跳到正文

研究类型与证据

预印本 最新动态

预印本 研究索引；按可核对的标签归档，不以热度评价质量。

325 条精选近 30 天 292 条共收录 351 条

更新

精选归档 · 第 14 页

10月2日周五第 261–280 条
  1. arXiv · 泛化与分布偏移76

    深度贝叶斯 REFoCUS

    基于摘要分析。该研究将任意发射序列下的超声多静态数据恢复表述为贝叶斯推断问题，提出 Deep Bayesian REFoCUS：在多静态数据集上训练深度生成先验，以处理经典线性 REFoCUS 解码器难以应对的秩亏情形，并提供恢复结果的不确定性表达。 核心机制是利用学习到的数据先验约束欠定逆问题。摘要指出，模型能够表达采集零空间中的不确定性，而线性 REFoCUS 解码器仅提供点估计；这使研究价值不只在于恢复质量，也在于如何表征观测无法确定的部分。生成模型结构、先验训练目标、贝叶斯推断实现及不确定性校准方式尚未验证。 作者报告，在其评估覆盖的各类秩亏程度和噪声水平下，该方法优于线性基线，并在可精确求逆时回归线性解码。作者还报告，面对模拟数据与体内采集之间的分布偏移，模型无需微调或适应即可保持泛化能力。摘要未提供具体数据集、采集规模、划分方式、评价指标或数值，实验协议、消融及统计信息尚未验证，不能据此推断对任意设备或采集条件均有效。 平台推测（待验证）：可迁移的假设是，生成先验与零空间不确定性表达或可用于 EEG 源重建等欠定逆问题，而非直接用于 BCI 分类。迁移依赖匹配的前向模型、足够覆盖真实信号分布的训练数据及明确的噪声假设；贝叶斯逆问题框架可借鉴，但超声采集算子与数据先验需替换。EEG 的低信噪比、通道减少、跨被试差异及小数据可能导致先验偏置或不确定性失准。可先在具有已知源信号的 EEG 仿真中，改变通道数量与噪声水平，对照线性逆解，检验重建误差和不确定性覆盖是否同时改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其如何以深度生成先验处理秩亏超声逆问题并表达采集零空间中的不确定性，但模拟到体内采集的泛化范围与评估协议尚需全文核验。

  2. arXiv · 表征与预训练74

    对比神经表征嵌入揭示超越对话角色的个体特征

    基于摘要分析。本研究关注神经记录的对比表征学习是否真正捕捉目标特征，而非仅形成可解码的几何结构。作者将 CEBRA 应用于双人对话 EEG，分析训练约束在二维球面上的嵌入，并通过不同置换检验区分双人组的自闭症商数（AQ）差异、个体身份及说话者与倾听者角色相关信息。 作者报告，在双人组标签解码中，二分类 AQ 差异幅度的解码表现为 0.77，多数类基线为 0.55；六分类 |ΔAQ| 划分的表现为 0.44，对照基线为 0.25。摘要未明确这些分数的指标名称、数据划分及被试内或跨被试评估协议，因此不能据此判断跨个体泛化能力。 关键结果来自零假设构造：作者报告，在固定嵌入上置换标签得到 p = 0.001，而每次置换后重新训练编码器得到 p = 0.50。作者据此认为，只有后者检验了标签关联，而非既有嵌入几何。球面混合结构与各类别离散程度更随身份变化，而非随双人组 AQ 差异变化；频段及非振荡活动消融对照未改变这一结果。这说明高于基线的解码表现本身不足以支持目标特征解释。 作者另报告，参与者层面的模型与身份感知零假设存在差异（p = 0.0099），但同一嵌入中的说话者与倾听者角色分析处于机会水平。作者将其解释为嵌入流形主要按个体组织，并对说话与倾听近乎不变；这一结论的适用范围仍需结合具体任务与评估协议核对，不能扩大为一般对话 EEG 不包含角色信息。 复现时应重点核对分组与数据划分方式、CEBRA 的监督信息、球面约束实现、两类置换的交换单位、身份感知零假设及参与者层面模型定义。被试数量、统计检验细节、完整消融及复现资源尚未验证。作者建议将重训练型零假设作为分组数据对比嵌入的默认检验方式，其普适性仍需在其他任务与数据中验证。

    阅读价值：该研究值得阅读的具体原因是：作者报告固定嵌入与逐次重训练的置换检验给出不同结论，提示分组 EEG 对比表征的解码表现需要结合身份感知零假设与嵌入几何进行验证。

  3. Europe PMC · bioRxiv / medRxiv 预印本72

    同步 EEG-fMRI：从安全采集到多模态推断的决策导向批判性综述

    基于摘要分析。本文围绕同步 EEG-fMRI 如何兼顾电生理时间分辨率与血氧水平依赖成像的空间覆盖，综述从安全采集到多模态推断的相互依赖流程，并提出结合采集条件、伪迹结构、分析目标和验证层级选择处理流程的决策框架。 综述覆盖 MRI 兼容采集与安全、时间同步、梯度及心搏相关伪迹校正、EEG 与 fMRI 预处理、定量质量评估、连接分析和多模态融合。其重点不是孤立比较去噪方法，而是审视各方法的适用假设、失效模式、神经信息保留，以及能否泛化到方法开发设置之外。 作者报告，现有文献不支持适用于所有记录的单一伪迹校正策略：当伪迹时序和形态稳定时，模板方法仍然有效；当污染随时间变化或需要实时运行时，基函数集、自适应、参考信号及学习驱动方法可能更合适。这些是有条件的方法选择判断，不能理解为某类方法在所有采集协议下都更优。 作者指出，预处理可能改变频谱估计、连接性和网络组织，因此残余伪迹幅度不足以单独衡量处理成功。对 EEG-fMRI 研究而言，可核对的实践价值在于将信号清洁程度与神经信息保真、下游分析目标共同评估，而非把更低的残余伪迹直接等同于更可靠的神经推断。 摘要未提供文献检索范围、纳入标准、方法间定量对照或框架验证结果，相关实验协议、消融及统计信息尚未验证。复用该框架仍需取得全文，核对各项决策建议的证据来源、适用采集条件与质量评价指标；材料不支持将其直接解释为已经验证的 BCI 性能提升。

