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。

179 条精选近 30 天 101 条共收录 276 条

更新

精选归档 · 第 8 页

1月1日周三第 141–160 条
  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. 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。

  6. 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 · 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。

9月26日周四
  1. OpenReview · EEG76

    以大型时空 Transformer 为基础模型学习鲁棒 EEG 表征

    基于摘要分析。研究针对 EEG 基础模型难以适应不同记录配置、BCI 控制范式及有限标注数据的问题，提出时空 EEG Transformer（ST-EEGFormer），通过自监督预训练与下游微调学习可迁移的 EEG 表征。其主要贡献是将不同通道配置和信号时长的建模，与跨 MI、P300、SSVEP 范式的适应性评估结合起来。 方法将原始 EEG 切分为片段（patches），投影到嵌入空间，并加入空间与时间嵌入。作者以掩码自编码器（MAE）任务进行自监督预训练，预训练数据由六个公开运动想象（MI）数据集、一个公开 P300 数据集和一个公开稳态视觉诱发电位（SSVEP）数据集组成。摘要未提供片段长度、空间位置编码方式、掩码策略、重建目标细节或模型规模，尚不能确认其处理不同通道配置的具体实现条件。 评估包括预训练所涉及八个数据集上的下游分类微调，以及两个未参与预训练的公开数据集：癫痫发作分类数据集和在线 MI BCI 数据集。对照模型包括简单线性模型、EEGNet、监督学习模型 EEG Conformer，以及基础模型 BIOT 和 Large Brain Model（LaBraM）。作者报告，预训练后的 ST-EEGFormer 在八个预训练数据集的下游分类中均取得高于所比较模型的 Accuracy，并在新数据集、有限训练数据条件下表现出较强泛化能力；摘要未给出具体数值或有限数据的规模。 这些结果支持进一步核查统一时空表征与 MAE 预训练的适应性，但不能直接解释为已验证的跨被试、跨会话或无需微调的泛化。数据集名称、被试数、训练与测试划分、预训练与评估样本的关系、各基线微调预算、消融及统计信息尚未验证。作者还提供模型及支撑结果的特征可视化，其解释性结论需结合正文审阅；代码、权重与完整复现条件尚未验证。

    阅读价值：值得阅读其跨 MI、P300 与 SSVEP 范式的统一预训练设计，以及在未参与预训练的数据集上检验有限训练数据条件下泛化能力的实验；作者报告的优势仍需结合具体划分、微调预算与统计结果核对。

  2. OpenReview · EEG73

    EEG2Video：面向从 EEG 信号解码动态视觉感知

    基于摘要分析。研究针对既有视觉重建工作主要关注静态刺激的问题，探索从 EEG 解码动态视觉感知，贡献包括 EEG-video 配对数据集、视频元信息标注，以及采用 Seq2Seq 架构的视频重建基线 EEG2Video。 数据与任务：作者报告记录了 20 名被试观看 1400 个动态视频片段时的 EEG，视频涵盖 40 个概念。摘要强调 EEG 的高时间分辨率（1000 Hz）适于捕捉快速脑活动变化，但实际采集与预处理配置尚未验证。作者还为视频标注颜色、动态属性、是否包含人等元信息，以探索这些属性能否从 EEG 中解码；摘要未提供各属性任务的具体结果。 方法与结果：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 EEG 信号。作者报告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。摘要未说明候选样本构造、数据划分、被试内或跨被试评估设置、对照基线及 SSIM 的计算与汇总方式，因此这些数值不能直接用于跨研究比较，也不足以单独判定动态重建质量。 验证与复现：值得重点核对 EEG 与视频的时间对齐方式、Seq2Seq 的输入输出表示，以及重建是否保留动态信息而不只是语义或静态外观。实验协议、消融及统计信息尚未验证。摘要称数据集与代码将很快发布，这属于发布计划，不能视为已经公开可用；复现仍需确认资源开放状态及完整训练、评估配置。

