跳到正文

研究类型与证据

正式发表 最新动态

正式发表 研究索引；按可核对的标签归档，不以热度评价质量。

71 条精选近 30 天 40 条共收录 119 条

更新

精选归档 · 第 3 页

9月16日周三第 41–60 条
  1. Europe PMC · BCI / PubMed71

    BCI 的理论框架：可解码性、性能极限与闭环适应

    基于摘要分析。该研究针对 BCI 理论基础分散、可解码性与性能边界及动态约束缺乏统一刻画的问题，从信息论和统计决策理论出发，提出覆盖意图生成、神经编码、信号观测、统计解码与反馈调节的闭环随机过程框架。 核心机制是将 BCI 的各环节置于统一的随机系统描述中，并建立整合科学假设、神经科学原理、基本定理与基本规律的分层理论框架。摘要称，基本定理分别刻画意图可解码的条件、可观测信息的上界、最优解码错误率的下界，以及闭环学习的收敛性；基本规律则描述信噪比、低维神经表征、观测信息的不可逆损失、类别分布可分性和非平稳共同适应对系统的约束。这些是作者提出的理论内容，具体数学定义、适用条件与证明尚未验证。 作者报告，以四分类 SSVEP-BCI 为理论案例，对上述定理与规律进行参数化和实例化，展示框架在具体范式中的可操作性与解释力，并据此形成系统设计指导。摘要未提供案例的数据来源、被试信息、数据划分、对照方法或量化指标，因此不能将这一理论案例等同于已完成的在线性能或跨被试泛化验证；实验协议、消融及统计信息尚未验证。 阅读时应重点核对：可解码性如何定义，可观测信息上界与错误率下界依赖哪些分布及观测假设，闭环收敛条件如何处理用户与解码器的非平稳共同适应，以及 SSVEP 案例中的参数如何获得。作者将工作定位为统一理论视角下系统阐述 BCI 框架的首次尝试，但其优先性尚未检索确认，亦不能仅凭摘要判断该框架对其他 BCI 范式的适用范围。

    阅读价值：值得阅读的具体原因是作者将意图可解码性、信息与错误率边界以及闭环学习收敛纳入同一理论框架，并以四分类 SSVEP-BCI 作实例化；其定理假设、证明及案例验证强度尚需全文核对。

  2. Europe PMC · EEG 基础模型76

    MTGNet：面向任务与频谱引导的 EEG 去噪框架

    基于摘要分析。该研究针对 EEG 易受 EMG、EOG 及混合生理伪迹污染的问题，提出 MTGNet，目标是在抑制伪迹的同时保留下游生物医学人工智能任务所需的信息。其核心贡献是结合频谱引导、并行 Mamba-Transformer 骨干与基于 LoRA 的任务感知一致性正则化，将信号重建与下游任务需求联系起来。 机制上，含 11.97 M 参数的骨干先利用成对的含噪与干净 EEG 数据预训练，以学习保留 EEG 的内在特征；随后通过 0.33 M LoRA 参数进行任务特定适配，该适配阶段不要求配对的干净 EEG 参考。框架还引入频谱感知 Guidance Network。摘要未给出一致性正则化的具体形式、频谱引导的实现及适配所需监督信息，这些内容尚待全文核对。 作者报告，在 EEGDenoiseNet 上，针对 EMG、EOG 和混合伪迹，频谱相对均方根误差分别降低超过 18.9%、31.5% 和 14.0%；摘要未明确这些降幅对应的比较基线。在真实场景疲劳 EEG 数据集上，作者报告，相比未处理输入，分类 Accuracy 提升 6.20–6.69 个百分点。摘要中的 p 值比较符号未完整呈现，因此不据此确认具体显著性阈值。上述结果的数据划分、被试内或跨被试设置、样本量及统计检验细节尚未验证。 作者报告进行了消融、跨分类器与跨数据集分析，并认为结果支持各组件的作用及在已评估设置中的迁移能力；摘要不足以判断各协议下的具体收益与适用边界。复现时需重点核对配对数据构造、预训练与适配数据的划分、任务监督来源，以及去噪指标与下游分类收益是否一致。多任务、多伪迹类型及不同采集条件下的真实场景适用性仍待进一步验证；该工作应按任务感知 EEG 去噪方法理解，不能仅因来源分类而认定为通用 EEG 基础模型。

