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。

756 条精选近 30 天 181 条共收录 1,541 条

更新

精选归档 · 第 38 页

12月31日周一第 741–756 条
  1. OpenReview · EEG72

    利用 NIRS 预测基于 EEG 的 BCI 性能

    基于摘要分析。该研究关注感觉运动型 BCI 中 EEG 控制性能的波动，分析了 14 名被试的 EEG 与近红外光谱（NIRS）多模态记录，并将先行 NIRS 活动用于预测 EEG-based BCI 性能，进而构建更稳健的 EEG 分类器。 核心思路不是单纯将两种模态合并用于分类，而是利用 NIRS 对后续 EEG 控制性能的预测，为 EEG 分类器的构建提供信息。摘要未说明性能预测的目标变量、NIRS 与 EEG 的时间间隔、特征提取方式、预测模型，以及预测结果如何具体影响分类器训练或推理；这些机制细节尚未验证。摘要也未明确感觉运动任务是否为运动想象，不能据此将其限定为 MI 研究。 作者报告，在这 14 名被试的多模态记录分析中，先行 NIRS 活动能够预测 EEG-based BCI 控制性能的波动；利用这些预测构建的分类器显著改善了分类表现，同时减少性能波动、提高总体稳定性。摘要未提供具体指标、改善幅度、对照分类器或统计检验信息，也未说明采用被试内、跨被试还是跨会话评估，因此无法判断效果的适用范围或与其他研究直接比较。 复现时需核对多模态同步与时间窗口、预测信息在实际使用时是否已可获得、分类器更新流程，以及性能预测和分类评估的数据划分。全文、实验协议、消融及统计信息尚未验证，代码和数据可用性亦未由所给材料确认。

    阅读价值：值得核对其如何利用先行 NIRS 活动预测 EEG 分类性能波动并据此构建更稳健的分类器，但预测时序、评估划分及改善幅度尚未验证。

1月1日周日
  1. OpenReview · EEG71

    心理意象任务中 EEG 复数频谱的时变高斯模型

    基于摘要分析。本文研究心理意象任务中 EEG 复数频谱的统计特性，提出时变非圆对称高斯模型，以描述功率谱密度不能完整表达的复数谱信息。作者报告，该模型的均值随时间保持恒定，而方差与伪方差遵循自回归条件异方差（ARCH）模型，并通过统计检验验证模型有效性。 核心机制是保留频谱的复数表示，而非仅使用功率谱密度，从而能够表征与相位相关的信息。非圆对称建模引入伪方差这一复数统计量，与方差共同刻画二阶统计特性；ARCH 则用于描述这些统计量随时间变化的条件异方差结构。摘要将研究动机归于既有神经科学发现及作者此前工作，但未提供具体模型方程、参数估计方法或统计检验细节。 该工作的直接贡献是 EEG 频谱统计建模，而非已验证的分类算法。心理意象任务的具体类别尚未说明，不能直接等同于运动想象（MI）。数据集、被试数量、频谱估计方式、时间窗设置、检验类型及结果数值均尚未验证；摘要也未提供被试内、跨被试或跨会话解码协议，因此不能据此判断相对功率谱特征的分类增益。 复现时需核对非圆对称性与 ARCH 假设的检验条件、方差和伪方差的参数约束，以及模型在不同被试和任务条件下的适用范围。若进一步用于 BCI 解码，模型拟合有效性与任务判别有效性应分别评估，不能将前者直接视为后者的证据。实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体价值在于对 EEG 复数频谱的相位信息与时变二阶统计进行显式建模，但其对 BCI 任务解码的实际收益尚未验证。

