eeg

Meta改进了Brain2QWERTY，这是一个使用MEG和EEG的非侵入式系统，可将大脑活动解码为文本，实现打字

本文研究了脑电图信号能否补充眼动追踪信号用于微博的自动关键词提取。使用ZuCo语料库，作者表明认知信号，特别是脑电图信号，在不同模型上均能提升自动关键词提取的性能。

文章介绍了NeuraDock Agent，一个开源架构，它将确定性的EEG引擎与LLM接口集成在一起，利用硬件和实现感知的上下文来提高低通道EEG的边界感知能力。

本教程论文介绍NeuraDock Agent，一个用于视觉认知负荷分析的开源EEG工作流，包含预处理、质量控制、实时API和LLM解读。

NeuroSonic 提出了一种条件流匹配框架，用于从脑电图信号重建连续语音。通过学习一个确定性的概率流速度场，解决了神经数据与声学数据之间的结构不匹配问题。在跨受试者基准测试中，相比现有的GAN、扩散和均值流基线，该方法在感知质量上取得了高达26.3%的提升。

RECTOR 是一个自监督框架，从 EEG/sEEG 信号中学习联合的区域-通道-时间表征，用于情感和认知状态分类，在情绪识别和任务参与度基准测试中取得了最先进的结果。

提出随机注意力（Random Attention, RA）模块，这是一种用于移动睡眠分期的轻量级时序建模模块，采用固定随机投影进行基于相似度的聚合，以极少的额外参数实现具有竞争力的性能。

本文研究了通过应用参数量化和电极缩减技术来降低深度神经网络在穿戴设备上进行脑电图（EEG）分析时的计算复杂度，并以癫痫发作检测为例，展示了在精度损失极小的情况下显著降低复杂度的效果。

本研究使用语言模型嵌入来量化自定步速阅读和脑电图数据中的语义关联，探讨不同实现方式如何影响阅读难度的测量指标。

本文识别并诊断了EEG基础模型中的“身份陷阱”，即高准确率可能源于受试者身份特征而非真实的临床生物标志物。它提出了FMScope，一种冻结表示协议以分离这些信号，并证明了受试者身份混杂在三模型中普遍存在且可通过线性方法移除。

本文提出了一种基于脑电图的认知负荷预测的区域级评估框架，表明额叶电极组在使用较少电极的情况下，在排名位置上比全头皮基线高出15-20%，支持高效的工作负荷监测系统。

本文提出了一种轻量级卷积神经网络架构，用于提高基于脑电图的脑机接口的对抗鲁棒性，通过对抗攻击评估，并显示出比现有模型更好的分类性能。

本文介绍了评分引导分类（SGC），这是一种利用无监督生成网络对基于EEG的抑郁症检测中的病理先验进行建模的框架，避免了合成数据增强，并提高了分类准确性。

本文发现了现代大语言模型与人类脑电图信号之间共有的效价轴（V-axis），表明LLM内部表示中的一个单一方向与对情感刺激的神经反应一致。它还识别了饱和规律，解释了为何基于LLM的监督无法改善脑电图解码，以及如何利用残差多样性提升性能。

一个新数据集和模型利用EEG数据预测情绪，性能是之前最先进方法的两倍以上。

本文比较了应用于基于EEG的抑郁症检测的InceptionTime模型的几种事后可解释性方法，发现方法之间部分收敛，同时强调了方法学上的差异性和局限性。

本文识别并解释了一种基于重建的脑电图基础模型中的频谱偏差：嵌入表示过度表征非周期和低频成分，而低估振荡成分（尤其在高频段），导致低资源场景下性能不佳。

本文利用脑电图记录研究人类处理AI生成的幻觉内容时的神经动力学，揭示了错误判断与正确判断幻觉之间的不同认知模式及差异。

本文表明，使用脑电图信号频谱特征的传统机器学习模型在诊断神经退行性疾病方面能够达到或超越最先进的基于注意力的深度学习模型，暗示了注意力机制在该领域的根本局限性。

本文对三个脑电图基础模型（SleepFM、REVE、LaBraM）应用TopK稀疏自编码器，提取可解释的特征字典，并引入了概念引导框架，揭示了表征失败和临床纠缠问题。