跳到正文

算法、任务与模态

Reconstruction 最新动态

Reconstruction 研究索引；按可核对的标签归档，不以热度评价质量。

638 条精选近 30 天 95 条共收录 810 条

更新

精选归档 · 第 32 页

1月1日周一第 621–638 条
  1. OpenReview · State space models77

    用于快速光声重建的近似 k-space 模型与深度学习

    基于摘要分析。本文研究光声断层成像的快速迭代重建，通过基于 k-space 方法的快速近似前向模型降低计算开销，并训练 CNN 利用含结构化伪影的近似梯度信息完成迭代重建。主要贡献是将物理模型的计算近似与学习式重建结合，而非直接研究 EEG 或 BCI 解码。 核心机制在于：近似前向模型会在迭代重建所用的梯度信息中引入混叠伪影，但这些伪影具有较强结构性，因而可以训练 CNN 利用这类不精确的信息进行重建。摘要未说明 CNN 的具体输入输出、网络结构、损失函数及其与迭代更新的结合方式，这些细节尚未验证。 作者报告，该方法在人类活体测量的有限视角几何条件下具有可行性，并相较总变分（total variation）重建取得更好的结果和 32 倍加速。摘要未给出图像质量指标、样本规模、训练与测试划分、计时硬件及停止准则，因此上述加速仅应放在原文报告的比较背景下理解，不能外推为一般性能保证；实验协议、消融及统计信息尚未验证。 复现时需核对近似模型的误差结构、CNN 训练数据的构成，以及质量与速度比较是否采用一致的测量条件。本文的研究对象是光声成像逆问题，摘要未提供 EEG/BCI 验证，也未建立向神经信号任务迁移的具体对应关系，不能将其结果视为 BCI 有效性的证据。

    阅读价值：值得关注其利用 CNN 处理近似前向模型所产生结构化梯度伪影的迭代重建思路，但作者报告的质量与速度优势仍需结合全文中的比较协议核对。

  2. OpenReview · Representation learning70

    结构化分层表示学习：迈向通过遗传编程实现深度学习

    基于摘要分析。本文研究如何利用遗传编程（GP）从大规模、高维原始数据中学习表示，提出结构化分层 GP 框架及相应的搜索空间探索方案，并以该框架下实现的 autoencoder 作为实验案例。 核心机制是借鉴深度神经网络逐层学习描述性或判别性表示的思路，为 GP 引入分层表示结构。作者将其与既有主要面向少量输入变量、小规模数据，或依赖领域专家知识的 GP 特征学习工作相对照，目标是扩大 GP 表示学习可处理的数据规模与维度。摘要未说明层间连接、程序编码、遗传操作、适应度函数及 autoencoder 的具体训练目标，不能据此将其等同于常规深度网络的训练过程。 作者报告，autoencoder 案例的实验结果支持该框架的益处，但摘要未提供数据集、划分协议、基线、评价指标或数值，因而尚不能判断表示质量、搜索效率和计算成本的具体改善幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若分层 GP 能学习可组合的特征变换，可能用于探索 EEG 高维输入的特征构造，但原论文并未验证 EEG/BCI 效果，相关已有工作尚未检索确认。可复用的是分层表示与程序搜索思路；需改造输入组织、适应度评价及复杂度约束，以适应 EEG 的时空结构和小样本条件。低信噪比、跨被试差异及通道变化可能使搜索过拟合。一个可证伪的小实验是在固定 EEG 数据划分与相同下游分类器下，对比分层 GP、非分层 GP 和常规特征表示，同时记录泛化性能与搜索开销，并将全部特征搜索限制在训练数据内。

    阅读价值：值得关注的是以结构化分层表示和搜索方案扩展 GP 特征学习，并以 autoencoder 作为验证案例；其相对基线的收益、计算代价及对 EEG 的适用性尚未验证。