  2. OpenReview · EEG70

    利用优化频带中的 EEG 同步性度量诊断阿尔茨海默病

    基于摘要分析。该研究针对阿尔茨海默病（AD）的 EEG 辅助诊断，考察频带选择是否能提高同步性特征的判别能力；核心贡献是比较不同同步性度量，并在所用数据集中识别出具有较好诊断表现的窄频带，而非提出 BCI 控制或解码方法。 方法上，作者使用 Mann–Whitney U 检验评估包括相关性、相位同步性和 Granger 因果性在内的多种度量，再将这些度量作为特征输入线性判别分析（LDA）。分析重点是同步性特征的频率依赖性，以及优化频带相对于经典频带划分的诊断价值。 作者报告，在当前数据集中，5–6 Hz 的诊断 Accuracy 最佳，该范围位于经典 theta 频带（4–8 Hz）内；采用 Granger 因果性度量 directed transfer function（DTF）时，对应分类错误率为 4.88%。摘要未提供被试数量、数据划分、频带选择与分类评估是否独立，以及被试内或跨被试验证协议，因此该数字只能视为所用数据集及未明确协议下的结果，不能直接解释为临床泛化性能。 作者还报告，AD 患者在优化后的 5–6 Hz 范围内表现出高于健康受试者的 EEG 同步性，与许多既往研究报告的同步性降低形成对照。这提示同步性结论可能依赖所分析频带，但不能据此认定既往结论被推翻，也不能将统计关联解释为 AD 的因果机制。 作者明确指出，需要在更大的 AD 数据集上进一步检验方法有效性。复现时应核对 EEG 采集与预处理、同步性及 DTF 的计算设置、频带搜索范围、特征选择与验证划分的关系，以及分类错误率的计算方式；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其频带优化与分类验证协议：作者报告的 5–6 Hz 同步性增强与既往 AD EEG 同步性降低的结论形成对照，但诊断效果仍需更大数据集验证。

  3. OpenReview · EEG78

    清醒与 NREM 睡眠的 EEG 微状态

    基于摘要分析。该研究考察清醒静息与不同 NREM 睡眠阶段的 EEG 微状态是否发生变化，通过聚类提取准稳定的头皮电位拓扑图，再将其回配至已完成睡眠分期的 EEG，比较空间模式及时间动力学。 研究分析了 32 名被试的 32 通道 EEG，覆盖放松清醒与 NREM 睡眠。作者报告，全部 32 名被试达到 N2，其中 19 名也达到 N3，相关阶段持续至少 1 分 45 秒。方法以各警觉状态中占主导的幅度拓扑图为聚类对象，通过回配获得每个睡眠阶段的微状态序列；比较指标包括平均持续时间、总时间覆盖、全局解释方差及转移概率。聚类算法细节、类别数选择标准、预处理与回配规则尚未验证。 作者报告，各 NREM 睡眠阶段均以四类微状态为最优，与清醒静息常见的 A、B、C、D 类别数一致。以阶段特异性拓扑图与清醒拓扑图的平均空间相关性衡量，N1 为 92%、N3 为 87%，N2 最低，为 83%；这些数值不是分类 Accuracy。清醒与 N1 的时间特征较为接近；清醒、N1 和 N3 中，微状态 C 在全局解释方差和时间占比方面占主导，而 N2 中微状态 B 最突出。作者报告，N3 中所有微状态的平均持续时间显著增加，自转移概率也升高；慢波的出现只能部分解释这一持续时间变化。具体效应量、统计检验及慢波分析协议尚未验证。 作者据此提出，从清醒静息到 NREM 睡眠，大尺度空间组织可能基本保留，深睡眠中的功能变化可能更多与该组织内活动水平和时间安排的改变有关。这是作者的解释与推测，不能等同于已证明微状态与 fMRI 静息态网络一一对应，也不能据此认定其具有睡眠分期或 BCI 解码效能。复现时需核对各阶段数据量、跨阶段类别匹配、个体与组水平聚类方式，以及持续时间变化的统计控制；实验协议、消融及统计信息尚未验证。

    阅读价值：该研究提供了清醒与不同 NREM 睡眠阶段的 EEG 微状态空间拓扑及时间动力学对照，值得核对其聚类与统计协议，以评估微状态作为警觉状态表征的适用边界。