    阅读价值：值得阅读的具体原因是其提供动态视频与 EEG 配对数据，并以 Seq2Seq 基线探索时序对齐的视频重建；重建效果及泛化能力仍需结合全文协议核对。

  3. OpenReview · EEG76

    基于 EEG 嵌入与引导扩散的视觉解码和重建

    基于摘要分析。该研究针对 EEG 视觉解码与图像重建，提出端到端零样本框架：通过 Adaptive Thinking Mapper（ATM）将神经信号映射到与 CLIP 嵌入共享的子空间，再用两阶段、多路引导的扩散生成策略结合高层语义与低层视觉信息。 机制方面，第一阶段将 EEG 嵌入与高层 CLIP 嵌入对齐，并通过先验扩散模型将 EEG 嵌入细化为图像先验；同时从 EEG 解码模糊图像，以保留低层特征。第二阶段将高层 CLIP 嵌入、模糊图像以及从 EEG 潜变量得到的文本描述共同输入预训练扩散模型。其方法特点是以互补条件引导生成，而非仅依赖单一语义嵌入。摘要未说明 ATM 的具体结构、对齐损失、文本描述生成方式及各模块的训练或冻结策略，相关细节尚未验证。 作者报告，该框架在零样本视觉分类、检索和重建任务上达到 SOTA，并在 MEG 数据模态上展示了适用性；作者还分析了不同时间窗与脑区对解码和重建的影响。但摘要未提供数据集、被试数、具体指标、数值或对照基线，也未明确零样本的类别划分及被试内、跨被试或跨会话设置，因此不能据此判断性能提升幅度或泛化范围。 复现时应重点核对零样本训练与测试划分、视觉刺激及 EEG 预处理、扩散模型的预训练来源，以及高层嵌入、模糊图像和文本描述各自的贡献。图像生成的语义一致性与 EEG 所支持的细节恢复能力需分开评估，生成图像逼真不直接等同于忠实重建。摘要提供了代码仓库链接，但代码可用性、运行条件、实验协议、消融及统计信息尚未验证。作者提出的 BCI 应用潜力也不等同于已完成在线或实际应用验证。

    阅读价值：值得阅读的具体原因是其将 EEG 对齐的高层语义、低层模糊图像与潜变量生成的文本描述共同用于扩散重建，可重点核对各引导信息的贡献及零样本评估协议；作者报告的性能优势尚需全文验证。

9月17日周二
  1. OpenReview · EEG73

    Mind's Eye：通过多模态相似性保持对比学习实现基于 EEG 的图像识别

    基于摘要分析。研究针对非侵入式 EEG 图像解码中的低信噪比与非平稳性问题，提出 MUltimodal Similarity-keeping contrastivE learning（MUSE）框架，用于零样本 EEG 图像分类。其核心贡献是面向 EEG 构建多变量时间序列编码器，并开展带正则化的 EEG–Image 对比预训练，以学习两种模态之间的对应关系。 方法层面，摘要强调多模态相似性保持，但未给出相似性的定义、正则化项与对比损失的具体形式，也未说明编码器结构、图像侧表征来源及训练与推理流程，因此尚不能判断其相对于常规跨模态对比学习的具体改进机制。 结果方面，作者报告在 200 类零样本图像分类任务中，top-1 Accuracy 为 19.3%，top-5 Accuracy 为 48.8%，并称达到最先进表现。摘要提及使用大规模视觉 EEG 数据集，但未提供数据集名称、被试数量、被试内或跨被试设置、训练与测试划分、零样本类别构造及对照基线；上述成绩应限定在作者所述任务背景下理解，不能直接与其他协议比较。 作者还通过模型解释可视化神经活动模式，以探索大脑视觉处理动态；其解释方法及与生理证据的一致性尚未验证。复现前需核对完整实验协议、EEG 预处理、相似性保持约束的实现、消融与统计信息，以及代码和模型的可获得性。摘要提供的是视觉刺激相关 EEG 解码证据，不宜据此扩展为对任意想象图像或实际 BCI 使用效果的验证。

    阅读价值：值得阅读的具体原因是其以保持多模态相似性的对比预训练探索 EEG 零样本图像分类，且提供了 200 类评估结果；其优势及可复现性仍需核对完整实验协议。

  2. OpenReview · EEG71

    NECOMIMI：基于扩散模型的神经认知多模态 EEG 引导图像生成

    基于摘要分析。NECOMIMI 研究如何利用 EEG 信号生成图像，提出结合 NERV EEG encoder 与扩散模型的框架，将研究任务从 EEG-image 分类扩展到图像生成。研究同时提出 Category-based Assessment Table（CAT）Score，以语义概念评价 EEG 生成图像，并在 ThingsEEG 数据集上建立评估基准。 技术机制方面，摘要明确了 EEG 编码器和扩散生成模型两个核心组成部分，但未说明编码表示如何接入扩散模型、是否使用其他模态作为条件，以及训练目标、预训练来源和推理流程。因此，目前可以确认的是 EEG 引导图像生成这一方法方向，尚不能据此重建完整实现。摘要将既有工作概括为主要通过对比学习进行 EEG-image 分类，这属于作者对相关工作的定位，不等于所有既有研究都局限于分类。 结果方面，作者报告 NERV EEG encoder 在 2-way、4-way 和 200-way 零样本分类任务中达到 SoTA，并在其提出的 CAT Score 上取得领先结果；摘要未提供具体分数、比较基线、候选类别构造或数据划分，无法判断这些结论适用于何种被试内、跨被试或跨会话协议。分类表现与生成图像质量是不同评估维度，不能相互替代。 作者报告，模型倾向于生成风景等抽象或概括性的图像，而非具体对象，并将这一现象联系到 EEG 噪声较高、分辨率有限带来的视觉还原挑战。这提示阅读时应区分语义层面的匹配与具体对象细节的恢复，但该现象是否源于 EEG 信息限制、生成模型先验或训练设计，尚需正文证据。 复现需核对 ThingsEEG 的预处理与划分、EEG 与图像的配对方式、零样本任务定义、扩散模型条件接口，以及 CAT Score 的计算规则和评价可靠性。实验协议、消融及统计信息尚未验证；摘要中的图像生成结果也不能直接作为实际 BCI 应用有效性的证据。