  3. OpenReview · State space models76

    用于快速光声重建的近似 k-space 模型与深度学习

    基于摘要分析。本文研究光声断层成像的快速迭代重建，提出将基于 k-space 方法的快速近似前向模型与 CNN 结合，以降低重建计算开销。主要研究对象是光声成像逆问题，而非 EEG 解码或 BCI，也不是状态空间模型方法。 其核心机制是允许近似前向模型在迭代重建的梯度信息中引入混叠伪影，并利用这些伪影的高度结构化特征训练 CNN，使其能够使用近似梯度信息完成迭代重建。方法的阅读价值在于探讨如何以可学习的补偿机制换取物理模型近似带来的计算收益；摘要尚不足以确定 CNN 的具体输入输出、更新方式、损失函数及训练监督来源。 作者报告，该方法在有限视角几何条件下的人体在体测量中具有可行性，相比总变分重建获得更好的重建结果，并实现 32 倍加速。摘要未提供重建质量指标、计时范围、硬件环境、样本规模及数据划分，因此不能据此判断加速是否适用于其他采集或计算条件；实验协议、消融及统计信息尚未验证。 复现时需核对 k-space 近似的具体形式、测量几何、CNN 训练数据与监督构造，以及总变分对照的参数和计时口径。当前材料未建立其与 EEG/BCI 的具体机制对应关系，不宜将光声重建结果直接解读为神经信号解码收益。

    阅读价值：值得关注的是利用 CNN 补偿快速近似前向模型在迭代梯度中引入的结构化伪影，并在人体在体有限视角光声重建中展示可行性；其相对总变分重建的质量与速度优势仍需结合全文协议核对。

  4. OpenReview · Representation learning72

    基于 Actor-Critic 序列到序列自编码器的行人轨迹表征学习

    基于摘要分析。本文研究如何将由时间戳与坐标元组构成的变长行人轨迹编码为定长向量，同时保留环境约束与行人动态。作者提出 TREP，将带有空间感知目标函数的序列到序列自编码器置于 actor-critic 强化学习框架中，以表征多样的轨迹模式。 机制与贡献：原问题不仅涉及轨迹的时间变化，还需考虑墙体分隔等空间约束。作者指出，采用最大对数似然的传统序列到序列自编码器，要获得良好表现往往依赖覆盖充分时空特征的数据集；TREP 则声称无需任何训练数据集即可捕捉环境约束与行人动态。这里的“无需训练数据集”不能等同于“无需训练”：其环境信息来源、交互或采样方式、actor 与 critic 的具体作用、目标函数及优化流程均需全文核实。 证据与局限：作者报告，在合成与真实数据集上的实验支持 TREP 对轨迹进行高保真表征，但摘要未提供数据集名称、划分协议、对照方法、评价指标或数值。实验协议、消融及统计信息尚未验证，因此无法量化其相对优势，也无法判断其对未见环境或轨迹模式的泛化能力。 适用边界：本文的主要研究对象是具有明确坐标与环境约束的行人轨迹，而非 EEG 或 BCI 信号。摘要没有建立空间约束目标与 EEG 表征学习之间的具体对应关系，不能据此推导跨被试鲁棒性或小数据优势；相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 TREP 如何将空间感知目标与 actor-critic 训练结合，以及其“不需要训练数据集”主张的具体条件；摘要尚不足以支持 EEG/BCI 迁移有效性。