  4. OpenReview · EEG74

    基于三维分解的多通道 EEG 压缩

    基于摘要分析。本文研究多通道 EEG 的压缩，将信号表示为三阶张量（或三维体数据），以利用空间与时间相关性，并提出可控制最大重建误差的两阶段编码框架。 核心机制：第一阶段比较三类编码方案，即基于小波的体数据编码、基于能量的小波子带无损压缩，以及基于张量分解的编码；第二阶段对残差进行量化与编码。残差处理使压缩过程能够控制最大误差，即最坏情况失真。摘要未说明张量各维度的具体组织方式、所用张量分解类型、量化规则或误差控制参数，这些实现细节尚未验证。 结果与对照：作者报告，在一个标准 EEG 数据集上的数值实验中，张量编码相较小波方案和基于能量的方案取得更低的最坏情况误差，平均误差则相当。摘要未提供数据集名称、被试数、数据划分、压缩率、误差指标定义及具体数值，因此无法判断这一优势对应何种压缩条件，也不能将其视为对其他数据或协议的普遍结论。实验协议、消融及统计信息尚未验证。 阅读与复现关注点：需从全文核对张量构造、各方案的编码与解码步骤，以及比较时压缩率和误差约束是否对应相同条件。该研究的直接贡献是 EEG 信号压缩，而非 BCI 解码方法；压缩后的任务相关信号是否保留、对下游 BCI 性能有何影响，摘要未提供证据。复现还需确认数据获取方式、参数设置与代码可用性。

    阅读价值：值得阅读的具体原因是其将多通道 EEG 的张量表示与残差编码结合以控制最大重建误差，作者报告张量编码相较两类对照方案具有更低的最坏情况误差，但具体实验协议及下游信号保真度尚未验证。

1月1日周六
  1. OpenReview · EEG71

    心理想象任务中复值 EEG 频谱的统计表征

    基于摘要分析。该研究针对心理想象任务中的 EEG 复值频谱，提出一般的非圆对称多元高斯模型，以在可解析的统计框架中同时表征频谱功率与相位信息。主要贡献是拓展以功率谱为对象的统计建模，而非提出已验证的 BCI 分类算法。 核心机制：摘要指出，既有研究考察了 EEG 功率谱的不同统计模型，而相位也可能携带与脑活动有关的信息。本文因此直接建模复值频谱，并允许其分布具有非圆对称性。摘要未提供模型参数化、估计方法、频率维度组织方式或预处理流程，相关实现细节尚未验证。标题中的 mental imagery 指心理想象，不能据此限定为运动想象（MI）。 证据与局限：作者报告，使用标准统计检验验证了该模型对 EEG 数据的适用性；摘要未给出检验名称、数据集、被试数、任务设置、统计量或显著性水平。该结果支持的是分布模型的适用性，不能直接视为分类性能或在线 BCI 效果的证据。实验协议、消融及统计信息尚未验证。 复现时需核对复值频谱的计算与归一化方式、非圆对称性的检验及参数估计方法，以及模型适用性在不同被试和任务条件下是否稳定。若进一步用于任务识别，保留相位能否带来独立于功率信息的收益，仍需在明确的数据划分和对照基线下验证。

    阅读价值：值得阅读的具体原因是该研究将 EEG 频谱建模从功率扩展到同时保留功率与相位的复值统计表示；作者报告模型通过标准统计检验，但其对任务识别的收益尚未验证。

  2. OpenReview · EEG71

    EEG 无损压缩的二维方法

    基于摘要分析。本文研究 EEG 信号的无损压缩，通过将信号重排为二维矩阵，再结合二维编码与残差编码，利用信号中的相关结构提高压缩效率；研究对象是 EEG 数据存储与编码，而非 BCI 任务识别。 核心方法包含计算上较简单的二维预处理，以及由 SPIHT 有损编码层和算术编码残差层组成的两阶段编码器。其无损性依赖残差层补偿有损层带来的重建误差，不能将整个方法误解为有损 EEG 压缩。作者称编码器经过优化，以利用信源记忆性和残差的独立同分布（i.i.d.）特性；矩阵排列规则、残差定义及具体优化方式尚未验证。 作者在 University of Bonn database 和 Physiobank Motor/Mental Imagery database 上测试，并与 JPEG2000、基于预测编码的 shorten、简单熵编码及标准向量式压缩方案比较。作者报告，二维方案获得更高的无损压缩性能，预处理带来 6% 的改善，两阶段编码器进一步带来 3% 的改善。摘要未明确这两个增幅对应的压缩指标、计算口径和具体参照条件，因此不应将其解释为百分点、绝对压缩率或跨数据库一致的收益，也不能与其他协议下的结果直接比较。 该方法的直接价值在于 EEG 无损存储链路。复现需核对原始数据精度、二维矩阵构造方式、编码参数、残差处理、码流开销及逐样本无损还原条件，并结合运行时间与内存占用判断实用性。实验协议、消融及统计信息尚未验证；摘要不能支持对实时传输、多通道部署或 BCI 解码性能改善的结论。

