标签
BridgeRouter 将多桥跨模态迁移建模为实例级算法选择问题，通过增益感知的轻量路由器在冻结的 EEG 基础模型桥路径间进行推理时路由，在 FOG 和 ISRUC 数据集上显著优于单一最佳桥路径。
对五个公开的 EEG 基础模型和一个内部开发的 JEPA 风格模型进行的受控评估表明，随机初始化、频带功率基线以及通过验证集选择的探测层，会显著改变在睡眠、情绪和运动想象基准测试中报告的预训练增益。
论文提出 FOCUS——一个基于 Mamba-2 的超轻量 EEG 认知负荷分类模型，采用固定 FFT 频带分解与权值共享编码，在仅 0.04M 参数下于 11 人试点实验中达到 74.75% 准确率与 0.08ms 前向延迟。
这篇论文将音乐愉悦度预测构建为回归问题，利用MUSIN-G数据集的128通道EEG数据，比较了六种深度学习模型（DeepConvNet、CNN-LSTM、GNN-CNN、TCN等），并通过可解释性分析识别影响预测的关键时间片段。
该论文提出一个对比学习框架，将EEG信号与冻结的预训练文本编码器的嵌入空间对齐，用于解码想象言语，并在Chisco数据集上验证了其在固定意图解码、相似度检索和语义结构探针方面的能力。
MontageFlow 是一个流匹配模型，通过将输出限制在满足 EEG 导联（montage）线性约束的子空间内，生成物理上有效的高保真临床 EEG 信号，在三个大规模基准上将 TS-FID 提升了 1.6–3.6 倍。
研究人员开发了基于 ConvNeXt 深度学习模型的方法，用于检测新生儿脑电图中的低电压间期（LVI），其性能达到专家级水平（AUC 0.996），并证明 LVI 可作为新生儿脑病的稳健临床生物标志物，与 EEG 背景活动、HIE 严重程度及癫痫风险强相关。
该论文提出了语言监督（Language as Supervision，LaS）方法，通过将神经特征与自然语言类别描述对齐来实现脑机接口解码。在语音解码任务中，该方法相较于传统的类别标签监督基线最多提升了 17.15 个百分点，并支持对未见类别的泛化。
该研究使用在 Temple University EEG 语料上预训练的轻量级 CNN–Transformer 基础模型提取个性化潜在动力学，发现癫痫与非癫痫患者即使预测拟合度几乎相同，其学到的潜在依赖结构却存在显著差异，强调个性化临床模型需同时评估预测效度与内部动力学结构。
SPERA 是一种采用 JEPA 潜空间预测架构的 EEG 基础模型，引入 Legendre 多项式空间先验与分解式时空注意力，在约 8 万小时、29,048 名受试者的 EEG 数据上预训练，并在九项下游任务上取得最高平均平衡准确率。
本文研究基于同步EEG-fNIRS数据的零样本跨被试连续效价-唤醒度回归问题，将情感分解为刺激共享成分与个体成分，其中个体成分通过无标签的α频带跨通道同步性进行校准；该方法在性能上超越EEGNet和ASAC-Net等基线模型，并对多种替代架构与特征进行了系统的负面结果搜索。
北德克萨斯大学的研究人员提出将拼接融合与混合融合技术应用于EEG时频图像，并结合轻量级CNN来预测rTMS抑郁治疗效果。研究发现，在段级验证下近乎完美的准确率，在受试者不相交交叉验证下会骤降至接近随机水平，警示EEG相关文献中的验证方法存在问题。
NeurDuo-EEG 是一个因果 EEG 基础模型，具备通道级持久状态与显式多时间尺度记忆，通过对离散频谱编码的自回归预测，在 3,955 小时的 EEG 数据上完成预训练。该模型在五个基准测试中的四个上取得最佳结果（包括癫痫检测 AUC-PR 从 0.285 大幅提升至 0.471），其 4.7M 参数的变体支持高效的流式推理。
Neurable 推出了 Neurable One，这是其首款独立脑电扫描耳机，配备 12 个 EEG 传感器，可被动监测大脑活动，帮助用户追踪专注度、压力水平及其他认知指标，售价 499 美元。
研究人员提出了一种经过校准的混合集成方法，通过逻辑回归堆叠元学习器将五种深度学习模型与三种经典机器学习模型相结合，用于基于EEG的癫痫发作预测。在CHB-MIT数据集上采用留一患者交叉验证进行评估，该模型达到了74.2%的发作级别灵敏度，误报率为每小时1.24次，预警时间约为16.9分钟。
该论文发现非侵入式脑电解码语音中报告的大幅改进很大程度上可由时间间隔捷径在无脑数据的合成信号上复现；通过将句子内的滑动窗口独立编码以移除该捷径后，提出的SimpleB2T方法在五次观测下达到36.6%的词错误率，显著提升了脑到文本解码性能。
本文介绍了Signal2Symbol，这是一个神经符号框架，用于在类似ECG和EEG的生理时间序列数据中进行可解释的异常检测，利用符号化分词和时序推理，以产生对异常模式的可解释说明。
Bio-MF是一个一步式生成框架，用于EEG到fNIRS跨模态生成，实现混合运动想象脑机接口的低延迟高保真合成。
本文研究了跨深度聚合和软路由专家在EEG基础模型微调中对多个数据集的影响，显示出不一致的益处和显著的计算开销。
FRIST是一种两阶段EEG解码框架，利用fMRI数据增强仅基于EEG的个体手指脑机接口解码能力，在运动执行和运动想象任务中均提升了准确率。