    阅读价值：值得关注其将配对数据去噪预训练与无需配对干净参考的任务适配分离的设计，但去噪收益是否稳定转化为跨任务性能提升，仍需核对全文协议并进一步验证。

9月11日周五
  1. Europe PMC · EEG 情感识别73

    用于 EEG-fNIRS 情感识别的空间—频率超图神经网络

    基于摘要分析。该研究针对 EEG-fNIRS 情感识别中固定频带难以适应被试间频率差异、成对图连接难以表达高阶脑网络关系的问题，提出 Spatial-Frequency Hypergraph Neural Network（SF-HGNN），联合建模频带内多通道协同、通道内跨频关系及跨模态互补信息。 方法包含四个环节：Dynamic Frequency Band Decomposition 自适应优化 EEG 与 fNIRS 的频带；Multi-scale Temporal Convolution 提取不同时间尺度的特征；Spatial-Frequency Adaptive Hypergraph Convolution 表达频带内跨通道空间协同及通道内跨频耦合；Cross-Modal Attention Fusion 融合两种模态的信息。其方法特点是将自适应频带分解与高阶关系建模结合，而不局限于预设频带和成对连接。具体频带约束、超边构建方式、损失函数及训练流程尚未验证。 作者在公开 ENTER 数据集上评估，数据包含 50 名被试及悲伤、快乐、恐惧、平静四类情感。作者报告，在 subject-dependent（被试依赖）与 subject-independent（被试独立）实验中，Accuracy 分别为 82.94% 和 68.85%。摘要未提供具体训练测试划分与验证流程，因此两项结果应分别按各自协议理解，不能直接视为同一条件下的性能对比。 作者报告消融研究和可视化分析支持各模块的有效性与模型可解释性，但摘要未给出具体对照、模块增益或可视化证据。复现时需核对信号预处理、EEG-fNIRS 时间对齐、数据划分、基线设置、消融及统计信息；上述细节尚未验证。作者将更大规模数据验证与跨被试域泛化列为后续方向，当前结果不宜外推为跨数据集或实际在线 BCI 场景中的已验证效果。

    阅读价值：值得关注其以自适应频带与空间—频率超图联合建模 EEG-fNIRS 情感信息的机制，作者报告了被试内及跨被试结果，但具体划分、模块贡献与泛化证据仍需全文核对。

9月10日周四
  1. Europe PMC · EEG 基础模型76

    SEDAT：面向大型 EEG 模型的混合分词器

    基于摘要分析。研究针对大型 EEG 基础模型中固定时间边界可能偏离神经状态转换、通道间空间信息利用不足，以及固定分段标准难以适应异质 EEG 范式的问题，提出混合分词器 SEDAT，将空间聚合、信号分解与自适应分段整合为 token 构建流程。 机制上，SEDAT 结合基于 squeeze-and-excitation（SE）的空间聚合、基于 data-adaptive Gaussian average filtering（DAGAF）的信号分解、瞬时频率引导的自适应分段，以及 Fourier 域重采样。其主要设计思路是在分段前利用空间与信号变化信息，而非仅按固定长度切割；各模块的具体实现、训练方式以及与基础模型的衔接方式尚未验证。 作者在 10 个异质 EEG 数据集上评估 SEDAT，覆盖运动想象、心理想象、P300、慢皮层电位、睡眠分期、癫痫、情绪识别和阿尔茨海默病诊断，使用 LaBraM、EEGFormer、EEGPT 和 NeuroGPT 四个基础模型。对照包括固定长度窗口（FLW）、context segmentation、基于线性预测编码的分词、TFM-Tokenizer 和 source informed segmentation。 在上述评估范围内，作者报告相对 FLW 的分类表现提升最高为 15.3%，相对次优方法提升为 1.2%–4.6%；摘要未明确这些提升对应的分类指标，也未说明是相对百分比还是百分点，因此不能直接解释为 Accuracy 的百分点增益。作者另报告 token 特征的 Silhouette 分数为 0.81–0.85，固定分段基线为 0.33–0.48，支持其特征可分性改善的结论，但不能据此替代下游任务泛化评估。 摘要提到 Benjamini–Hochberg 校正，但显著性相关句子残缺，无法确认检验阈值及完整统计结论；计算复杂度表达也有缺失，尚不能核实效率主张。数据集名称、被试与数据划分、被试内或跨被试等评估协议、消融及统计信息尚未验证。复现时应重点核对各分词方案的输入长度与训练预算是否可比，以及自适应边界和重采样对不同任务信息保留的影响。

    阅读价值：值得核对其自适应时间分段与通道空间聚合能否在不同 EEG 范式和基础模型中稳定改善 token 表征；摘要中的统计显著性及计算复杂度表述不完整，具体结论仍需全文验证。

9月9日周三
  1. Europe PMC · EEG DA / DG / TTA71

    DRDNet：用于手写想象 EEG 分类的双视图表征解耦网络

    基于摘要分析。该研究针对手写想象（HI）EEG 中低信噪比、非平稳性、跨会话分布偏移，以及连续时间趋势与局部高响应模式共存的问题，提出双视图表征解耦网络 DRDNet，用互补时间表征及异构编码器支持非侵入式手写 BCI 解码。 方法先从空间 EEG 特征出发，分别通过平均池化和最大池化构建偏向平滑趋势、偏向显著响应的两种时间视图；随后分别使用双向 Mamba 编码器和 Transformer 编码器建模，通过时间步级动态融合整合两路表征，再以长短期记忆网络进行时间聚合。其核心思路是将不同时间特性分配给不同编码器，而非仅使用单一时间建模方式；摘要所述“解耦”主要体现为上述视图构造与建模路径，是否另有显式解耦约束尚未验证。 研究使用一个公开 HI EEG 数据集中的 Chinese character stroke HI（CCSHI，汉字笔画手写想象）和 pinyin single-vowel HI（SVHI，拼音单元音手写想象）任务。作者报告，在被试内跨会话评估中，两项任务的平均 Accuracy 分别为 67.74% 和 62.51%，Cohen's kappa 分别为 0.5968 和 0.5502；在跨被试评估中，平均 Accuracy 分别为 62.54% 和 54.40%。作者报告 DRDNet 在两种评估设置下均优于七种代表性 EEG 解码基线；不同协议下的分数不宜直接比较。 作者还报告通过混淆矩阵、特征可视化、消融、结构变体和复杂度评估，观察到更好的特征可分性及性能与计算效率之间的平衡，但摘要未给出相关定量细节。数据集名称、被试数、类别设置、具体会话与被试划分、预处理、训练配置、基线调参及统计信息尚未验证，代码可用性亦尚未确认。复现时应重点核对两类视图、编码器匹配及动态融合的独立贡献，并检查跨会话与跨被试结果的个体差异。