    阅读价值：值得阅读其二维重排与 SPIHT—残差算术编码组合如何实现 EEG 无损压缩，但摘要中的压缩性能增幅仍需结合指标定义、基线和计算开销核对。

  3. OpenReview · EEG72

    利用发作间期颅内 EEG 定位癫痫灶的图模型

    基于摘要分析。该研究针对能否利用非发作期、即发作间期 iEEG 定位致痫网络的问题，提出结合频谱与多变量统计的决策算法，以自动划定癫痫发作起始区域。研究主要面向癫痫灶定位，而非 BCI 控制或通信任务。 方法上，作者在决策理论框架内整合上述统计信息，并针对记录类型采用不同算法：深部记录使用标准二分类算法，包括线性与二次判别分析；表面记录使用作者提出的基于图模型的决策算法。摘要未说明图的节点、边及其统计含义，也未给出特征构建、参数估计或推断流程，因此尚不能判断图模型如何利用电极间关系完成定位。 数据方面，深部记录来自 5 名患者，表面记录来自 6 名患者。作者报告，两类记录的算法结果均与临床医生依据发作期 EEG 判定的癫痫灶具有较好一致性。摘要未提供定量指标、训练与测试划分或被试内、跨被试评估方式，不能据此量化定位性能或泛化能力；实验协议、消融及统计信息尚未验证。 作者提出，该方法不依赖发作期 EEG，长期可能缩短难治性癫痫患者的住院时间；这是潜在临床价值，而非摘要已验证的住院时长改善。复现时需从全文核对电极覆盖、发作间期片段选择、定位标签与临床参照的定义，以及不同记录类型的特征和决策流程。现有材料不足以将其进一步解释为已验证的 BCI 算法效果。

    阅读价值：值得阅读的具体原因是将发作间期 iEEG 的频谱与多变量统计用于癫痫灶定位，并分别考察深部与表面记录；其与临床发作期 EEG 判定的一致性仍需结合全文中的评估协议和定量结果核对。

  4. OpenReview · EEG72

    利用同步 fMRI 与 Relevance Vector Machine 回归预测 EEG 单试次响应

    基于摘要分析。研究关注同步 EEG-fMRI 中能否利用一种模态的信息预测另一种模态的信号，采用多变量 Relevance Vector Machine（RVM）回归学习 fMRI 激活模式与 EEG 响应之间的关系，探索将空间分布的 fMRI 活动与特定 EEG 成分关联的方法。 研究任务包含听觉提示、视觉心理想象和视觉控制目标；这里的视觉心理想象不应等同于运动想象（MI）。方法以 fMRI 激活模式作为预测信息，以同步采集的 EEG 响应作为预测对象。摘要涉及诱发响应及诱导性振荡响应，但未给出特征构造、具体预测时间窗、RVM 配置或训练与测试划分。 作者报告，多变量回归能够从 fMRI 时间序列预测上述 EEG 响应，但预测结果在很大程度上受到血流动力学响应函数整体滤波效应的影响。对听觉诱发响应的进一步分析显示，单试次调制存在较小但具有统计显著性的贡献，可用于关联空间分布的 fMRI 激活模式与同步 EEG 的特定成分。摘要未提供效应量、预测指标或显著性检验细节，因此不能据此量化预测性能，也不能将其解释为已实现任意 EEG 波形重建。 这项工作的直接贡献是多模态脑信号耦合分析，而非已验证的 BCI 解码系统。复现时需核对同步采集与伪迹处理、血流动力学建模、试次对齐、预测目标定义及训练与测试划分，并确认如何区分整体滤波效应与单试次调制的贡献。被试数量、实验协议、消融及统计信息尚未验证；摘要也不足以判断跨被试或跨会话泛化能力。

    阅读价值：该研究值得阅读的具体原因是用 RVM 回归检验同步 fMRI 空间激活模式对 EEG 单试次响应的预测能力，并区分血流动力学滤波与单试次调制对预测的贡献，但其 BCI 应用价值尚未验证。