    阅读价值：值得阅读的具体原因是其将 EEG 与视觉表示的关联扩展到扩散式图像生成，并提出语义概念评估指标 CAT Score；作者报告的抽象化生成倾向也提供了检查语义一致性与具体对象还原能力的切入点，但性能及评估有效性尚需全文核验。

1月3日周三
  1. OpenReview · EEG72

    从 EEG 脑记录中学习鲁棒的深度视觉表征

    基于摘要分析。该研究关注如何从 EEG 中学习可用于视觉图像分类与重建的鲁棒表征，提出两阶段方法：先提取 EEG 特征并学习深度表征，再将所学表征用于图像生成和分类。 在表征学习阶段，作者使用深度学习架构，结合监督学习与对比学习，在三个数据集上评估特征提取流程的泛化能力，并开展零样本 EEG 分类。摘要未给出具体网络结构、损失形式、三个数据集的完整名称及零样本类别划分，因此尚不能确定这些实验对应跨被试、跨会话还是跨数据集泛化。 作者报告，仅使用 EEG 的单模态学习能够获得被试不变、线性可分的视觉表征，其 k-means Accuracy 优于 EEG 与图像联合表征学习。该对照有助于考察图像模态是否必然改善 EEG 表征，但摘要未提供具体分数、被试划分、聚类评估方式及被试不变性的验证细节，结论仍需结合正文核对。 在生成阶段，作者提出将未见图像映射到 EEG 空间并进行近似重建的框架。作者报告，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；摘要未明确比较基线、数据划分与计算设置。这些数字是 Inception Score 的相对提升，而非分类 Accuracy 或百分点增益，也不能单独说明重建图像与原始刺激的一致性。 复现时应核对 EEG 预处理、视觉刺激与试次划分、监督及对比学习所用信息、零样本任务定义，以及生成阶段实际使用的输入。尤其需区分“将未见图像映射到 EEG 空间后重建”与“仅凭实测 EEG 重建未见刺激”两种评估情形。实验协议、消融及统计信息，以及代码和模型的可用性尚未验证。

    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，以及零样本分类和未见图像重建的评估协议，以判断作者所称被试不变性与泛化能力的适用范围。

1月1日周一
  1. OpenReview · EEG73

    EEGMamba：用于 EEG 分类的双向状态空间模型与混合专家

    基于摘要分析。EEGMamba 面向不同任务中 EEG 信号长度、通道数不一致，以及 Transformer 长序列建模计算开销较大的问题，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、Bidirectional Mamba 和 Mixture of Experts（MoE）整合为统一的多任务 EEG 分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度和通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；摘要未说明具体的长度对齐与通道映射方式。Bidirectional Mamba 用于进一步提取 EEG 特征，作者旨在兼顾长序列处理的分类准确性与推理速度。Task-aware MoE 配置一个通用专家，以建模不同任务 EEG 的差异与共性；专家路由、任务信息如何输入以及训练损失尚未验证。 作者报告，在八个公开 EEG 数据集上进行了测试，覆盖癫痫发作检测、情绪识别、睡眠分期和运动想象四类任务，并报告性能优于对照方法。摘要未提供数据集名称、被试规模、评价指标、具体分数或对照基线，也未明确被试内、跨被试、跨会话或跨数据集划分，因此不能据此确认对未见任务的泛化能力，或量化准确性与速度之间的收益。 复现时应重点核对多任务联合训练与评估协议、异构通道和序列长度的处理，以及 ST-Adaptive、双向建模和通用专家各自的贡献；推理效率比较还需结合输入长度、硬件与计时条件。实验协议、消融及统计信息尚未验证。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：值得核对 EEGMamba 如何通过输入适配、双向状态空间建模和任务感知专家机制处理异构 EEG，但其跨任务泛化与推理效率优势仍需结合全文中的训练划分和对照实验验证。