    阅读价值：值得核对其双时间视图与异构编码器的消融结果：作者报告该设计在手写想象 EEG 的被试内跨会话及跨被试评估中优于七种基线，但具体划分、统计可靠性和效率收益尚需全文验证。

9月8日周二
  1. Europe PMC · EEG 基础模型79

    SingLEM：单通道大规模 EEG 模型

    基于摘要分析。该研究针对 EEG 深度学习模型任务专用、依赖大量标注，以及部分 EEG 基础模型受预定义多通道输入和电极布局约束的问题，提出自监督基础模型 SingLEM。其核心是独立编码每个通道，得到可单独使用或沿通道维拼接的可复用表征。 机制方面，SingLEM 使用混合卷积–Transformer 编码器，提取单通道信号的局部与长程时间结构。逐通道编码将表征提取与具体多通道布局分离，为灵活使用不同电极配置提供了方法路径；但通道拼接后的维度处理、通道顺序要求，以及对不同布局的实际适应范围，摘要尚未说明。自监督目标、输入预处理、模型规模和训练配置尚未验证。 数据与评估方面，作者汇集了 71 个公开 EEG 数据集，涉及约 9,200 名被试、357,000 单通道小时。为控制预训练与下游评估的数据泄漏，作者从预训练集合中排除了六项下游任务所涉及的三个来源数据集，使用剩余 68 个数据集训练的模型进行评估；另提供基于全部 71 个数据集预训练的版本用于通用复用，两者用途应区分。 作者报告，在六项运动想象与认知任务的严格留一被试法（LOSO）跨被试评估中，采用通道表征拼接与 SVM 分类器的受控预训练模型，在所比较的预训练方法和经典特征方法中取得最佳整体表现。作者还报告，额外分类器及被试适配分析支持表征的稳健性，但摘要未给出逐任务指标、效应幅度或统计信息，不能据此推断每项任务均领先，也不能将被试适配结果与严格 LOSO 结果混为一谈。 作者提供了源代码与预训练模型。复现时需核对所用权重是否为排除三个来源数据集的版本，并确认预处理、特征拼接、SVM 调参与被试适配的数据使用边界；具体实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其逐通道独立表征能否缓解固定电极布局的限制，以及排除下游来源数据集后的 LOSO 评估如何支持表征复用；作者报告的整体优势仍需结合逐任务结果与实验协议验证。

9月3日周四
  1. Europe PMC · EEG 情感识别70

    KTU-MEDAFE：用于情感识别的新建多模态数据集与 EEG-语音决策级融合

    基于摘要分析。本研究面向多模态情感识别，提出 KTU-MEDAFE（Karadeniz Technical University Multimodal Emotion Dataset using Audio, Facial Images, and EEG），采集同步 EEG、语音与面部视频，并以 EEG 和语音的决策级融合建立分类基线。 数据来自 40 名参与者，在受控情绪诱发条件下采集，包含土耳其语情感语音及分属不同日期的两次记录。该设计提供语言特定的多模态资源，支持被试依赖评估，也为后续按会话分离的分析提供条件；摘要并未确认本研究已完成跨会话评估。尽管数据集包含三种模态，本次实验仅研究 EEG 与语音，不能据此判断面部视频的独立或融合贡献。 方法上，作者将符合信号质量标准的 EEG 与语音记录通过 Angle-Amplitude Graph（AAG）转换为图像表示，再使用 ResNet-50 和 GoogLeNet 进行迁移学习分类，并比较多种决策级融合策略。摘要未提供具体融合规则、质量筛选阈值或训练细节。 作者报告，在所评估的二分类情绪对及被试依赖基线背景下，多模态融合的平均分类表现高于单模态 EEG 和语音模型，但效果随被试、融合策略及模型架构而变化，存在明显的被试依赖性。摘要未给出具体指标及数值，不能量化提升幅度，也不能将结果外推为跨被试、跨会话或自然交互场景下的有效性。 复现时需核对情绪类别、同步与分段方式、训练测试划分、质量筛选流程及融合实现；实验协议、消融及统计信息尚未验证。数据访问方式、许可和代码可用性亦尚未验证。

    阅读价值：KTU-MEDAFE 提供同步 EEG、土耳其语语音与面部视频，并设置不同日期的两次采集，值得关注其多模态对齐与跨会话评估潜力，但摘要中的被试依赖基线不能视为跨被试或跨会话有效性证据。

9月2日周三
  1. Europe PMC · 运动想象算法70

    利用互补多视图特征解码手指运动想象 EEG 的多分支异构网络

    基于摘要分析。该研究针对手指运动想象 EEG 较大肢体运动想象更难解码的问题，提出多分支异构网络 MBHN，联合提取原始视图、频率分解视图与小波视图的互补特征，并通过通道自适应核（CAK）模块处理卷积核在不同电极通道上的差异问题。 技术上，MBHN 由三组多样化分支构成，分别利用上述三类视图。作者还引入辅助监督机制与混合损失函数，以促进多视图深层特征互补性的利用。摘要未给出各分支的具体结构、频率分解与小波变换配置、CAK 的计算方式，以及辅助监督目标和混合损失的具体形式，因此尚不能判断各模块如何协同或独立贡献增益。 作者报告，在一个公开手指运动想象数据集上，MBHN 的解码 Accuracy 为 58.49%，并称其达到最先进水平。但摘要未明确数据集名称、被试数量、类别设置，以及被试内、跨被试或跨会话评估协议；数据划分与对照基线也尚未验证，因此该数值不能直接与其他协议下的结果比较。作者报告辅助监督与混合损失有助于利用多视图互补性，但具体消融幅度和统计信息尚未验证。 作者提供了公开代码，可作为复现入口。复现时需核对数据预处理、视图构建、训练与测试划分、基线配置，以及多分支结构和 CAK 的独立贡献；代码与论文实验的一致性仍需检查。当前材料支持其作为手指运动想象 EEG 解码方法进行研究，不足以判断跨被试泛化能力或在线 BCI 表现。