12月31日周三
  1. OpenReview · EEG74

    基于 MRI 强度分布全局与局部相似性的 EEG 与 MRI 配准

    基于摘要分析。该研究针对 EEG 点位与 MRI 图像的空间配准问题，提出结合 MRI 强度分布全局相似性和局部相似性的方法，通过对称平面匹配进行初始化，再以迭代优化完成配准。 核心机制：首先提取并匹配 MRI 与 EEG 数据的对称平面。全局相似性来自整幅 MRI 图像的强度分布与头表面点周围 MRI 体素强度分布的比较；局部相似性来自对应 EEG 点周围 MRI 体素强度分布的比较，利用头部的矢状对称性约束配准。作者将对应强度分布之间的 Kullback-Leibler 散度之和作为代价函数，通过最小化该函数寻找配准结果。 作者报告，在临床 MRI 数据与模拟 EEG 数据的评估中，平均配准误差为 0.48 ± 0.33 mm；使用真实 EEG 数据时，平均点到表面均方根误差为 2.27 ± 0.02 mm。前者描述模拟条件下的配准误差，后者描述真实点位到表面的几何距离，两者的评估对象与指标不同，不能直接视为同一指标下的性能变化。摘要未说明“±”所代表的统计量。 该方法的主要研究对象是 EEG 点位与解剖图像之间的几何配准，而非 EEG 信号解码或 BCI 任务性能。复现时需核对对称平面提取、局部体素邻域与强度分布估计方式、空间变换模型、优化设置及误差参考标准；样本规模、模拟扰动设置、对照方法、消融及统计信息尚未验证。头部对称性偏离、MRI 强度变化和 EEG 点位采集误差对方法稳健性的影响，也需通过全文与实验进一步核对。

    阅读价值：该研究提供了利用 MRI 强度分布与头部矢状对称性进行 EEG 点位配准的明确优化机制，值得核对其对初始化和点位误差的敏感性，但模拟与真实数据的误差指标不能直接比较。

1月1日周二
  1. OpenReview · EEG78

    测量 EEG 源之间的方向性耦合

    基于摘要分析。该研究针对头部容积传导使头皮 EEG 信号相关性不能直接代表脑源间相互作用的问题，提出结合多变量自回归（MVAR）建模与独立成分分析（ICA）的方法，估计脑内 EEG 源的时间活动及近似位置，再分析源间方向性耦合。其主要研究对象是脑源连接与静息态 EEG-alpha 节律的生成机制，而非 BCI 解码性能。 核心流程是利用 MVAR 与 ICA 获得源活动描述，再以 directed transfer function（DTF，定向传递函数）估计源间方向性影响，并通过替代数据评估耦合强度的显著性。研究试图减少直接分析头皮记录点时容积传导带来的混淆，并降低部分既有源连接方法对参与脑区先验假设的依赖。具体模型阶数、ICA 实现、定位方法和替代数据构造尚未验证。 作者报告，在改变样本数量、等效源偶极子深度与方向、噪声来源，以及违反该方法所依赖的非高斯性假设的仿真中，所提方法在多数测试情景下比传统技术具有更高准确性。摘要未提供准确性定义、数值、对照方法名称或各情景的完整设置，因此不能据此量化优势或推定其适用边界。 在20名志愿者的静息态 EEG-alpha 分析中，作者报告结果提示丘脑与楔叶之间的强双向反馈可能是 alpha 振荡的主要生成机制；楔前叶也可能参与其中，但未对丘脑或楔叶表现出显著的因果影响。这是基于源估计与方向性连接分析得到的解释，不应等同于直接测量突触信息流或确证生理因果关系。 复现时需核对源分离与定位假设、深部源可辨识性、MVAR 估计条件及显著性检验流程。实验协议、消融及统计信息尚未验证；摘要也未提供 BCI 任务或解码收益的证据。

    阅读价值：值得阅读的具体原因是将方向性连接估计从头皮记录点转向分离后的 EEG 源，并通过多种源配置与噪声条件的仿真检验可靠性；深部源定位和生理因果解释仍需结合全文核对。