    阅读价值：值得阅读的具体价值是将同步 EEG-fMRI 的采集安全、伪迹处理与下游推断纳入同一决策框架，并提醒读者不能仅凭残余伪迹幅度判断处理质量；框架的实证支持尚需全文核对。

  4. Europe PMC · bioRxiv / medRxiv 预印本71

    1 型神经纤维瘤病青少年的 EEG 非周期活动改变

    基于摘要分析。本研究考察 1 型神经纤维瘤病（NF1）青少年是否仍存在与兴奋/抑制（E/I）平衡改变一致的静息态 EEG 特征，以功率谱非周期指数作为候选电生理指标，并分析振荡活动及其与认知表现的关系。 研究纳入 16 名 11–16 岁、确诊 NF1 的青少年，以及 16 名年龄和性别匹配的神经典型对照。作者估计 EEG 功率谱的非周期指数（“1/f”），使用一般线性模型（GLM）评估诊断、年龄及其交互作用；对主导振荡峰频率和功率采用相同结构的模型，并分析记忆、执行功能和注意领域的认知评估与 EEG 特征之间的关联。这是临床群体比较研究，而非 BCI 解码或治疗效果验证。 作者报告，在上述样本与组间比较框架下，NF1 组的非周期指数高于对照组，但该指数与认知表现未见关联。作者报告，校正非周期活动后，NF1 组的主导振荡频率仍低于对照组；诊断与年龄对峰值 alpha 频率（PAF）的交互作用不显著，峰值 alpha 功率也未见组间差异。摘要未提供效应量、置信区间或具体显著性数值，不能据此判断差异的大小与稳定性。 作者将非周期活动改变解释为与 NF1 抑制性张力升高的机制一致，并提出该范式可能用于未来药物或脑刺激试验中的皮层功能监测。需要区分：非周期指数是 E/I 平衡的候选间接指标，本研究并不等同于直接测量抑制性神经传递，也未验证干预敏感性。EEG 采集与预处理、功率谱参数化方法、拟合频段、潜在混杂因素控制及统计细节尚未验证；全文复核应重点确认这些条件及认知关联分析的精度。该材料为预印本，不构成临床实践建议。

    阅读价值：值得阅读其分离非周期与振荡成分的 EEG 分析思路，但非周期指数能否特异反映 NF1 的兴奋/抑制平衡及用于干预监测，仍需进一步验证。

  5. Europe PMC · bioRxiv / medRxiv 预印本71

    主观认知障碍及轻度认知障碍老年人的 REM 睡眠 EEG 慢化提示基底前脑完整性

    基于摘要分析（未取得论文全文）。本研究考察主观认知障碍或轻度认知障碍（MCI）老年人的 REM 睡眠 EEG 慢化与 Meynert 基底核（NbM）体积的关系，并评估认知状态、性别及睡眠呼吸暂停严重程度是否影响这一关系。作者认为，REM EEG 慢化可能反映早期 NbM 退变，具有作为基底前脑完整性非侵入性生物标志物的潜力，但其预后价值尚需纵向研究确定。 机制与测量：NbM 是新皮层胆碱能输入的主要来源，参与 REM 睡眠期间的皮层激活。研究纳入年龄 ≥60 岁、存在主观认知障碍或 MCI 的参与者，开展神经心理与医学评估、多导睡眠监测及 MRI。摘要提到使用涉及 delta、theta 的比值量化 REM EEG 慢化，但该处文本明显截断，无法确认完整频段定义、分母、主关联结果及其统计信息，不能据此重建指标或判断效应大小。 作者报告，经 FDR 校正后，调节效应未达到统计学显著性；组内分析提示 MCI 组中的关系更强，但不能将其等同于认知状态具有显著调节作用。作者还报告，在该老年认知障碍样本中，较小的 NbM 体积与较长的入睡潜伏期及较差的情景记忆相关（均 p < 0.05），这些关联的效应量和校正背景尚未验证。 证据边界：作者提出关联具有 NbM 解剖特异性和 REM 睡眠阶段特异性，但具体对照区域、睡眠阶段及分析方法需查阅全文核对。样本量、MRI 分割流程、混杂因素控制、实验协议及完整统计信息尚未验证。该预印本提供的是关联性证据，不能据此确认退变因果关系、个体诊断能力或未来认知下降预测性能，也不构成临床实践建议。