    阅读价值：值得核对 MBHN 的多视图互补特征与通道自适应卷积核设计，并利用作者公开代码检验其增益；摘要中的领先性结论仍需结合数据划分、对照基线与统计结果验证。

9月1日周二
  1. Europe PMC · EEG 基础模型74

    结合对比预训练的时频嵌入实现亚秒级癫痫发作检测

    基于摘要分析。本研究面向 EEG 癫痫发作检测，将可训练连续小波变换（CWT）层整合进 3D CNN，从原始 EEG 自适应学习时频特征，并通过自监督对比预训练缓解低数据量与类别不平衡条件下的学习困难。其主要研究对象是癫痫发作识别，而非通用 EEG 基础模型或 BCI 控制任务。 方法上，作者比较了 contrastive predictive coding 与 bidirectional contrastive learning 两种预训练方式；监督模型对照包括使用预计算 CWT 的 2D CNN，以及直接处理原始信号的 1D CNN。可训练 CWT 的核心意义在于让时频表征随检测任务共同优化，但具体参数化、损失形式及训练流程尚未验证。 作者报告，在单通道和多通道数据实验中，标准 3D CNN 优于上述两类对照，并在短至 0.5 秒的片段上达到 95% Accuracy；对比预训练进一步改善了低数据量与类别不平衡情境下的表现。作者还报告，在输入施加中等噪声、降采样，以及采用留出被试评估 Cross-subject 泛化的实验中，框架维持了 90% Accuracy。摘要未明确这些扰动是否联合施加，也未给出各条件的独立结果，因此不宜将其合并理解为同一协议下的综合鲁棒性结论。 机制分析方面，作者报告，带通滤波与时间打乱实验提示分类主要依赖低频模式和统计特征，而非时间依赖关系。这为理解模型利用何种信号提供了线索，但其适用范围仍需结合具体扰动方式与对照结果判断。 数据集、被试数量、片段划分、类别比例、置信区间及完整消融信息尚未验证。0.5 秒输入片段不等同于从发作起始计算的检测延迟；临床适用性仍需核对事件级灵敏度、误报率及连续 EEG 评估。摘要也不足以判断模型是否具备跨任务基础模型能力。

    阅读价值：值得核对的是可训练 CWT 时频表征与对比预训练在短片段癫痫发作检测中的作用，以及低频和统计特征主导分类的机制分析；摘要中的片段长度尚不能直接解释为在线检测延迟。

8月31日周一
  1. Europe PMC · EEG 基础模型72

    FoME：采用自适应时序–横向注意力缩放的 EEG 基础模型

    基于摘要分析。FoME 针对 EEG 信号异质性、低信噪比和标注数据有限的问题，提出结合时频融合嵌入与自适应时序–横向注意力缩放的基础模型，旨在支持不同数据流中的 EEG 表征与多通道建模。 核心机制包括 time-frequency fusion embedding 和 adaptive temporal-lateral attention scaling（ATLAS）。作者认为，两者能够协同捕获 EEG 的时序与频谱动态，并适应不同数据中的信号模式。摘要未说明时频特征的具体构造、融合方式、横向注意力的作用维度及缩放规则，预训练目标、损失函数与推理流程亦尚未验证。 预训练方面，作者报告使用包含头皮及颅内 EEG 的多样化 1.7 TB 数据，模型规模为 745M 参数，训练步数为 1,096k。具体数据集组成、被试数量、通道配置、预处理及数据划分尚未验证，不能据此推定其具备跨被试、跨会话或跨数据集泛化能力。 评估方面，作者报告在四项下游任务上开展分类与预测评估，并声称持续达到最先进结果；摘要未提供任务名称、指标数值、对照基线或评估协议，因此尚不能量化其相对优势，也不能将这一主张等同于已验证的 BCI 效果。实验协议、消融及统计信息尚未验证。 复现时需核对时频融合与 ATLAS 各自的贡献、不同 EEG 来源之间的训练与测试划分，以及下游任务的适配方式。摘要称代码将在发表时发布，但现有材料不足以确认代码或模型权重是否已经公开。

    阅读价值：FoME 将时频融合嵌入与自适应 temporal-lateral 注意力缩放结合，并在头皮及颅内 EEG 上预训练，值得核对其对信号异质性和多通道建模的实际收益；摘要中的性能主张仍需完整评估协议与结果支持。