  2. OpenReview · EEG72

    用于 BCI 的单试次 EEG 源重建

    基于摘要分析。该研究考察能否通过重建 EEG 的脑源信号，并在源空间而非原始电极电位上提取特征，提高 EEG-based BCI 的任务分类性能。核心贡献是将 EEG 源重建引入 BCI 分类流程，并与直接使用原始电极电位的结果进行比较。 方法上，研究使用 EEG 逆解获得源空间表征，以频率功率变化和 Bereitschaft potential（准备电位）构建特征，再通过互信息对特征排序，输入 proximal support vector machine 完成分类。其机制假设是，源重建所利用的电生理信息有助于区分不同 BCI 任务；摘要未说明具体逆解算法、头模型、源定位约束及特征筛选细节，这些内容尚未验证。 测试材料包括 BCI competition II 的 dataset IV，以及四名被试的数据；两部分数据的关系、具体任务、数据划分和被试内或跨被试协议尚未验证。作者报告，EEG 逆解提高了分类率，并可取得与当时已知最佳方法相当的结果，但摘要没有提供具体数值、对照方法或统计信息，因此无法判断增益大小、跨被试稳定性及比较条件是否一致。 复现时值得核对源空间与电极空间比较是否采用一致的数据划分、特征筛选及分类流程，以及源重建对头模型、通道配置和噪声的依赖。实验协议、消融及统计信息尚未验证；目前不能将摘要中的改善概括为普遍适用于 EEG/BCI 的性能优势。

    阅读价值：该研究直接比较 EEG 源重建与原始电极电位的分类结果，值得阅读以核对源空间表征是否提供稳定的判别增益，但具体增益及评估协议尚未验证。

8月1日周三
  1. OpenReview · EEG71

    识别 EEG 时间序列的局部超度量性以用于 BCI 特征提取

    基于摘要分析。该研究针对 BCI 中左右手运动想象（MI）EEG 的区分问题，提出以时间序列的局部超度量性作为特征来源，探索刻画层级结构的系数能否区分两类运动想象信号。 方法的出发点是：EEG 时间序列的超度量拓扑可能定义自然但不一定唯一的树状或层级结构。作者用局部超度量性量化指标描述这种结构，将其作为分类特征，并采用线性判别分类器或 Bayes 分类器进行区分。摘要未给出局部超度量性指标的计算公式、局部片段的定义、距离构造或特征维度，因此尚不能据此重建完整实现。 作者报告，在所研究的左右手运动想象 EEG 上，局部超度量性量化指标结合上述分类器能够分离两类时间序列；作者还报告，neural-time-series-prediction-preprocessing（NTSPP）产生了一个更高维的空间，使两类 EEG 的局部超度量性更易区分。这是关于特征可分性的定性结论，摘要未提供 Accuracy、统计显著性或相对基线的增益，不能进一步解释为已验证的性能优势。 复现时需核对 NTSPP 的具体实现、局部超度量性系数的估计方法及分类流程，并确认数据来源、被试数量、通道配置、时间窗、训练与测试划分，以及是否采用 Within-subject 或 Cross-subject 评估。实验协议、消融及统计信息尚未验证；跨被试、跨会话稳健性及预处理带来的独立贡献也需依据全文判断。

    阅读价值：值得阅读的具体原因是作者将 EEG 时间序列的局部超度量性用于运动想象特征提取，并分析 NTSPP 对两类信号可分性的影响；其分类效果与稳健性仍需结合全文实验协议核对。

1月1日周一
  1. OpenReview · EEG71

    局灶性癫痫发作间期 fMRI 的独立成分分析：与基于广义线性模型的 EEG 相关 fMRI 分析比较

    基于摘要分析。本研究针对局灶性癫痫同步 EEG–fMRI 分析依赖头皮 EEG 可见发作间期癫痫样放电（IED）的问题，比较数据驱动的空间独立成分分析（ICA）与 EEG 驱动的广义线性模型（GLM），评估 ICA 是否能够提取与 IED 相关的 BOLD 活动。这是癫痫相关脑功能成像研究，并非 BCI 解码方法研究。 传统 GLM 使用头皮 EEG 上识别的 IED 构建分析模型；当 EEG 未显现 IED 时，该策略难以发挥作用。作者对八名局灶性癫痫患者的 fMRI 数据应用空间 ICA，将提取的独立成分自动分类为 BOLD 相关成分、运动伪影、EPI 磁敏感伪影、大血管成分及高空间或时间频率噪声，再依据时空标准评估 ICA 与 EEG 驱动 GLM 结果的一致性。摘要未提供分类器具体实现及一致性判据。 作者报告，在上述八名患者的分析中，自动分类使候选独立成分数量减少 78%，平均保留 16 个 BOLD 相关成分；每名患者均有一个独立成分满足与 IED 驱动 GLM 结果相对应的时空标准。这支持 ICA 能够提取与已知 IED 相关 BOLD 模式一致的成分，但不等同于对 EEG 不可见癫痫活动的独立验证。 作者认为，其余成分与自发脑活动的 BOLD 模式相符，并可能包含头皮 EEG 未显现的癫痫活动；这一解释仍需独立证据确认。摘要未给出额外成分的临床参照验证、定位准确性或假阳性指标。实验协议、消融及统计信息尚未验证，复现还需核对 fMRI 预处理、ICA 配置、自动分类规则及 GLM 建模细节。当前材料不支持将该结果直接推断为 EEG/BCI 性能提升。