    阅读价值：该研究将 REM EEG 慢化与 NbM 结构指标联系起来，值得核对其解剖及睡眠阶段特异性证据，但摘要存在截断，且预后价值仍需纵向验证。

10月1日周四
  1. Europe PMC · EEG 方法70

    用于 EEG 情绪识别的微状态引导动态图神经网络与原型对比学习

    基于摘要分析。本研究针对 EEG 情绪识别中静态连接模板难以跟随脑网络随情绪变化而重组的问题，提出微状态引导的融合框架，将 EEG 微状态信息同时引入特征表示和图结构，并结合原型对比域适应实现跨被试对齐。 机制上，摘要明确提及专用编码器、多源动态图生成器及原型对比域适应。其方法特点是利用微状态信息指导时空表示与动态连接建模，而非仅依赖固定连接模板。微状态的提取与模板构建方式、多源图的具体来源、图更新规则、原型定义、对比损失及训练流程尚未验证，不能据摘要判断各模块的独立贡献。 作者报告，在 SEED 的 subject-independent（被试独立）协议下，模型平均 Accuracy 为 89.64%，并优于所比较的先进基线；摘要另称采用留一被试验证评估跨被试泛化。两项描述的具体对应关系、平均方式、波动范围及基线配置尚未验证，因此不宜与其他划分协议下的结果直接比较。 复现时应重点核对微状态模板是否仅由各折允许使用的数据构建、域适应是否使用目标被试数据及其标签、动态图与微状态模块的消融，以及统计稳定性。这些属于待核对事项，并非已确认的协议问题。作者将 SEED-IV 跨数据集验证和自适应微状态模板选择列为未来工作，当前摘要尚不支持跨数据集有效性的结论。实验协议、消融及统计信息尚未验证，代码与复现资源也未由所给材料确认。

    阅读价值：值得核对微状态信息在特征与动态图两个层面的融合是否带来独立增益，以及原型对比域适应在留一被试验证中如何使用目标被试数据；摘要中的跨被试结果为复现提供了明确切入点。

  2. Europe PMC · EEG 方法79

    电极密度究竟有多重要？从 EEG 信号到皮层网络的多层级评估

    基于摘要分析。本研究考察减少 EEG 电极如何影响从全局信号特征到源空间皮层网络的不同分析层级，核心贡献是区分各类指标对空间采样密度的敏感性，而非提出统一的最低通道数。 研究对两个独立静息态 EEG 数据集进行系统性通道子采样：儿童数据包含 120 名被试、原始记录为 128 通道；成人数据包含 98 名被试、原始记录为 256 通道。摘要列出的评估配置包括 256、128、64、32 和 19 通道，具体适用于哪个数据集及通道选择方式尚未验证。评估覆盖信号表征与质量、全局及区域频谱功率、EEG 微状态、头皮层面有效连接、行波，以及源空间皮层枢纽拓扑。 作者报告，在上述静息态数据与子采样条件下，指标对电极减少的敏感性随其空间特异性增加：全局相对频谱功率和解释方差相对稳定，而信噪比、熵、重建误差、区域频谱分布、行波估计、有效连接及微状态动态更易受密度影响。低密度下仍可大体识别典型微状态类别，但其全局解释方差、时间参数及转移结构发生变化。源空间枢纽身份与中心性排序最为敏感，在 32 和 19 通道配置下，跨密度一致性明显降低。 作者报告，两个数据集中若干空间依赖指标在约 64 通道附近出现转变，128 与 256 通道所得估计通常更相近。这是当前静息态条件下的经验性指导，不是普适阈值；摘要未提供可量化的效应大小或统计区间。子采样布局、参考方式、预处理、源定位与连接估计方法、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该结果可帮助 EEG/BCI 研究区分“保留全局特征”与“保留空间网络信息”所需的采样条件，但静息态指标稳定不等同于任务解码性能稳定。若用于 BCI 通道精简，应在固定数据划分和处理流程下，分别检验任务指标与空间特征的一致性；通道位置、低信噪比及跨被试差异可能改变密度效应。

    阅读价值：该研究通过两组静息态 EEG 数据比较电极密度对不同分析层级的影响，为按研究目标选择通道配置提供可核对的依据，但约 64 通道的转变不能直接推广为 BCI 任务的通用阈值。

  3. Europe PMC · BCI / PubMed82

    迈向由高分辨率表面电生理支持的全脑接口

    基于摘要分析。研究探讨能否通过跨被试、跨脑区和行为范式的高分辨率表面电生理聚合，构建接近“全脑接口”功能的人类中枢神经系统图谱。核心贡献是将全脑接口从单个患者、单个设备的大规模同步记录问题，拓展为共同解剖框架下的数据整合问题；这不等同于已实现单个人完整中枢神经系统状态的实时数字表示。 方法与数据：作者使用贴合解剖形态的薄膜神经接口，汇集最初70名接受植入患者、超过100处位置的记录，图谱包含超过100,000次电极部署。这里的部署数量不应理解为同时记录的独立通道数。覆盖范围包括运动、感觉、语言、听觉及联合功能相关区域，以及脑干和脊髓结构。其机制是按共同解剖标志对齐不同被试的记录，再汇总空间功能组织和任务相关电生理活动；具体配准流程、采样条件及跨被试数据划分尚未验证。 作者报告，在跨参与者聚合记录中，手指表征呈符合经典躯体定位图的外侧至内侧排列，相邻表征的转换尺度约为0.8–2.0 mm；运动和言语行为伴随运动相关beta频段抑制及局灶性高gamma（70–200 Hz）增强。作者还报告，皮层、脑干和脊髓的诱发及自发活动中存在任务调制的群体动力学，并据此提出共同解剖标志对齐后，部分精细功能组织可能在个体间保留。 应用与证据边界：作者报告从上肢运动皮层进行实时神经解码以支持神经假体控制，并从腹外侧皮层解码言语、面部运动及复杂情绪表情的皮层相关信号，支持言语与非言语联合交流接口的初步可行性。摘要未提供解码指标、对照基线、训练与测试协议，不能据此判断跨被试泛化或临床有效性。 复现与核对重点：需核对解剖配准误差、不同任务及记录条件的可比性、患者覆盖与取样偏倚，以及实时解码的延迟、独立测试和稳定性。数据与代码可用性、实验协议、消融及统计信息尚未验证。该图谱是可扩展的聚合研究框架，而非对全中枢神经系统完整覆盖或同步读取的证明。