8月28日周五
  1. Europe PMC · EEG DA / DG / TTA71

    用于脑机接口跨会话迁移的置信度门控源选择策略

    基于摘要分析。本研究针对运动想象（MI）BCI 在多日使用中的 EEG 跨会话变异，研究同一被试存在多个历史会话时，如何选择源会话并将其用于目标会话迁移。作者提出置信度门控的选择性迁移流程，主要贡献是将源会话筛选与后续整合方式一并比较，而非仅考察是否保留相近会话。 方法上，Minimum-Distance Multi-Source Pipeline（MMP）仅使用与目标接近的源会话；Bridge Domain Pipeline（BDP）同时利用近距离和远距离源会话，旨在提高稳健性。对照包括均匀池化（MAP）和距离加权池化（DWP）。摘要未说明置信度门控的具体计算、会话距离定义及桥接域构造方式，这些机制仍需正文核对。 作者报告，在两个公开 MI EEG 数据集上，采用匹配的特征提取、分类和域适应算法配置进行比较后，不同评价终点得到不同结论：MAP 的最高配置 Accuracy 最好，DWP 的跨配置平均 Accuracy 最高；在主数据集的数据驱动配置选择条件下，MAP、DWP 与 BDP 属于表现最好的流程，三者间无统计显著差异。摘要另列的 MMP mta 在固定配置下表现相近，但在数据驱动配置选择下较弱，其具体变体定义尚未验证。 作者报告，BDP 的 Accuracy 位于表现最好的方法之列，同时相较全量池化显著减少运行时间及所需源会话数，但摘要未给出具体数值。结果提示，跨会话选择性迁移不仅取决于选哪些会话，还取决于保留会话如何被下游整合；无显著差异不应直接解读为方法等效。 数据集名称、被试与会话规模、目标会话可用数据及标签条件、配置选择与测试划分、统计检验、消融和计算计时协议尚未验证。摘要提及纵向康复与辅助 BCI 的应用意义，但未提供临床部署验证证据。

    阅读价值：该研究在匹配特征提取、分类和域适应配置的前提下比较源会话选择与整合策略，值得核对 BDP 在保持解码表现的同时减少源会话和运行时间的具体条件，而非仅按最高 Accuracy 判断方法优劣。

8月27日周四
  1. Europe PMC · 运动想象算法73

    面向运动想象的 EEG 与 fNIRS 均衡多模态解码框架

    基于摘要分析。该研究针对 EEG-fNIRS 运动想象（MI）联合训练中易学习模态占据主导、削弱融合表征的问题，提出动态重初始化框架，通过“诊断—调整—重初始化”机制促进跨模态均衡学习。 核心机制是以训练集与验证集单模态特征的可分性差异作为诊断信号，结合网络层级先验和模态特异的梯度统计量生成调整因子，再据此周期性地对 EEG 与 fNIRS 编码器参数进行软重初始化。其设计目标是促进弱势模态重新学习、抑制单模态主导，同时保持已收敛表征的稳定性；具体可分性度量、调整公式及软重初始化实现尚未验证。 作者报告，在一个公开 EEG-fNIRS MI 数据集上，平均分类 Accuracy 为 92.42 ± 4.54%，并称显著优于单模态及常规融合基线、在不同被试间表现出较强一致性。摘要未给出数据集名称、被试规模、划分方式、基线具体成绩及显著性检验细节；“±”对应的统计量也尚未明确。不同被试间的一致性不能直接等同于采用了 Cross-subject 评估协议，因此该结果的跨被试泛化含义仍需全文确认。 复现时需核对诊断信号如何使用验证集、层级先验与梯度统计量如何组合、重初始化频率及幅度如何设定，以及这些机制相对常规训练的独立贡献。实验协议、消融及统计信息尚未验证；当前材料支持其作为多模态训练均衡机制的研究线索，尚不足以判断跨会话、跨数据集或在线 BCI 场景的有效性。

    阅读价值：该研究以训练与验证特征可分性差异诊断模态失衡，并通过周期性软重初始化调节 EEG-fNIRS 联合训练，值得核对其相对常规融合的收益及对验证集使用方式、重初始化策略的敏感性。

  2. Europe PMC · EEG DA / DG / TTA71

    PDC-Net：用于跨被试视觉注意状态解码的门控 Mamba 交互前额叶双通道网络

    基于摘要分析。该研究针对低通道 EEG 条件下视觉持续注意（VSA）与视觉内部导向认知（VIDC）解码的跨被试泛化问题，提出 PDC-Net，利用前额叶 Fp1/Fp2 双通道信号，在离线 GPU 环境中评估不依赖目标被试训练的状态解码可行性。 方法包含两个核心模块：Temporal Representation Adaptation Block（TRAB）负责局部时序变换与特征通道重校准；Cross-Branch Gated Mamba Interaction（CGMI）通过输入依赖的门控机制实现双分支信息交换与长程序列建模。其可核对的设计重点是将局部时序处理与跨分支交互结合，用于受限通道条件下的状态表征；具体网络结构、损失函数和训练流程尚未验证。 作者报告，在严格留一被试交叉验证（LOSO）协议下，PDC-Net 的平均解码 Accuracy 为 76.76%，为所评估的 11 个模型中最高的平均值。作者还报告，在所评估的离线 GPU 条件下，模型在跨被试解码性能与计算成本之间取得了较好的平衡；摘要未提供计算量、延迟或资源占用数值，因此不能据此判断实时部署性能。 这些结果支持的是受控条件下双通道 EEG 离线 VSA/VIDC 解码的可行性，不等同于外部数据、跨会话或在线 BCI 有效性。数据集、被试规模、任务与标签定义、预处理、LOSO 内部训练和验证划分、基线配置、消融及统计信息尚未验证；复现时需进一步核对这些条件，以及性能差异是否稳定。外部、跨会话、在线及特定硬件评估仍需后续验证。