  5. OpenReview · Representation learning72

    使用 Actor-Critic 序列到序列自编码器的行人轨迹表征学习

    基于摘要分析。本文研究行人轨迹的表征学习，提出 TREP，将由时间戳与坐标构成的变长序列编码为固定长度向量，以同时保留环境空间约束和行人运动的时间动态。研究对象是行人轨迹，而非 EEG 或 BCI 信号。 机制上，TREP 在 actor-critic 强化学习框架下构建序列到序列自编码器，并引入空间感知目标函数。作者认为，传统采用最大对数似然目标的序列到序列自编码器，需要训练数据覆盖充分的时空特征，而现实中难以满足；TREP 则声称不需要训练数据集即可处理多样的轨迹模式。该表述不能等同于无需优化、无需环境信息或无需交互数据，具体学习过程、环境表示、奖励设计及编码方式尚未验证。 作者报告，在合成与真实数据集上的实验支持 TREP 对轨迹的高保真表征能力。摘要未提供数据集名称、划分协议、对照基线或量化指标，实验协议、消融及统计信息尚未验证，因而目前不能判断收益幅度或适用边界。 平台推测（待验证）：可迁移的机制假设是以任务相关的结构约束辅助变长时序表征，而非直接将行人空间约束套用于 EEG。若用于 EEG，需重新定义信号重建目标、通道结构约束及强化学习反馈，并核对是否存在可提供有效反馈的环境；低信噪比、跨被试差异、通道变化与小数据可能使反馈不稳定，或使表征偏向伪迹。一个小规模可证伪实验是在固定的被试内划分、相同编码器及数据预算下，对比普通序列自编码器与加入明确定义的结构反馈版本，分别检查重建误差和下游任务表现。该实验仅检验机制假设，不代表 TREP 已具备 EEG 有效性；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 TREP 将空间感知目标与 actor-critic 强化学习结合以表征轨迹的机制，以及作者所称“不需要训练数据集”的具体实现条件；其对 EEG/BCI 的适用性尚未验证。

  6. OpenReview · State space models76

    用于加速 MRI 的 k-space 深度学习

    基于摘要分析。本文研究加速 MRI 中缺失 k-space 数据的恢复，提出完全数据驱动的深度学习插值方法。核心思路是利用卷积神经网络与基于数据驱动 framelet 基的 Hankel 矩阵分解之间的数学联系，将结构化低秩表示的启发用于 k-space 重建；研究对象是 MRI 重建，而非 BCI 解码。 机制与对照：ALOHA（annihilating filter-based low-rank Hankel matrix approach）通过低秩 Hankel 矩阵补全直接插值缺失的 k-space 数据，其依据是 k-space 域的结构化低秩性与图像域稀疏性之间的对偶关系。本文受这一表示机制及其与卷积神经网络的联系启发，提出在 k-space 域学习插值，而非仅在图像域开展深度学习重建。摘要未给出具体网络结构、损失函数、训练样本构造或复数数据处理方式，这些实现细节尚未验证。 适用范围与结果：作者提出，增加 regridding 层即可将网络扩展至非笛卡尔 k-space 轨迹。作者报告，在所开展的数值实验中，该方法持续优于已有图像域深度学习方法；摘要未提供数据集、采样轨迹、加速倍数、划分方式、对照模型名称或定量指标，因此不能据此判断优势幅度及不同采样条件下的稳定性。实验协议、消融及统计信息尚未验证。 阅读与复现重点是核对 Hankel 分解与网络实现的具体对应关系、非笛卡尔采样下 regridding 层的处理方式，以及各方法是否使用一致的采样和评价协议。材料未建立该机制与 EEG 或 BCI 任务的具体对应关系，不据此推导神经信号解码收益；相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将 ALOHA 的结构化低秩 Hankel 表示与数据驱动 framelet 基联系起来的 k-space 插值机制，但摘要中的性能优势仍需结合采样协议与图像域基线核对。

  7. OpenReview · State space models77

    用于无参考扫描 EPI 鬼影校正的 k-space 深度学习

    基于摘要分析。该研究针对 MRI 回波平面成像（EPI）中由偶数与奇数回波相位失配产生的 Nyquist 鬼影，提出无需参考扫描的 k-space 深度学习校正方法，同时支持加速与非加速 EPI 采集。主要研究对象是 MRI 重建与伪影校正，而非 EEG 解码或 BCI 算法。 核心机制：摘要指出，鬼影校正可重表述为 k-space 插值问题，并借助结构化低秩 Hankel 矩阵方法求解；数据驱动的 Hankel 矩阵分解又可对应于深度卷积神经网络结构。该方法结合这两条思路，将偶数与奇数相位编码的 k-space 数据拆分为两个输入通道，并把多线圈数据堆叠为额外输入通道，以利用回波方向与线圈之间的冗余。网络学习插值核，估计缺失的虚拟 k-space 数据；对于加速采集，则学习同时补偿鬼影与欠采样造成的数据缺失。具体网络结构、损失函数、监督目标及训练流程尚未验证。 结果与证据边界：作者报告，在 3T 与 7T 活体数据重建中，所提方法相较现有方法获得更好的图像质量，计算也更快，并认为其可在不改变现有采集协议的条件下用于高场 MRI。摘要未给出被试数量、数据划分、加速因子、对照方法名称、定量图像指标或运行时间，因此无法判断优势幅度与适用范围；实验协议、消融及统计信息尚未验证。 复现时需核对参考目标的构建方式、复数 k-space 的表示、线圈配置、训练与测试数据的独立性，以及不同场强和采集条件下的泛化能力。其机制依赖 MRI 特有的回波编码与多线圈采样结构，不能据此推断 EEG 或 BCI 有效性；摘要也未提供足以支持相关迁移实验的具体对应关系。