    阅读价值：值得阅读的是以共同解剖框架整合多被试高分辨率表面电生理、构建功能图谱的路径，以及实时运动和交流解码的初步可行性；跨被试对齐精度、解码性能及临床效益尚未验证。

9月29日周二
  1. Europe PMC · bioRxiv / medRxiv 预印本72

    自闭症中的多变量静息态 EEG 组织：共享的年龄相关结构与依赖诊断情境的 IQ 关联

    基于摘要分析。该研究探讨自闭症与对照群体是否共享年龄相关的静息态 EEG 组织维度，以及同一维度与 IQ 的关联是否随诊断情境而变化。其贡献是通过探索性二次分析，将群体共享的 EEG 变化结构与组内脑—认知关联区分开来，而非仅追求分类区分。 数据来自一项已发表的多中心自闭症 EEG 研究，包含预先提取的 726 个睁眼静息态 EEG 特征；最终分析纳入 767 名儿童及青少年，其中 CON 为 344 名、ADOS-A 为 347 名、ADOS-S 为 76 名。作者在合并样本上执行一次主成分分析（PCA），未将年龄、性别、IQ 或诊断组作为 PCA 输入；随后依据特征载荷、年龄关联及其跨组一致性，对主导成分 PC1 作事后解释。 作者报告，在该合并样本中，PC1 解释了 15.94% 的特征方差，最强正载荷对应 delta 频段功率，最强负载荷对应 sample entropy。PC1 与年龄呈负相关（r = −0.846，p < .001），即年龄较大者沿该维度表现为相对较低的 delta 功率与较高的 sample entropy。作者报告，年龄相关方差主要集中于 PC1，并据此将其解释为共享的年龄相关 EEG 维度；横断面年龄关联本身不能确立个体纵向发育轨迹。 去除 PC1 与年龄的线性关联后，作者报告，残差分数 PC1r 在 ADOS-A 组内与 IQ 负相关（b = −0.612，p < .001），在 CON 与 ADOS-S 组内则未达到显著。两两斜率比较仅支持 ADOS-A 的关联比 CON 更负；ADOS-A 与 ADOS-S、ADOS-S 与 CON 的差异均不显著。因此，组内显著性不同不能直接替代组间差异检验，也不能据此断言 ADOS-S 不存在关联。 这是探索性关联分析，尚不能支持因果解释或临床个体预测。复现需核对特征预处理与标准化、中心效应处理、缺失数据、年龄残差化及 IQ 回归设定，以及多重比较控制；这些实验协议、稳健性与统计细节尚未验证。

    阅读价值：值得阅读的是其将共享的年龄相关 EEG 维度与诊断组内的 IQ 关联分开检验，但组间斜率差异仅在 ADOS-A 与 CON 的比较中获支持，不能泛化为所有诊断组之间均存在差异。

  2. Europe PMC · bioRxiv / medRxiv 预印本78

    ICU 中基于 EEG 的谵妄监测系统验证

    基于摘要分析。本研究针对 ICU 谵妄临床评估执行不一致的问题，在多中心前瞻性队列中验证 Ceribell EEG 床旁系统的谵妄检测能力，并考察连续算法评分与临床谵妄严重程度的关联。这属于临床 EEG 监测验证，并非 BCI 控制任务。 研究纳入成人 ICU 患者，使用 Ceribell EEG 系统监测，每次监测持续 6–8 小时，至少覆盖三天。专家临床医生每天最多进行三次谵妄评估，研究协调员另行完成 Confusion Assessment Method for the ICU（CAM-ICU）评估，并据此计算 CAM-ICU-7 严重程度评分。检测验证以专家诊断为参照，使用每次临床评估前后所覆盖的 30 分钟 EEG 数据，与算法输出进行比较。 作者报告，在纳入分析的 225 名参与者中，年龄中位数为 64 岁，男性占 60%，接受机械通气者占 21%；专家共完成 857 次评估，24% 的参与者至少在一次评估中被判定为谵妄。在上述评估窗口与专家诊断对照协议下，系统检测谵妄的敏感度为 81%（95% CI：76%–87%），特异度为 81%（95% CI：78%–84%）。作者报告，连续系统评分与 CAM-ICU-7 评分相关，bootstrap 相关系数 rho 的中位数为 0.58，IQR 为 0.54–0.62；所给摘要的 p 值部分被截断，无法核对显著性数值。 摘要未提供算法机制、训练数据、检测阈值或开发与验证数据的关系，无法判断具体复现条件。需进一步核对同一患者多次评估的统计处理、评估盲法、镇静及意识水平等混杂因素，以及监测窗口外的连续检测性能；实验协议细节、消融及统计信息尚未验证。评分与严重程度的关联支持作者提出的生理表征潜力，但不能据此确认具体生理机制或改善临床结局。该材料为预印本，不构成临床实践建议。