    阅读价值：值得核对其在 Fp1/Fp2 双通道条件下结合局部时序适配与门控 Mamba 交互的设计，以及严格 LOSO 协议下的性能与计算成本权衡，但外部、跨会话和在线有效性尚未验证。

  3. Europe PMC · EEG 基础模型74

    用于阿尔茨海默病静息态 EEG 分析的可解释自监督 Transformer

    基于摘要分析。本研究针对阿尔茨海默病（AD）静息态 EEG 分析中标注有限、时空建模不足和跨设备迁移困难等问题，提出自监督时空 Transformer（STT-EEG），用于 AD 与认知正常对照（CN）分类及 MMSE 评分预测。主要研究对象是疾病相关 EEG 分析，而非 BCI 控制任务。 方法包括四部分：利用 111 名健康对照的 EEG，通过掩码自编码与时间顺序预测进行自监督预训练；引入空间注意力模块（SAM），作者称其同时捕获长程时间依赖与通道交互；开展从 64 通道 BioSemi 到 19 通道 Nihon Kohden 系统的跨数据集迁移；结合 attention rollout 与通道扰动分析模型关注的信号区域。摘要未给出掩码策略、损失组合、通道映射及具体网络结构。 评估方面，作者描述在 SRM 数据集上采用按被试划分的五折交叉验证训练，并在包含 36 名 AD、29 名 CN 的 OpenNeuro ds004504 上微调。作者报告，在该 OpenNeuro 数据集上的 AD vs. CN 分类 Accuracy 为 96.42%；但预训练、微调与最终评估被试的具体划分关系尚未验证。作者报告消融中自监督预训练、数据增强和 SAM 分别带来 +7.08%、+6.30% 和 +4.86% 的提升，摘要未明确这些数值是相对百分比还是百分点，也未充分说明各自对照配置，不宜直接累加或比较贡献大小。 对于连续 MMSE 评分预测，作者报告 Pearson 相关系数为 0.872、MAE 为 2.34 分；该任务对应的数据划分和评估样本尚未验证。解释性分析关注 T3–T6、P3–Pz–P4 和 O1–O2 等电极位置，作者认为其与 AD 相关颞顶叶病理相符；这种一致性不等同于病理机制的因果验证。 复现时应重点核对预处理、分段与被试划分顺序、预训练数据与下游评估数据的关系、跨设备通道适配、微调范围，以及消融对照和统计不确定性。摘要提供了消融结果，但完整实验协议、消融细节及统计信息尚未验证；现有材料也不足以确认其早期检测能力或临床泛化效果。

    阅读价值：值得核对其自监督预训练、跨设备通道迁移及解释性分析的具体实现；作者报告了 AD 分类与 MMSE 预测结果，但跨数据集微调和评估划分仍需全文确认，不能据此认定临床有效性或基础模型能力。

8月22日周六
  1. Europe PMC · EEG 基础模型74

    通过语言对齐半监督学习实现异构 EEG 信号建模的统一基础模型

    基于摘要分析。该研究针对异构 EEG 数据集标注可用性不一、任务监督难以统一的问题，提出 USEA：将 EEG 建模表述为语义引导的自回归表征学习，在统一优化框架中联合利用全标注、少量标注和无标注数据，而不依赖任务专属分类头。 有标注时，USEA 使用冻结语言模型编码标签描述，将其作为语义目标，通过余弦相似度对齐 EEG 表征；无标注时，则以自监督方式自回归重建 EEG token 表征。其核心区别在于把语义监督与无标注表征学习纳入同一训练框架，而非严格分离无监督预训练和监督微调两个阶段。摘要未提供两类训练目标的具体损失形式、权重或数据混合策略。 骨干采用基于 Dynamic Tanh（DyT）的无归一化 Transformer。作者将这一设计用于降低模型对数据集特定激活统计的敏感性，同时保留 EEG 幅值信息，以改善优化稳定性和跨数据集稳健性；这些作用仍需结合正文中的消融与幅值处理流程核对，不能仅凭设计动机视为已验证收益。 作者报告在覆盖不同范式与记录配置的九个公开 EEG 数据集上，相较最先进基线取得有竞争力的表现。摘要未列出数据集名称、被试数、指标数值、标注比例及数据划分，因此尚不能判断结果属于被试内、跨被试、跨会话还是跨数据集评估，也不能将“有竞争力”解释为全面优于基线。 复现时需核对标签描述与语言模型的具体设置、异构通道及采样率的处理、EEG token 构造方式，以及语义对齐、自回归重建和 DyT 的独立贡献。实验协议、消融及统计信息尚未验证，代码与权重可用性亦尚未验证。

    阅读价值：值得核对 USEA 如何以语言语义目标和自回归重建统一利用不同标注量的 EEG 数据，尤其是 DyT 对跨数据集稳健性与幅值信息保留的实际贡献；摘要尚不足以验证这些机制各自的收益。

