：摘要说明 ContraWR 利用数据集的全局统计来区分与不同睡眠阶段相关的信号，但未提供全局统计的计算方式、对比目标、损失函数、信号分段、数据增强或模型结构。这些细节尚未验证，也不能据此判断训练过程中如何使用睡眠阶段标签。 评估与结果：作者在三个真实 EEG 数据集上进行评估，覆盖居家与实验室记录场景，并报告 ContraWR 在睡眠分期任务中优于四种近期自监督方法。作者还报告，在标注数据占比低于 2% 的条件下，相较监督学习获得“4% accuracy improvement”；摘要未明确该数值是相对提升还是提高 4 个百分点，具体数据集、划分及监督基线也尚未验证。作者展示了二维投影中的表征结构，并认为方法具有噪声鲁棒性；投影结构本身不能替代下游预测或鲁棒性评估。 证据边界与复现条件：数据集名称、通道配置、被试数量、Within-subject 或 Cross-subject 协议、标注子集抽样方法、噪声类型及强度、消融与统计信息尚未验证。复现应优先核对全局统计的估计范围、预训练与下游评估的数据划分，以及自监督和监督基线是否采用一致的标注预算。 研究主要对象是 EEG 睡眠分期，并非 BCI 控制任务。作者提出向其他无监督生理信号学习任务推广，并将任务特定数据增强及自监督与监督方法结合列为未来方向；摘要未提供其他任务上的验证结果。

    阅读价值：值得阅读的是 ContraWR 利用数据集全局统计学习无标注 EEG 表征的机制，以及作者报告的少标签睡眠分期优势；具体对比协议与噪声鲁棒性证据尚需全文核对。

  3. OpenReview · EEG70

    用于 EEG-BCI 运动想象分类的 Sinc 卷积神经网络

    基于摘要分析。该研究针对运动想象 EEG 分类中常规 CNN 参数量较大、未显式学习频域特征的问题，提出轻量化架构 Sinc-EEGNet，将可学习带通滤波器与深度卷积滤波器结合，从原始 EEG 中联合学习特征与分类器。 机制与贡献：运动想象任务中的不同动作想象可通过 EEG 频带功率特征区分，本文将可学习带通滤波引入 CNN，使频率选择成为模型学习过程的一部分。其阅读价值在于把传统频带特征的领域先验与端到端学习结合；摘要将深度卷积作为架构组成部分，但未提供滤波器参数化细节、卷积层配置、参数量或训练损失，这些内容尚未验证。 结果与评估：作者报告，在公开的 BCI Competition IV Dataset 2a 上，Sinc-EEGNet 的分类 Accuracy 优于参考方法。摘要未给出具体数值、参考方法名称，以及被试内、跨被试或跨会话协议，因此尚不能量化提升幅度，也不能判断优势适用于哪些泛化条件。 复现与局限核对：需查阅全文确认数据划分、预处理、频带学习方式、训练设置及对照基线，并核对轻量化程度和各模块贡献。实验协议、消融及统计信息尚未验证；摘要也不足以判断其在低信噪比、小数据或跨被试条件下的稳定性。代码与完整复现条件尚未验证。

    阅读价值：值得阅读的具体原因是 Sinc-EEGNet 将可学习带通滤波与深度卷积结合，为运动想象 EEG 分类提供了兼顾频域特征学习与轻量化的明确设计路径，但其准确率优势及复现条件仍需全文核对。

  4. OpenReview · EEG74

    EEG 数据上的自监督学习

    基于摘要分析。该研究针对临床 EEG 标注依赖专业知识、耗费人工时间而无标签数据相对丰富的问题，采用对比式自监督学习提取 EEG 表征，并在基于 EEG 的睡眠分期和病理检测两个任务上评估其分类价值。 核心思路是先从无标签 EEG 中学习结构，再使用自监督学得的特征训练线性分类器，以减少下游任务对标签的依赖。摘要明确说明采用对比式方法，但未提供正负样本构造、信号窗口、数据增强、损失函数、编码器架构及预训练细节，这些机制尚未验证。 作者报告，在低标签数据条件下，基于自监督特征的线性分类器持续优于纯监督深度神经网络；在全部标签可用时，取得具有竞争力的表现。摘要未提供具体指标、数值、数据集、被试规模，也未说明采用被试内、跨被试或跨会话评估，因此不能据此判断收益幅度或泛化范围。“全部标签”仅指研究所用评估条件，不代表任意 EEG 任务上的充分监督效果。 该工作的直接证据限于睡眠分期和病理检测，不等同于已验证 BCI 解码收益。复现时需核对无标签预训练与下游评估的数据划分关系、标签预算设置、监督基线的训练配置，以及线性分类器的拟合方式。实验协议、消融及统计信息尚未验证，代码与数据可获取性也尚未验证。

    阅读价值：值得阅读的具体原因是作者报告对比式自监督 EEG 表征配合线性分类器在少标签条件下优于纯监督深度神经网络，可作为评估标签效率的研究参照，但具体划分、基线及统计信息尚未验证。