    阅读价值：值得阅读的是其以多中心前瞻性 ICU 队列检验 EEG 谵妄检测系统，并将算法输出与专家诊断及谵妄严重程度对照，但重复评估的统计处理和临床混杂因素仍需全文核对。

9月19日周六
  1. OpenReview · State space models81

    KUKULKAN：用于时间点过程的可解释状态空间模型

    基于摘要分析。Kukulkan 针对时间点过程建模中表达能力与分枝比可解释性之间的权衡，将 Hawkes 激发机制写成状态空间系统，并通过上下文调节与受限输出门控，把分枝比从单一数值扩展为区间约束，同时保留精确似然计算。 核心机制是将 Hawkes 激发核表示为对角线性系统的状态，利用 Mamba 的并行扫描计算；其补偿子具有闭式表达，分枝比对应系统的稳态增益。通过 structured state space duality，同一计算又可写成对历史事件的注意力，从而把经典核、注意力模型和状态空间模型置于统一形式。摘要将 Mamba Hawkes process 与 S2P2 描述为在该形式上以放弃分枝比解释来换取表达能力的相关方法。 Kukulkan 允许上下文选择各通道的衰减率和背景率，但仅通过取值在零与一之间的门控调节输出映射。作者称，这使每个事件的后代数量受到其发生时确定的数值约束，并使分枝比得到部分识别，提供界限、条件估计与模拟估计。具体参数化、区间构造及各估计量的统计含义尚未验证。 作者报告，在去除标准留出似然数值求积偏差的评估协议下，Kukulkan 在九个公开数据集中的七个上达到无约束神经输出映射的表现，并在全部九个数据集上优于分枝比精确可知的对照模型。在交易所订单流上，作者报告其优于无约束输出映射，同时约束每笔订单的后代数量，且市场状态估计保持亚临界。摘要未提供数据集名称、划分、具体分数或“达到”所采用的判定标准；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 问题可合理表示为离散事件时间序列，该机制可能用于研究事件间激发关系，而非直接替代连续 EEG 解码。可复用状态更新与门控约束，但需改造事件提取、上下文输入及通道映射；低信噪比、事件漏检、跨被试差异与小样本可能削弱分枝比解释。一个可证伪的小实验是在固定事件提取与被试内划分下，比较受限与无约束输出映射的留出似然及后代数量估计稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何在保留精确似然计算的同时，以门控约束提供事件后代数量界限，以及消除数值求积偏差的评估协议是否影响模型间比较。

  2. OpenReview · EEG73

    用于实时端到端 EEG 情绪识别的稳健 Resonate-and-Fire 神经元

    基于摘要分析。该研究针对 EEG 情绪识别中窗口化频谱计算限制稀疏处理、增加延迟并降低时间分辨率的问题，提出结合数据驱动初始化的稳健 Resonate-and-Fire（RF）神经元，并构建基于 EEGNet 的脉冲式、流式模型 SS-EEGNet，直接从原始 EEG 提取频谱特征，实现在线端到端识别。 核心机制是利用 RF 神经元的振荡膜动态表征频谱信息，而非先计算稠密的窗口化频谱特征。摘要指出，已有 RF 模型存在参数敏感性与不稳定性，一些改进以额外复杂度换取稳定性；本文则通过稳健 RF 模型与数据驱动初始化，使其更可靠地集成到 Spiking Neural Networks（SNNs）中。具体动力学方程、初始化过程、训练损失及梯度计算方式尚未验证。 作者报告，相较其他 RF 模型，所提神经元降低了计算成本与脉冲发放率；SS-EEGNet 在保持稀疏性的同时支持因果、低延迟推理，并取得有竞争力的 Accuracy 与显著效率收益。摘要未提供具体数值、数据集、被试数量、被试内或跨被试划分，也未说明效率测量的硬件与统计口径，因此尚不能量化收益或与其他 EEG 情绪识别结果直接比较。计算成本和脉冲发放率的降低也不能直接等同于实测能耗下降。 复现时需核对流式输入与输出的时间组织、频谱提取所需的状态积累时间、端到端延迟定义，以及 RF 对照模型和 EEGNet 对照的评估条件。还需确认初始化对不同被试、通道配置与噪声条件的敏感性，以及稀疏运算能否在目标硬件上兑现效率优势。实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其如何以稳健的 Resonate-and-Fire 动力学替代窗口化频谱特征提取，以及稀疏性与低延迟收益是否在实际流式 EEG 推理协议下成立。

  3. OpenReview · EEG76

    TopoJEPA：面向 EEG 基础模型的拓扑锚定联合嵌入预测

    基于摘要分析。TopoJEPA 针对自监督 EEG 基础模型中重建目标可能过度强调电极级信号细节的问题，提出先构建符合 EEG 时空组织的目标表征空间，再在该空间内学习预测动态，以获得更具迁移性的表征。 核心机制遵循 Grounding Before Prediction。Topological Target Grounding（TTG）将异构电极配置映射到统一的层级拓扑，并通过重建学习半球级与区域级表征。Reconstruction-Specific Branch 将重建相关的残差信息隔离到辅助路径，旨在保持重建保真度的同时，减少这些细节对目标空间的主导作用。在 TTG 建立的表征基础上，Topology-Grounded Autoregressive Prediction（TGAP）在联合嵌入空间中建模时空演化。其区别于直接重建原始信号或预测无约束潜在表征的关键，是先约束预测目标的组织结构，而不是完全取消重建学习。 作者报告，在覆盖六类代表性 EEG 解码任务的十个数据集上，TopoJEPA 相较现有自监督方法及 EEG 基础模型基线取得了有竞争力的表现，并在多个任务的线性探测中表现突出。摘要未提供数据集名称、被试规模、具体指标、分数及被试内、跨被试、跨会话或跨数据集划分，因此不能据此量化收益或判断不同协议下的泛化能力。 复现时应重点核对异构电极到层级拓扑的映射规则、TTG 与 TGAP 的训练衔接、辅助分支如何分离重建残差信息，以及线性探测的冻结范围和数据划分。拓扑约束与辅助分支的独立贡献、实验协议、消融及统计信息尚未验证。摘要提供了匿名代码地址，但代码完整性、训练配置及运行条件尚未核验。