8月20日周四
  1. Europe PMC · EEG 情感识别75

    基于 cEEGrid 的音乐情绪识别

    基于摘要分析。本研究考察耳周移动 EEG 能否用于音乐诱发情绪解码，以及数据划分方式如何影响性能评估。作者采集了包含头皮 EEG（DAAMEE-s）与耳周 cEEGrid（DAAMEE-c）的 DAAMEE 数据集，并结合既有 DEAP 数据集，使用多种深度学习模型和数据划分方式开展测试。 DAAMEE 包含多项任务，本研究使用其中被试听音乐并记录自身情绪状态的任务数据；DEAP 则提供头皮 EEG 对照数据。评估主要针对二分类效价（valence）解码，表现最好的模型还被用于唤醒度（arousal）、支配度（dominance）及效价—唤醒度—支配度三维分类。摘要未说明具体模型、标签构建方式及训练流程。 作者报告，在所测试的模型与划分条件下，DAAMEE-c 的表现总体与 DAAMEE-s 和 DEAP 相近，支持进一步研究 cEEGrid 用于情绪解码的可行性；摘要未给出具体指标、数值及统计信息，因此尚不能据此认定不同采集方式性能等效，也不能将跨数据集的表现比较理解为 Cross-dataset 泛化验证。 作者报告，某些数据划分方式可能使模型利用样本间的时间相关性，造成性能虚高。这使划分协议成为解读结果的关键：需在全文中核对训练集与测试集的样本组织方式，以及其是否对应被试内、跨被试或跨会话评估。被试数、通道配置、预处理、具体划分、对照结果、消融及统计信息尚未验证，数据与代码的获取条件亦需进一步确认。现有摘要支持移动情绪解码的可行性探索，不构成实际 BCI 应用效果或临床有效性的证据。

    阅读价值：值得阅读之处在于同时比较耳周 cEEGrid 与头皮 EEG 的音乐情绪解码表现，并考察数据划分对性能估计的影响，但具体划分协议与结果幅度仍需全文核验。

8月17日周一
  1. Europe PMC · EEG 基础模型73

    基于分层时间趋势整合与自监督学习的癫痫发作检测

    基于摘要分析。本文针对 EEG 癫痫发作检测中的标注稀缺、患者间差异和记录非平稳性，提出 Federated Temporal Learning（FTL），通过共享骨干网络联合训练监督分类任务与 Temporal Sequence Consistency Learning（TSCLM）自监督任务，以学习多尺度时间模式及子序列顺序关系。主要研究对象是癫痫发作检测，不能据此认定其为 EEG 基础模型或已验证的 BCI 方法。 机制上，骨干由 Hierarchical Temporal Trend Integration Modules（HTTIMs）构成，提取不同尺度的长短期趋势，并自顶向下混合；Temporal Self Supervision Head（TSSH）通过学习子序列间的顺序关系，在不依赖人工标签的情况下引入时间位置感知。训练使用含混合系数 δ 与划分比例 τ 的联合目标，但摘要未给出其具体定义及损失形式。推理时移除自监督头，仅保留分类预测路径。尽管框架名称含 Federated，摘要未说明客户端、通信或聚合机制，不能据名称认定其实现了联邦学习。 理论方面，作者报告分析了算法稳定性，并给出半监督目标下经验风险与期望风险之差的界，用于讨论标注数据量与优化条件的关系；成立假设及界的具体形式尚未验证。 实验方面，作者报告在 TUSZ v2.0.1 上 Accuracy 为 99.16%、Precision 为 99.19%、Recall 为 99.65%、宏平均 F1 为 97.17%；在 Zenodo NICU EEG 上分别为 95.61%、96.78%、94.67% 和 96.87%。这些结果对应各数据集，但摘要未交代被试数、数据划分、标注比例、评估单位及除 F1 外的指标平均方式，不能判断其属于被试内还是跨被试评估，也不能直接跨数据集比较。作者称达到先进水平，具体对照基线、实验协议、消融及统计信息尚未验证。 复现时应重点核对患者级划分、预处理与样本构建、有限标注设置，以及 HTTIMs 和 TSCLM 各自的贡献；临床可靠性还需结合事件级检出、误报负担及独立数据验证，不能仅由摘要中的分类指标推定。

    阅读价值：值得核对的是多尺度趋势整合与顺序感知自监督能否在严格跨被试划分及有限标注条件下改善癫痫发作检测，摘要中的高指标尚不足以确认临床可靠性。

8月14日周五
  1. Europe PMC · EEG DA / DG / TTA74

    基于图卷积网络的 EEG 协调化：面向 BCI 运动想象的跨数据集迁移

    基于摘要分析。本研究针对运动想象 BCI 中不同 EEG 数据集电极配置不一致、难以联合利用的问题，提出将异构 EEG 映射到共同物理电极布局的空间协调化框架，旨在保留任务相关信息，而非仅使用数据集间共有的少量电极。 方法将每个 EEG 试次表示为图，以电极为节点、电极采样序列为节点嵌入，通过两层图卷积网络（GCN）建模电极与 EEG 样本间的时空关系。研究从时域、频域和空间域检查协调化后的信号，并使用 EEGNet、FBCNet 和 ADFCNN 评估下游运动想象分类。摘要说明，实验覆盖三个公开运动想象 EEG 数据集，采用数据集内分类、仅源域训练的跨数据集迁移及目标域微调三类协议；数据集内分类不能据此等同于被试内评估。 作者报告，相比球面样条插值，GCN 的协调化误差更低，并保留了运动想象 EEG 的主要时间、频谱和空间特征。在 Dataset A 的数据集内分类协议下，结合真实与协调化 EEG 后，EEGNet 的 Accuracy 从 56.57% 提升至 66.20%，FBCNet 从 61.96% 提升至 72.54%；具体划分及对照数据构成尚未验证。跨数据集实验中，作者报告协调化表示可支持仅源域迁移与目标域微调，组合条件通常表现最好，但摘要未提供该条件的完整定义或具体分数，不能量化其跨数据集收益。 这一工作的具体价值在于直接处理信号层面的电极布局兼容性，为异构数据联合利用提供路径。复现时需核对目标布局、图连接方式、协调化训练目标、源域与目标域的数据使用边界，以及分类器训练设置。数据集名称、被试数、划分、消融及统计信息尚未验证；电极布局统一能否同时缓解跨被试或跨设备分布差异，仍不能由摘要确定。

