标签
BrainBench 是一个新的统一基准，用于评估大型语言模型在全面、指令条件下的脑电图理解能力，涵盖 17 个数据集、172 项任务和超过 4000 个真实数据实例。论文评估了 13 个 LLM 在两种执行范式下的表现，表明脑电图能力因模型和操作化方式而异。
本文提出了一种多表征深度学习框架，结合CNN、LSTM和递归图分析来表征脆性X综合征中的α和γ脑电生物标志物，相较于单模态基线方法，分类性能得到提升。
全面综述了老年人认知障碍检测与管理方面的技术进步，涵盖脑电图、神经影像学、血液生物标志物、数字工具以及人工智能/机器学习集成，重点关注外部验证和公平部署等挑战。
本文以SEED和SEED-IV数据集上的DGCNN为例，研究了评估协议如何影响EEG情绪识别中报告的准确率。研究表明，受试者相关（subject-dependent）、跨受试者（subject-disjoint）和跨会话（cross-session）评估回答的是不同问题，而检查点选择（checkpoint selection）和测试集重用可能会虚增准确率。
Introduces ZUNA1.1, a 380M-parameter diffusion autoencoder for flexible EEG signal reconstruction, capable of handling variable-length sequences, arbitrary channels, and temporal intervals, while outperforming standard interpolation methods. The model is released open source under the Apache 2.0 license.
本文提出BridgeMIL，一种用于基于EEG的疾病诊断的两阶段框架，通过多实例学习将实例表示学习与受试者级监督解耦。它在三个EEG疾病数据集上取得了最先进的准确率，优于强基线方法。
CogEEGAgent 是一个基于大型语言模型的智能体，用于自主认知脑电分析，它采用落地执行与选择感知验证框架，确保可靠的分析选择，并阻止自适应搜索产生的误报。
本文介绍了一项大规模研究，将贝叶斯完全池化模型与频率学派基线方法在跨被试运动想象脑电图分类中进行比较，发现贝叶斯方法在可靠性上略有提升，但计算成本更高，实际收益有限。
本文提出了一种轻量级CNN分类器，利用基于欧氏距离的傅里叶-贝塞尔级数展开（FBSE-ED）将脑电信号表示为图像，在预测rTMS抑郁症疗法结果方面达到了93.60%的准确率，优于脑电专用深度学习和预训练深度学习模型。
本研究利用脑电图探究词汇类别中单词可预测性如何影响N400脑响应，结果显示内容词比功能词表现出更大的N400差异，且解码技术优于传统的ERP分析。
本文通过分析EEG信号和事件相关电位(ERP)，探究语言模型的下一词预测是否与人类认知处理一致，发现只有surprisal与人类大脑反应相关，尤其是对于开放类词汇。
本文对多种深度学习架构进行了全面比较，包括视觉Transformer和图注意力网络，用于从多通道脑电图信号中自动检测睡眠呼吸暂停，使用在拓扑数据分析特征上训练的视觉Transformer获得了0.750的最佳测试AUC。
吉迪·利特温（Gidi Littwin）是苹果FaceID和Vision Pro的共同发明者，他正在构建一种前沿AI模型，用于解码大脑电活动以诊断认知障碍。他的初创公司Hemispheric在收集了10万名志愿者的大脑数据后筹集了5200万美元，并计划在2027年初将其PTSD诊断工具提交FDA审批。
本文介绍了一种用于非侵入性脑记录语义重建的多特征融合框架，通过交叉注意力机制结合静态词汇（Word2Vec）和动态上下文（GPT）表示，在脑到文本解码中取得了最先进的性能。
本文介绍了RG-Flow Transformer，这是一种具有重正化群归纳偏置的模型，用于分析稀缺的脑电图数据。它在Sleep-EDF数据集上的睡眠分期任务中与普通Transformer进行对比，发现没有准确率优势，但通过恢复谱指数展示了更好的可解释性。
本文介绍了一种用于基于脑电图的情感识别的图正则化深度学习框架，该框架将心理基础的情感拓扑结构融入训练目标，在SEED数据集上实现了准确率提升高达5.42个百分点以及心理上不合理的误分类减少39%。
这项研究探讨了婴儿在出生后第一年内对音乐的大脑反应和自发运动如何发展，发现音乐的听觉编码早期出现，但协调的运动模式仅在12个月时才出现。
介绍STST-JEPA，一种用于EEG的自监督Transformer，可预测掩码令牌表示，并在47,703次会话上预训练，用于5-81岁年龄段的脑年龄回归。
提出了堆叠LoRA，一种将被试不变知识与被试特定知识解耦的框架，用于使EEG基础模型适应运动想象解码，在多个基准上提升了准确率。
本文提出了一种粒度感知的EEG特征框架，将多尺度描述符组织为全局、区域和通道级别，以预测维度精神病理。使用HBN队列研究表明，基于树的模型和粒度平衡的特征选择带来了适度的改进，表明多尺度EEG特征包含微弱但可检测的儿童心理健康信号。