    阅读价值：值得核对其拓扑约束目标空间与重建专用分支是否确实提升 EEG 表征迁移性，尤其是作者报告的多任务线性探测表现，但具体评估协议与消融证据尚未验证。

  4. OpenReview · EEG82

    何处、何时及何种内容对齐：以检索为依据的 EEG–ViT 对齐图谱

    基于摘要分析。本文研究 EEG 与预训练 ViT 在空间、时间及网络计算层面的对齐关系，以端到端 200-way 图像检索构建多维对齐图谱，并据此配置 EEG-to-image 解码器。其贡献是将表征对齐分析与实际检索表现联系起来，而非仅讨论抽象的表征相似性。 作者分析了涵盖对比学习、有监督学习、自蒸馏和重建训练的 21 个视觉模型，在 THINGS-EEG2 全部 10 名被试上评估约 21,000 个探测单元；测试包含分别平均 N=1、4、80 次重复试次的三种条件。比较维度包括头皮位置、EEG 时间、网络深度、子层计算、token 读出和训练目标。作者称各项结论均由逐被试符号检验支持；训练与测试划分、探测器形式及多重比较处理尚未验证。 作者报告，在 10/10 名被试中，网络块 0–11 的最佳对齐时刻随深度从 177 ms 推迟至 201 ms，并与头皮后部到前部的潜伏期梯度对应。对于中层对齐峰值，作者提出机制解释：早期计算将 EEG 可见内容写入残差流，中层残差流整合这些内容，后期计算的对齐减弱，而残差流仍保留此前写入的信息。这一解释的具体测量与对照需全文核对。 作者将共享信息解释为粗空间尺度的低层视觉结构，而非细粒度语义：对齐主要由早期视觉皮层上方电极承载，在网络约三分之一至二分之一深度达到峰值；掩码自编码训练下峰值更深，像素重建目标下晚层表现不同。作者报告，2×2 至 4×4 的 token 网格池化较全局读出提高 6–22 个百分点；该差值对应的具体模型、指标定义及重复试次条件尚未验证。 作者进一步报告，将五模型融合流水线简化为八电极、单骨干配置后，表现超过已发表的最先进结果；四状态融合链达到 97.5% 的 final-epoch Accuracy，并取得超过 22% 的单试次 Accuracy。摘要未明确这些结果各自的数据划分、平均重复次数及基线匹配条件，不能跨协议直接比较。复现还需核对电极与模型选择是否独立于测试评估、融合与训练流程、统计不确定性，以及代码和权重可用性；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其以端到端检索统一比较 EEG–ViT 对齐位置、时序与表征读出方式的评估框架，尤其是粗粒度 token 池化和残差流分析能否稳定指导解码器简化。

  5. OpenReview · EEG73

    超越 patch 级 EEG 重建：用于 EEG 解码的对比预训练与多尺度卷积 Transformer

    基于摘要分析。研究针对低信噪比及多时间尺度采样点依赖下，原始 EEG 信号分词与掩码重建预训练是否最优的问题，提出结合对比预训练、多尺度采样点级卷积和 Transformer 编码器块的 CoCoT-EEG，并通过消融实验与机制分析考察架构及预训练目标的影响。 核心思路是将对比学习作为 EEG 自监督预训练的替代路径，同时通过多尺度卷积提取采样点级特征。与围绕 patch 进行重建的方案相比，该研究关注跨 patch 边界的特征提取及较长卷积核，以处理不同时间尺度的信号依赖。摘要未提供对比样本构造、数据增强、损失形式、卷积尺度、模型规模及训练流程，这些实现细节尚未验证。 作者报告，CoCoT 在具有异质实验配置的广泛基准解码任务上达到 state-of-the-art 表现；消融与机制分析支持对比预训练、跨 patch 的采样点级特征提取及较长卷积核带来收益。不过，摘要未列出数据集、任务名称、被试数量、被试内或跨被试等划分协议、对照基线及指标数值，因此尚不能判断提升幅度、跨场景稳定性或各设计因素的独立贡献，也不能直接比较不同实验协议下的结果。 复现与评估应优先核对：预训练和下游数据的划分关系，对比学习正负样本与增强策略的定义，以及比较预训练目标时是否控制架构、数据规模和训练预算。对于低信噪比 EEG，还需核对所学表征是否保留任务相关信息，以及跨被试、跨会话和通道配置变化下的表现。具体实验协议、消融及统计信息尚未验证；摘要中的积极结果不应扩大为对所有 EEG 解码场景均有效的结论。

    阅读价值：值得阅读其对预训练目标与架构的分离分析：作者报告对比预训练、跨 patch 的采样点级特征提取及较长卷积核有益于 EEG 解码，但具体收益与适用协议仍需全文核对。