    阅读价值：值得阅读的具体原因是将 EPI 偶数与奇数回波的相位失配转化为 k-space 插值问题，并联合利用多线圈冗余处理鬼影与欠采样；其图像质量和速度优势仍需结合全文协议核对。

1月1日周日
  1. OpenReview · EEG71

    基于多模态深度学习的驾驶疲劳检测

    基于摘要分析。本文研究如何结合局部 EEG 与额部 EOG 改善驾驶疲劳检测，核心贡献是考察 EEG 采集脑区，并利用深度自编码器学习两种模态的共享表征。 方法上，作者先比较不同脑区的 EEG 与额部 EOG 联合提取共享特征的表现，再提出基于深度自编码器的多模态融合策略。作者报告，在所比较的脑区配置中，六通道颞区 EEG 与额部 EOG 的组合表现最佳。摘要未披露自编码器结构、损失函数、输入特征、模态对齐方式及训练流程，这些实现细节尚未验证。 评估涉及 21 名被试，并与其他融合策略进行比较。作者报告，其多模态方法取得最佳表现，平均 COR 为 0.85、RMSE 为 0.09。摘要未说明 COR 的具体定义、疲劳目标的标注或归一化方式，也未交代被试内或跨被试划分，因此上述数值只能在原研究协议下理解，不能直接与其他驾驶疲劳检测结果比较。作者认为该方法能够学习有效的跨模态共享表征并显著改善检测性能；具体对照、消融及统计信息尚未验证。 复现时需从全文核对疲劳任务与标签来源、EEG 和 EOG 的同步采集及预处理、六通道的具体位置、训练与测试划分，以及 COR、RMSE 的计算和汇总方式。该研究直接面向驾驶疲劳检测，摘要中的结果不应扩展为其他 EEG 任务或通用 BCI 性能的证据。

    阅读价值：值得阅读其局部 EEG 与额部 EOG 的联合表征方案，以及脑区选择和融合策略的比较；作者报告的效果仍需结合数据划分、指标定义与统计检验核对。

  2. OpenReview · State space models72

    基于双重时间稀疏性的压缩感知静息态 fMRI 加速重建

    基于摘要分析。该研究针对静息态 fMRI 在高加速倍数下欠采样重建伪影增大的问题，提出 Double Temporal Sparsity based Reconstruction（DTSR），利用两类时间稀疏约束从欠采样 k-space 测量中重建 fMRI，并评估静息态网络（RSNs）的保留情况。 核心机制是 l1−l1 范数约束：第一项对体素时间序列在变换域中的表示施加 l1 稀疏约束，第二项对同一时间序列的相邻时刻差分施加 l1 稀疏约束。两项约束分别利用变换域稀疏性与时间变化的稀疏性；具体变换、目标函数权重及优化求解过程尚未验证。 作者报告，在真实 fMRI 数据上进行了个体层面与群体层面的评估，并考察多个加速倍数。摘要以 PSNR 等指标衡量重建质量，以 RSNs 的可复现性进行定性分析。作者报告，在静息态 fMRI 数据、加速倍数最高为 3.5 的比较中，DTSR 相对既有方法的 PSNR 提高 10–12 dB，并能够保留用于静息态分析的脑网络。摘要未明确各加速倍数对应的增益、对照方法及统计不确定性，不能将该增益视为所有设置下的统一结果。 这些结果来自真实数据上的模拟欠采样重建，不应直接等同于前瞻性加速采集的验证。数据集、被试数、k-space 采样模式、参考图像、RSNs 提取与匹配方法，以及实验协议、消融及统计信息尚未验证。本文主要研究对象是 fMRI 采集重建，而非 BCI 解码；摘要不支持将其结果外推为 EEG 或 BCI 性能提升。