    阅读价值：值得阅读其空间 ICA 成分筛选与 EEG 驱动 GLM 的时空一致性验证思路，但摘要不足以确认额外成分能否识别头皮 EEG 未显现的癫痫活动。

1月1日周日
  1. OpenReview · EEG70

    基于约束 ICA 去除 MRI 内采集的视觉诱发电位 EEG 信号中的心冲击图与眼电伪迹

    基于摘要分析。该研究针对同步 EEG–fMRI 采集中 BCG（心冲击图）与 EOG（眼电）伪迹干扰微弱诱发响应的问题，提出用约束独立成分分析（cICA）同时识别并去除两类伪迹，以恢复 MRI 内采集的视觉诱发电位（VEP）。研究对象是 MRI 环境下的 EEG 去伪迹与诱发电位恢复，而非 BCI 解码性能。 核心机制是为 BCG 和 EOG 伪迹设计参考函数，将其作为 cICA 的约束，引导算法识别对应的独立成分（ICs）；随后移除这些成分并重构 EEG，再提取 VEP。相较于摘要中的标准模板减法对照，该方法的关键区别在于利用参考信息约束成分识别，而不是直接进行模板相减。参考函数的具体构造、约束形式、优化过程及成分选择规则尚未验证。 评估中，作者分别从 cICA 与标准模板减法处理后的 MRI 内 EEG 生成 VEP，并与 MRI 外采集 EEG 得到的 VEP 比较。作者报告，cICA 优于标准 BCG 伪迹去除方法，但摘要未提供量化指标或明确说明所谓效率特点，因此不能据此判断改善幅度、统计显著性或计算效率。 复现与证据核对需关注 MRI 内外采集条件是否可比、视觉刺激及 VEP 提取流程、参考函数所需的辅助记录，以及去除伪迹成分时是否保留真实诱发响应。被试数、采集参数、实验协议、消融及统计信息尚未验证；摘要也不足以确认该方法对其他 EEG 任务或 BCI 在线应用的有效性。

    阅读价值：值得阅读的具体原因是以伪迹参考函数约束 cICA，同时识别 MRI 内 EEG 的 BCG 与 EOG 成分，并以 MRI 外 VEP 作为参照评估去伪迹效果；性能优势目前仅有摘要中的定性报告。

  2. OpenReview · EEG72

    使用生成式独立成分分析进行 EEG 分类

    基于摘要分析。该研究面向 EEG-based BCI 的心理任务分类，将独立成分分析（ICA）视为生成模型，通过贝叶斯规则构建分类器，探索不显式使用时间特征时，空间滤波和源分布是否足以支持任务判别。 核心机制是同时拟合空间滤波器与源分布参数，并利用生成模型进行分类。与通常把 ICA 用于 EEG 伪迹识别的用途不同，本研究直接考察其任务判别能力；比较对象是提取时间特征后输入通用分类器的传统方法。摘要未给出源分布的具体形式、参数估计算法或分类决策的实现细节，这些尚未验证。 作者报告，实验提示不显式使用时间特征也可能达到当时的先进水平，但摘要没有提供数据集、被试数、任务类别、评估指标、数据划分或具体对照结果，因此不能确认效果幅度，也不能判断结论适用于 Within-subject、Cross-subject 还是 Cross-session 设置。 研究进一步扩展为 ICA 模型的混合，以对应同一被试可能采用多种思考策略完成特定心理任务的假设。该扩展的阅读价值在于以多个生成成分描述任务内差异，但摘要尚不足以确认混合模型是否带来稳定收益。复现前需核对 EEG 预处理、空间滤波与源分布的拟合方式、混合成分设定、训练测试划分及基线配置；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 ICA 从 EEG 伪迹识别工具转为生成式任务分类模型，并检验空间滤波与源分布能否替代显式时间特征；其比较效果仍需全文协议与结果验证。