  6. OpenReview · State space models78

    并行循环视觉：谱卷积状态空间模型

    基于摘要分析。研究针对视觉循环计算难以在 GPU 上高效并行、而前馈网络表达复杂时空结构可能需要扩大模型的问题，提出 spectral convolutional state space models（sCSSMs），以可并行的状态空间模型实现卷积循环。 核心机制是将卷积循环映射到频域，使卷积的复合转化为逐点乘法；作者据此提出线性时间扩展的计算方案，并将 sCSSMs 定位为可与 Mamba、Gated Delta Networks 等 SSM 计算模块组合的组件。线性复杂度对应的变量、边界条件、离散化方式以及实际训练和推理效率尚未验证，不能直接等同于端到端加速。 作者报告：在摘要未具名的视觉推理挑战上，单层 sCSSM 的准确率可与人类表现相媲美，并复现人类在这些任务中的时间—准确率权衡；摘要同时称 transformers 在这些挑战上失败，但任务定义、对照配置与具体指标尚未验证。作者还描述了在 ImageNet-1K 上替换 self-attention，以及作为视频生成模型 LoRA adapter 的应用，并报告在 VideoPhy-2 上以更少参数优于 Standard 和 Transformer 基线。摘要未提供具体分数、参数量、数据划分或指标，不能据此比较不同任务的收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，频域卷积循环可能为 EEG 的时空依赖建模提供可并行模块，但视觉领域的结果不等于 BCI 有效。可尝试复用谱域循环计算，需改造 EEG 输入映射及通道组织方式，并核对其卷积结构是否适合不规则电极布局。低信噪比、跨被试差异、通道缺失及小样本可能削弱收益。一个可检验的小实验是在固定 Cross-subject 划分、预处理与参数预算下，比较 sCSSM 与原 SSM 模块的任务指标、训练耗时及通道扰动鲁棒性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将卷积循环转化为频域并行计算的机制，以及视觉推理与视频生成中的参数效率证据；向 EEG 时空建模迁移的价值尚未验证。

9月18日周五
  1. OpenReview · Representation learning79

    生成驱动的表征学习：无需预设任务的自引导扩散

    该研究考察纯生成训练能否学习可用于语义任务的表征，提出从零端到端联合训练图像编码器与条件扩散模型的框架，不使用标签、对比损失或掩码，基础设置仅采用水平翻转增强。基于摘要分析，未取得论文全文。 编码器输出的潜在向量同时用于控制条件生成和下游语义任务。作者另在编码器输出空间训练扩散模型，以采样潜在表征，并与条件扩散模型串联实现无条件图像生成。摘要强调，条件模型的图像输入与潜在输入使用独立采样的噪声时间步，这是其学习动态的关键；具体噪声注入方式、损失形式与训练流程尚未验证。 作者报告，在 CIFAR-10、CIFAR-100 和 ImageNet-100 上，该系统的无条件生成表现明显优于架构匹配、计算量相同的 DDPM 基线，但摘要未提供指标与数值。作者报告，在仅使用水平翻转增强、编码器纯粹由去噪扩散损失训练的设置下，kNN 分类 Accuracy 可与 SODA 等专门的自监督方法相当。进一步采用与 SimCLR 相同的数据增强配方后，作者报告，生成目标在 CIFAR-10 和 CIFAR-100 涉及的四种探测协议中，有三种优于 SimCLR 的对比目标。数据划分、探测协议细节、消融及统计信息尚未验证，不能据此推断其他任务上的优势。 平台推测（待验证）：迁移至 EEG 的假设是，条件生成的去噪监督可能促使编码器提取可复用结构，从而缓解标签稀缺问题；但图像语义表征的结果不等于 BCI 有效。可复用的是编码器与条件扩散联合训练、独立噪声时间步机制；需改造信号编码、噪声建模与增强策略，水平翻转不能直接视为 EEG 的有效增强。低信噪比、跨被试差异、通道不一致和小样本可能使表征偏向伪迹或个体特征。一个可证伪的小实验是在固定 EEG 数据划分与计算预算下，对比独立和共享噪声时间步，并以冻结编码器的跨被试分类检验机制收益；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对与复现的是：作者以生成目标学习语义表征，并设置同架构、同计算量的 DDPM 对照及同数据增强的 SimCLR 对照，可用于检验表征收益是否来自训练目标与噪声机制，而非额外预设任务。

  2. OpenReview · State space models79

    输入变异性对选择性状态空间模型中长期依赖的影响

    基于摘要分析。研究考察选择性状态空间模型 S6 中，输入变异性如何影响长期依赖，并据此提出基于 Gumbel-Softmax trick 的初始化方法，在不修改模型架构的前提下改善长期信息保持。 核心机制：Mamba 通过输入依赖的 S6 机制建模时变动态，同时保留并行计算能力。作者指出，相比输入无关的 S4、S5，Mamba 在需要不受后续输入影响、持续保留先前信息的长序列任务上可能表现较弱。作者的分析表明，较大的输入方差可能使先前信息更难长期保留，因此离散化状态矩阵在初始化时应包含接近 1 的值。作者进一步指出，在标准 Mamba 初始化下，增大状态维度会使该矩阵的取值分布向接近 0 的区域偏移，却不增加接近 1 的值所占比例。所提方案针对这一分布问题调整初始化，而非增加网络结构；具体参数化、推导假设及训练设置尚未验证。 结果与证据边界：作者报告，在合成任务和 LRA 任务上验证了推导出的初始化性质；新初始化改善了需要跨越长序列、独立于后续输入保留先前信息的任务表现，同时在上下文依赖任务上保持相当表现。摘要未提供具体任务配置、数据划分、对照设置或指标数值，实验协议、消融及统计信息尚未验证，不能据此认定其在所有长序列任务上均优于标准 Mamba。 平台推测（待验证）：迁移假设是，EEG 中随时间变化的输入方差可能影响选择性状态更新对早期信息的保留，但原领域结果不等于 BCI 效果。可复用初始化策略，需适配 EEG 输入编码、归一化和序列长度；低信噪比、通道尺度差异及跨被试变化可能改变机制表现，增强记忆也可能保留无关噪声。可在固定被试内划分、相同 Mamba 架构与训练配置下，对比标准初始化和所提初始化，并改变早期任务相关片段之后的噪声强度，检验性能退化与状态保持是否同步变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究将 Mamba 的长期信息保持问题具体关联到输入方差与离散化状态矩阵的初始化分布，并提出无需修改架构的初始化方案，值得核对其理论适用条件及长序列任务上的复现效果。