    阅读价值：值得核对双重时间稀疏约束能否在降低欠采样重建误差的同时保留静息态网络；作者报告的 PSNR 增益具有明确的加速倍数背景，但具体对照、采样协议及网络复现评估尚需全文验证。

  3. OpenReview · Representation learning71

    用于高光谱目标检测的联合稀疏表示与多任务学习

    基于摘要分析。本文研究高光谱图像（HSIs）目标检测中如何减少光谱冗余，同时保留区分目标与背景的判别信息，提出联合稀疏表示与多任务学习方法 JSR-MTL。其主要研究对象是高光谱图像，而非 EEG 或 BCI。 方法包含三个环节：利用波段交叉分组策略，根据 HSIs 的相似性构建多个子高光谱图像；通过多任务学习整合这些相关子图像的稀疏表示模型；累积各任务的总重构误差差值，用于目标检测。其思路不是直接舍弃部分光谱信息，而是将相关波段组织成多个任务并联合建模。具体稀疏约束、任务间共享方式、字典构造及误差差值定义尚未验证。 作者报告，在三幅 HSIs 上开展的实验中，JSR-MTL 的检测表现总体优于所比较的其他目标检测方法。摘要未给出图像名称、数据划分、对照方法、指标或提升幅度，因此无法量化优势，也不能判断优势适用的具体条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的通道或频带可形成相关且互补的特征组，分组稀疏表示与多任务整合可能为处理特征冗余提供参考。可复用的是分组建模和任务级误差汇总思路，需改造的是分组依据、类别字典及判别规则；原方法所需监督信息和样本规模仍需查阅全文。低信噪比、跨被试差异、通道配置变化及小样本字典不稳定可能使共享结构失效。一个可检验的小实验是在固定 EEG 分类任务及被试内数据划分下，比较单一稀疏表示、分组后独立建模和多任务联合建模，并核对分组及字典拟合是否仅使用训练数据。该迁移假设不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其通过波段交叉分组、联合稀疏表示与多任务误差汇总兼顾光谱冗余和判别信息的机制，但摘要中的性能结论及其向 EEG 迁移的有效性均需进一步验证。

1月1日周五
  1. OpenReview · Representation learning70

    用于跨模态分类的表征学习

    基于摘要分析。本文研究扫描参数或成像模态差异给监督式图像分类带来的困难，提出两种基于 autoencoders 的表征学习方法，通过约束不同域中对应图像块的表征相似性，学习用于跨模态分类的共同表征。主要研究对象是多模态脑 MRI 图像及合成数据，并非 EEG 或 BCI 解码。 核心机制是在数据表征目标之外加入相似性目标，最小化不同域中对应图像块的表征差异。该方法依赖可建立对应关系的跨域图像块；两种方法之间的结构差异、损失具体形式、对应关系来源及训练流程，摘要均未明确。实验将来自不同模态的训练与测试数据转换到所学共同表征，再针对模态对训练分类器。作者报告，相比标准目标，加入相似性项可以得到更相似的表征，并在这些跨模态分类实验中获得更高的 Accuracy；摘要未提供具体数值、数据集名称、样本规模或划分细节，因此不能判断提升幅度及统计稳健性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，在 EEG 域适应中，若跨会话或跨设备数据存在可靠的对应片段或事件条件，相似性约束可能帮助减小表征差异。可复用的是共同表征学习与对应样本约束，需改造的是适配 EEG 时序及通道结构的编码器和配对方式。低信噪比、跨被试生理差异、通道不一致及小数据条件可能使配对不可靠，或使相似性约束压缩任务判别信息。一个可检验的小实验是在固定 Cross-session 划分下，对比相同编码器仅使用数据表征目标与加入相似性目标的分类表现，严格区分训练配对数据与测试数据，并同时检查域间表征差异和任务 Accuracy。已有 EEG 相关工作尚未检索确认，原领域结果不能视为 BCI 有效性的证据。