  2. OpenReview · EEG79

    EEGPT：通过自回归预训练释放 EEG 通用基础模型的潜力

    EEGPT 针对 EEG 数据格式多样、预训练范式与迁移方法受限的问题，结合电极级建模、自回归预训练和多任务迁移，旨在构建可适配不同采集设备、被试与任务的通用 EEG 基础模型。基于摘要分析，未取得论文全文。 核心机制：作者将每个电极作为基本建模单元，以整合不同电极配置的 EEG 数据；摘要称预训练数据涉及最多 138 个电极，共计 37.5M 个预训练样本，但样本单位、切片方式及数据组成尚未验证。预训练采用 next signal prediction，而非传统 masked autoencoder，目标是捕捉 EEG 的序列与时间依赖；具体预测粒度、序列组织、损失函数与推理流程尚未验证。作者还探索了参数规模最高为 1.1B 的模型的 scaling laws，但摘要未提供规模与性能之间的定量关系。 迁移机制：作者提出跨任务共享的可学习电极图网络，用于多任务迁移学习，并报告任务间具有兼容性与协同作用。摘要称模型支持最多 138 个电极及其任意组合输入；电极身份编码、不同设备的输入对齐方式、缺失电极处理和任务特定模块仍需核对正文。 结果与证据边界：作者报告在覆盖 5 个不同任务的 12 个 benchmarks 上进行评估，并在全部下游任务中优于现有专用模型，同时称广泛消融支持其有效性。摘要未列出任务与数据集名称、被试数、被试内或跨被试等划分协议、基线、指标及数值，因此不能据此量化优势，也不能确认跨设备、跨被试适配的具体评估前提。实验协议、消融及统计信息尚未验证。 复现重点是核对异构数据整合规则、自回归目标与电极图迁移各自的贡献，以及预训练数据和下游评估的关系。摘要中的“首次”及“最大”等表述属于作者主张，尚未独立核实。作者表示将发布代码和模型，当前材料不能确认其已公开。

    阅读价值：值得核对其电极级建模、自回归预训练与共享电极图的多任务迁移如何协同处理异构 EEG，并复现作者报告的跨任务优势；具体划分、对照与统计证据尚未验证。

  3. OpenReview · EEG77

    利用 EEGformer 降低可穿戴癫痫发作检测的误报：面向 MCU 的紧凑 Transformer 模型

    基于摘要分析。研究针对可穿戴设备长期连续监测 EEG 时的癫痫发作自动检测问题，提出紧凑 Transformer 模型 EEGformer，仅使用颞区通道，并通过面向硬件的设计探索兼顾检测延迟、误报率及低功耗 MCU 部署需求。 技术机制：摘要将 Transformer 用于无需手工特征提取的端到端时间序列处理，核心贡献在于将少通道采集条件与端侧计算约束纳入模型设计。具体网络结构、输入窗口、损失函数、训练策略及硬件优化方法尚未验证，不能据摘要判断性能收益分别来自模型设计、预处理还是检测后处理。 检测结果：作者报告，在 CHB-MIT 数据集上，相较于面向颞区采集的现有最先进模型，发作起始检测延迟降低 20%，同时达到 73% 的癫痫发作检测概率和每小时 0.15 次误报（FP/h）。摘要未给出对照模型名称、绝对延迟、被试内或跨被试协议及数据划分，因此这些结果应限定于作者所用评估条件。作者另报告，在一个新的、具有挑战性的头皮 EEG 数据集上，检测到 88% 的标注发作事件，误报率为 0.45 FP/h；该数据集名称、被试规模和评估划分尚未验证，两组结果不能直接比较。 部署结果：作者在单核 Apollo4 MCU 以及并行 GAP8、GAP9 MCU 上评估部署，报告最节能的 GAP9 实现每次推理耗时 13.7 ms、能耗 0.31 mJ。作者据此认为模型可支持少通道、具有多日续航的可穿戴检测系统；但单次推理指标不等于整机续航实测，推理频率、采集与通信功耗及电池条件仍需核对。 复现重点是确认颞区通道配置、连续记录的训练与测试划分、发作事件匹配规则、误报统计时长，以及检测阈值对检出概率、误报率和延迟的影响。实验协议、消融及统计信息尚未验证，代码与部署资源的可用性也尚未确认。该研究属于 EEG 临床监测算法与端侧部署研究，摘要中的检测结果不应直接视为临床有效性验证。

    阅读价值：值得阅读的具体原因是，作者将颞区少通道 EEG 癫痫发作检测的误报率、检测延迟与 MCU 推理能耗联合评估，为可穿戴端侧模型的设计提供了可核对的参考，但数据划分和检测协议仍需全文验证。

  4. 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。