  3. OpenReview · Representation learning74

    SpecMRL：在参数谱空间中重新设计 Matryoshka Representation Learning

    基于摘要分析。该研究针对 Matryoshka Representation Learning（MRL）联合优化嵌套前缀、却缺乏显式约束确保前部特征形成有效紧凑编码的问题，提出 SpecMRL：引入由参数导出、按特征重要性组织的谱基，在学习到的谱空间中读取前缀，以改善可变维度表示的压缩效果。 机制上，SpecMRL 的主要变化是重组表示空间，而非替换 MRL 的整体训练框架。摘要称其余部分沿用标准 MRL，但未说明谱基由哪些参数构造、重要性如何度量，以及谱基的学习与更新方式；具体损失、训练开销和推理成本尚未验证。因此，其可核对的创新点是前缀读取坐标系与信息排序机制，而不是摘要未提供的网络结构。 作者报告，在 MTEB 上，SpecMRL 在所有已评估的降维设置中均优于 MRL，且压缩越强，收益越大；作者还报告，仅使用一半嵌入维度即可超过全维 MRL。摘要未提供具体任务、指标、分数、原始维度及数据划分，不能据此判断收益幅度或各任务的一致性。实验协议、消融及统计信息尚未验证，复现需进一步核对模型、训练数据、维度设置和基线条件。 平台推测（待验证）：若 EEG 表示需要按存储或推理预算截取维度，按重要性组织谱方向可能缓解直接截取前缀时的信息损失。该假设依赖可学习的向量表示、参数谱结构及足以稳定估计重要性的训练数据；可复用谱空间重组与前缀读取思路，但需适配 EEG 编码器、任务监督和跨被试分布变化。低信噪比、小数据及通道差异可能使重要方向不稳定，或优先保留被试特异信息。一个可检验的小实验是在固定 EEG 编码器、数据划分和训练预算下，对比标准 MRL 与谱空间前缀读取在多个压缩维度下的表现，并分别评估被试内与跨被试协议。已有 EEG 相关工作尚未检索确认，以上并非已验证的 BCI 效果。

    阅读价值：值得核对参数导出的谱基如何改善嵌套前缀的信息排序，以及作者报告的半维嵌入优于全维 MRL 是否在相同训练与评估条件下成立。

  4. OpenReview · EEG79

    NeuroAccord：时间—空间—频率引导的大型 EEG 模型持续学习

    基于摘要分析。研究针对 EEG 基础模型持续学习中新能力获取与旧任务保持之间的矛盾，提出 NeuroAccord：将具有生理依据的时间—空间—频率（TSF）描述符与模型特征关联，以信号结构为参照约束表征变化，而不回放早期 EEG 记录。 机制方面，作者指出，随着共享模型演化，受保护参数对原任务的重要性可能逐渐下降；面对任务与被试异质性，固定回放缓冲区覆盖的历史知识比例也可能降低。NeuroAccord 利用当前任务描述符和冻结的前一阶段模型特征构建 TSF 基，迁移教师模型所表达的样本间关系，并在适应过程中保持 TSF 耦合。跨阶段累积的 TSF 相关方向用于约束特征漂移。摘要未给出描述符定义、基的构建算法、关系迁移目标或具体损失形式，尚不能判断各模块如何实现及其计算成本。 结果方面，作者报告，在覆盖九个数据集、六种范式和四个 EEG 基础模型的任务增量实验中，NeuroAccord 相对于所比较的 18 个基线，取得最高的平均 anytime accuracy 和 backward transfer，以及最低的 forgetting。该优势限于摘要所述评估范围，不能外推至其他持续学习协议。摘要未提供具体分数、指标定义、任务顺序、数据划分，以及被试内、跨被试或跨会话条件，因此无法量化收益或判断不同实验间的可比性。 作者报告消融、鲁棒性及持续学习分析进一步支持可塑性与稳定性的平衡，但实验协议、消融及统计信息尚未验证。复现时需重点核对 TSF 描述符与特征的对齐方式、累积方向的存储及更新成本、教师模型的使用方式，以及不回放早期记录条件下保留哪些历史信息；同时核查任务顺序变化、被试与通道差异对旧任务保持能力的影响。代码、数据预处理和训练配置在所给材料中尚未验证。

    阅读价值：值得阅读的具体原因是 NeuroAccord 尝试以 EEG 时间—空间—频率结构约束持续学习中的特征漂移，且无需回放早期记录；其相对参数保护与样本回放方法的优势仍需结合全文协议和消融结果核对。