    阅读价值：值得阅读的具体原因是其以对应图像块的表征相似性约束连接不同成像域，作者报告该约束可改善跨模态分类，但对应关系的构建方式与适用条件仍需核对全文。

1月1日周四
  1. OpenReview · EEG72

    利用通道间相关性进行 EEG 信号重建

    基于摘要分析。本文研究无线体域网（WBAN）中 EEG 信号的采集与传输问题，提出在压缩感知（CS）重建中利用通道间相关性，而非逐通道独立重建；研究目标同时包括改善信号重建和降低 EEG 传感节点的总能耗。 核心方法是将多通道信号集合分别建模为低秩矩阵、变换域中的行稀疏矩阵，以及两者的组合。低秩模型利用多通道之间的相关结构，行稀疏模型则以变换域的联合稀疏结构组织重建。摘要未给出具体变换、优化目标、求解算法或采样方案，三种建模方式的实现差异尚未验证。 作者报告，相较于逐通道重建的既有技术，所提方法可改善信号重建，并显著降低传感节点总能耗。作者进一步称，既有技术仅降低传输能耗，而其方法还能降低采集能耗，并消除压缩所需的处理能耗。摘要没有提供重建指标、能耗数值、硬件条件或对照细节，因此这些结论仍需结合全文核对；作者关于首次利用通道间相关性的表述也尚未独立确认。 复现时需核对 EEG 数据来源、通道配置、压缩采样率、重建误差指标及逐通道基线，并厘清采集、处理与传输能耗的计量边界。还需检查低秩与行稀疏假设在不同信号片段中的适用性，以及伪迹或通道相关性变化对重建的影响。本文直接研究 EEG 采集与重建，但摘要未验证重建后信号能否保持 BCI 解码所需信息；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其多通道联合重建与传感端能耗设计，尤其是通道间相关性如何支持低秩及变换域行稀疏建模，但重建收益与能耗降低的实验依据尚未验证。

  2. OpenReview · EEG75

    iEEG 信号的结构化采样与恢复

    基于摘要分析。该研究面向无线植入式脑电监测设备的数据传输负担，提出利用 iEEG 信号结构的压缩感知（Compressive Sensing，CS）方案，在采样与恢复两个环节引入结构信息，以期直接获取压缩信号并降低传输相关功耗。其主要研究对象是 iEEG 的压缩采集与重建，而非疾病治疗效果或 BCI 任务解码。 技术机制上，方案强调采样与恢复均感知信号结构，而不只是采集后再进行压缩。摘要未说明所利用的具体结构、采样算子、恢复算法或优化目标，因此尚不能判断其结构假设如何落实，以及对不同记录条件的适用范围。作者称该方案在概念上易于硬件实现；这不等同于已经验证植入式硬件的实际功耗、面积或实时性能。 作者报告，在两个 human iEEG datasets 上，该方案获得最高 32× 的压缩率并保持较高重建质量，且将其压缩性能描述为当时的 state-of-the-art。摘要未提供数据集名称、被试数量、数据划分、重建质量指标、对应压缩率下的误差或对照基线，因此该数值仅能作为所述两个人体 iEEG 数据集上的作者报告，不能直接外推至其他信号或采集场景。 复现时需核对信号结构假设、压缩率定义、采样与恢复实现，以及不同压缩率下的重建质量和传输成本。用于 BCI 前还需验证重建是否保留任务相关信息；较高波形重建质量本身不构成解码性能得到保持的证据。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 iEEG 信号结构同时用于压缩采样与恢复的思路，但作者报告的最高 32× 压缩率仍需结合采样协议、重建指标及硬件功耗验证解读。