    阅读价值：值得关注其在 EEG 信号层面统一电极布局的机制，以及相对球面样条插值的误差比较；作者报告了数据集内解码改善，但跨数据集收益的幅度及适用条件仍需全文核验。

8月12日周三
  1. Europe PMC · EEG 基础模型72

    面向 EEG 癫痫发作识别的表格到图像深度学习流程比较评估：结合统计分析与可解释 AI 的全面基准

    基于摘要分析。本研究针对 EEG 癫痫发作识别中图像编码选择与视觉骨干选择相互混杂的问题，在 Bonn EEG corpus 的二分类、三分类和五分类任务上构建联合比较基准。其贡献是用统一协议考察编码、架构家族与任务粒度的交互关系，而非提出新的 EEG 基础模型。 研究采用因子式比较，将七种编码——DeepInsight、IGTD、REFINED、Gramian Angular Field（GAF）、Markov Transition Field、Tab2Img 和 HSV 通道方案——与十种覆盖卷积、纯 Transformer 及混合架构的骨干组合。方法背景是把 EEG 表征转换为二维图像，以迁移学习复用 ImageNet 预训练视觉骨干；具体输入特征、编码拟合及骨干微调方式尚未验证。 评估采用 GroupKFold、双随机种子、Optuna 超参数优化、配对非参数统计检验、Holm-Bonferroni 校正及 Cohen's d 效应量，并使用 Grad-CAM 与 Attention-Rollout 提供解释。作者报告，在超过 600 次最终运行中，DeiT-Small 与 IGTD 在其称为趋于饱和的二分类任务上达到 macro-F1 0.9868 ± 0.0070；CoAtNet-0 与 GAF 在三分类和五分类任务上的 macro-F1 分别为 0.9538 和 0.7799。不同分类任务难度不同，这些数值不能直接作为架构优劣的跨任务比较。 作者报告，两种互为反向、发生于同一上位类别内部的混淆合计占五分类剩余错误的 67.5%；混合架构取得 +1.2 至 +2.0 的 Cohen's d 优势，并处于准确率—效率 Pareto 前沿，但摘要未交代该效应量对应的具体对照与效率测量条件。作者据此认为，编码与架构的优势随任务粒度变化，改善五分类表现更应关注输入表征，而非单纯扩大骨干。 复现时需核对 GroupKFold 的分组单位，不能直接将其视为跨被试评估；同时需确认编码拟合、预处理及超参数搜索与测试数据的隔离方式。具体类别定义、误差范围含义、消融与统计比较细节，以及代码和计算条件均尚未验证。该摘要支持 EEG 癫痫识别基准的阅读价值，不构成对通用 BCI 或 EEG 基础模型有效性的验证。

    阅读价值：该研究以统一分组评估协议联合比较 EEG 表格到图像编码与视觉骨干，值得核对其任务粒度交互效应及统计证据，但分组单位与预处理隔离仍需全文确认。

8月10日周一
  1. Europe PMC · 运动想象算法74

    面向单侧肢体运动想象的多模态 fNIRS-EEG 数据集

    基于摘要分析。针对现有公开运动想象（MI）数据集多侧重左右肢体二分类或四分类、主要利用较粗粒度半球侧化信息的问题，作者提出公开数据集 MIND，同步记录右上肢四类方向 MI 的 EEG 与 fNIRS，为单侧肢体多方向解码及多模态方法比较提供数据资源。 数据采集：作者报告，数据来自 30 名参与者，其中女性 12 名、男性 18 名，年龄为 19.0–25.0 岁；EEG 为 64 通道、采样率 1000 Hz，fNIRS 为 51 通道、采样率 47.62 Hz。摘要未说明四个方向的具体定义、试次数、会话安排、传感器布局及跨设备时间对齐方式，这些复现条件尚待核对。 技术验证：作者分析了 EEG 频谱功率与血流动力学响应的时空特征，并提供 EEG、fNIRS 及联合模态的分类基线摘要，以验证数据中的任务相关信息。摘要未给出具体分类指标、数值、模型及数据划分，因而目前不能判断多模态融合是否优于单模态，也不能确认被试内、跨被试或跨会话解码的表现。 该数据集的主要价值在于将任务聚焦于同一上肢的方向区分，而非仅依赖左右半球侧化，并支持电生理与血流动力学信号的对照分析。实际复用前需核对预处理、伪迹处理、标签与事件标记、训练测试划分及数据获取条件；实验协议、消融及统计信息尚未验证。摘要提供的是数据集及技术验证信息，尚不能据此认定其已验证上肢康复或外部设备控制中的实际效果。

    阅读价值：MIND 提供右上肢四类方向运动想象的同步 fNIRS-EEG 数据及单模态、联合模态分类基线，值得用于考察单侧肢体精细方向解码与多模态融合，但具体分类性能和评估协议尚待全文核对。