  3. OpenReview · Representation learning74

    监督字典学习与稀疏表示综述

    基于摘要分析。本文综述监督字典学习与稀疏表示（S-DLSR），关注如何让学习到的字典及稀疏表示更适合分类，而不只是准确重构输入信号。作者提出按标签信息融入学习过程的方式，将相关算法划分为六类，并梳理各类算法之间的联系与统一框架，为应用研究者选择和组合方法提供指导。 机制与贡献：传统字典学习与稀疏表示（DLSR）以原始信号和字典空间中的稀疏表示之间的重构误差最小化为基础。摘要指出，这一目标适用于去噪、修复和编码等问题，但不必然产生最具分类判别力的表示；S-DLSR 则将标签信息引入字典和／或稀疏表示的学习。本文的贡献是方法分类、联系梳理及应用指导，而非发布一个新的分类模型。摘要未给出六类方法的具体名称、损失形式或算法细节，尚不能据此比较各类方法的监督需求和计算成本。 证据边界：摘要将 DLSR 描述为在多个领域取得较强表现的表示方法，但未提供可核对的实验数据、划分协议、基线或指标，因此不能据此认定某种 S-DLSR 方法优于其他方法。综述覆盖范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，在 EEG 分类中，加入标签约束的稀疏表示可能比仅优化重构的表示更能保留任务相关差异。可复用部分是字典表示、稀疏编码及监督约束思路；需根据 EEG 的时间、频率或通道结构改造输入表示，并保证字典学习仅使用训练数据。低信噪比可能使字典拟合伪迹，跨被试差异和通道变化可能削弱表示稳定性，小样本监督也可能导致过拟合。一个小规模检验是在固定 EEG 特征、分类器及 Cross-subject 划分下，对比重构型 DLSR 与一种明确的 S-DLSR 方法，检查判别约束是否带来稳定收益。已有 EEG 相关工作尚未检索确认，该假设不代表本文已验证 BCI 效果。

    阅读价值：该综述按标签信息融入字典及稀疏表示的方式梳理 S-DLSR，有助于理解重构目标与分类判别目标的差异并选择方法，但具体分类框架及其对 EEG 的适用性尚未验证。

1月1日周三
  1. OpenReview · EEG75

    EEG 信号的节能采集与重建

    基于摘要分析。该研究面向无线体域网（WBAN）中的 EEG 远程监测，针对感知与通信主导能耗的问题，提出基于矩阵补全的采集与重建方案。其贡献是将节能目标从压缩通信扩展到感知环节，并结合随机欠采样硬件验证重建及重建后的信号分类表现。 核心机制是通过伪随机时钟发生器实现随机欠采样，再由 12-bit 逐次逼近寄存器模数转换器（SAR ADC）完成转换，随后采用矩阵补全进行信号重建。摘要未给出矩阵组织方式、低秩假设、目标函数或求解算法，因此尚不能判断该方法如何利用 EEG 的时间与通道相关性，也不能确定其适用的采样缺失条件。 作者报告，与所比较的先进压缩感知（CS）方法相比，该方案在更低能耗下获得显著更好的重建准确性，且在重建后信号分类中表现更优。但摘要未提供数据集、被试数、分类任务、数据划分、重建与分类指标及对照方法名称，优势的幅度、统计依据和适用范围尚未验证。 硬件方面，作者报告其 Analog to Information Converter（AIC）采用 65 nm CMOS 工艺实现；在 1 V 供电下，采样率为 0.5 KS/s，有效位数（ENOB）为 9.54 bits，功耗为 108 nW。这些参数属于所述 AIC，不能直接等同于包含无线通信及后端重建计算的完整系统能耗。 复现时需核对欠采样率与采样模式、矩阵补全的假设和计算成本，以及各 CS 对照在相同采样与能耗预算下的设置；还需核对重建是否保留分类所依赖的 EEG 信息。全文、实验协议、消融及统计信息尚未验证，摘要中的信号分类优势也不能直接视为在线 BCI 性能提升。

    阅读价值：值得阅读其将随机欠采样硬件与矩阵补全重建结合、同时降低 EEG 感知与通信能耗的设计，但重建和分类优势的具体评估协议尚未验证。

12月31日周二
  1. OpenReview · EEG75

    同步 EEG-fMRI 研究中用于去除 BCG 伪迹的耦合基学习与正则化重建

    基于摘要分析。该研究针对同步 EEG-fMRI 采集中幅度显著大于真实 EEG 的心冲击图（ballistocardiogram，BCG）伪迹，提出 Direct Recording-Joint Incoherent Basis（DRJIB）方法，将受污染的观测分解为 BCG 与潜在 EEG 成分，重点处理连续、非事件相关 EEG 的伪迹去除与信号保留问题。 核心机制是利用新实验装置获取的 BCG-only 与 EEG-only 信号学习两类基表示，而非假定 BCG 与 EEG 子空间正交或独立。其代价函数结合用于自动维度选择的组稀疏惩罚，以及鼓励两类基不相干的能量项，得到成对的低维、半正交基表示；随后将受污染数据拟合到基于这些基的生成模型，并通过正则化完成重建。摘要未给出损失函数的具体形式、正则化参数或优化细节。 作者报告，在具有挑战性的非事件相关 EEG 研究中，相较 Optimal Basis Set（OBS）基线，DRJIB 在分离并保留连续 BCG 与 EEG 信号方面表现出近 12 倍优势。这是初步定量结果，摘要未明确该倍数对应的指标、计算方式及误差范围，不能将其解释为 Accuracy 提升或其他特定性能增益。 复现时需要核对 BCG-only 与 EEG-only 信号的采集装置和条件、参考信号与混合记录的匹配方式、基学习及重建参数，以及 OBS 对照的具体实现。被试数量、数据划分、跨被试或跨会话适用性、实验协议、消融及统计信息尚未验证。该研究直接面向 EEG-fMRI 伪迹处理，但摘要结果不构成 BCI 解码性能改善的证据。

    阅读价值：值得关注其利用独立采集的 BCG-only 与 EEG-only 信号学习耦合基、再进行正则化重建的去伪迹机制，但作者报告的近 12 倍优势仍需核对具体指标、采集条件与评估协议。

1月1日周二
  1. OpenReview · Representation learning72

    基于稀疏表示字典学习的图像集合摘要

    基于摘要分析。本文研究自动图像集合摘要，将摘要构建转化为稀疏表示的字典学习问题：选择能够通过稀疏组合重构原始图像的基，使所选摘要兼顾集合代表性与全局重构误差。 核心机制是以图像集合及其中单幅图像的可重构性衡量摘要效果，并以 MSE 等重构误差作为优化依据。作者将所得问题称为“Sparse Least Square”，指出其为 NP-hard，因而采用模拟退火算法搜索字典，即图像摘要。摘要还提出一项定量评价，用于共同考察摘要的重构能力及其对大型原始图像集合的代表性；具体目标函数、稀疏约束与评价公式尚未验证。 作者报告，在 ImageNet、NUS-WIDE-SCENE 和 Event image set 的图像集合摘要实验中，该方法相比六种基线摘要算法获得更准确的结果。摘要未给出具体数值、基线名称、图像特征、集合构建与划分方式，因此无法判断增益幅度或比较条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可形成一个有限的 EEG 迁移假设——若 EEG 片段已有可比较的固定维特征，可尝试用稀疏重构选择代表性片段，以缓解大量片段的冗余。可复用的是字典选择与重构评价框架，需改造的是特征表示、距离或误差度量，以及被试和通道差异的处理。低信噪比下，重构目标可能优先保留伪迹或高能量成分，而非任务相关信息；小数据也可能使所选片段不稳定。可证伪的小实验是在固定被试内划分和相同摘要预算下，对比该选择方法与随机选择，分别检查留出片段的重构误差及下游任务表现，避免把重构改善等同于 BCI 有效性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将集合摘要转化为稀疏重构字典选择的机制，以及同时考察重构能力与代表性的评价思路；摘要所述优于六种基线的结果仍需结合全文协议核对。

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。