本研究提出了一种新模型R1 Translator，旨在提高脑电图(EEG)信号解码为文本的质量。该模型结合了双向LSTM编码器和预训练的变换器解码器，表现优于T5和Brain Translator，显示出在脑-语言处理中的重要性。

本研究提出了一种新型神经网络xEEGNet，用于分析脑电图数据，提升阿尔茨海默症等痴呆症的分类能力。xEEGNet通过减少参数数量，保持良好的解释性和抗过拟合能力，同时实现与大模型相当的分类性能，为医学领域的神经网络应用提供了新视角。

本研究提出了一种新的脑电图（EEG）分类方法MPEC，旨在解决传统方法未考虑EEG数据流形结构的问题。通过结合协方差矩阵和改进的K均值聚类算法，该方法在BCI Competition IV数据集2a上显著提升了分类性能。

本研究提出一种新方法，将多变量模式分析与状态空间模型结合，以解析脑电图数据中的认知策略，揭示“确认”操作与决策准确性及思维变化之间的关系。

本研究针对不同耳机间脑电图（EEG）信号解码的挑战，提出了一种新的空间蒸馏基于分布对齐（SDDA）方法，以实现非侵入性脑机接口中异构跨耳机传输。实验结果表明，SDDA在离线无监督领域适应和在线监督领域适应中均表现出优越的性能，超越了10种经典及最先进的迁移学习算法。

本研究探讨了生成对抗网络（GAN）在静息状态脑电图（EEG）中的应用。通过Wasserstein GAN及梯度惩罚，成功生成多通道EEG数据，并验证其质量，表明该模型可用于EEG数据生成和无监督特征提取。

本研究解决了基础模型在医学时间序列分析中的适用性问题，特别是在脑电图（EEG）分析中。通过对不同任务的广泛实验，我们发现基础模型能够有效提取EEG特征，诊断准确性甚至超越专业EEG模型，并且能定位任务特异性生物标志物，显示出其在临床实践中的潜在应用价值。

本研究提出了一种基于意图的听觉场景理解方法（II-ASU），并开发了听觉注意力驱动的大型语言模型（AAD-LLM）。该模型通过脑电图数据解码听众关注的说话者，生成更符合听众意图的响应，实验结果显示其在多说话者场景中的表现优于传统模型。

本研究旨在针对在线学习时单个学生的专注状态进行分类，填补现有研究中个性化分析的空白。通过定制的机器学习模型和详细的脑电图数据采集与预处理协议，提取了50个统计特征，并优化了数据输入。研究发现，这种基于脑电图的个性化分析方法在计算机学习和虚拟现实环境中的分类准确率分别达到了97.6%和98%，展示了其在在线教育活动中的潜在影响。

本研究探讨脑机接口(BCIs)与生成性人工智能(GenAI)的整合，提出基于脑电图(EEG)的新方法，强调其在辅助技术和脑计算机交互中的应用潜力。

Meta在脑机接口研究中取得新进展，利用AI模型Brain2Qwerty实现非侵入式脑电图信号的高效解码，字符错误率为32%。该技术有望帮助无法沟通的患者通过思维控制设备。

本研究针对脑电图信号伪影的检测与校正，提出了一种基于LSTM的自编码器LSTEEG，旨在减少传统方法中专家干预的需求。研究表明，LSTEEG在伪影检测和校正方面的性能优于现有的卷积自编码器，能有效提升多通道脑电图的预处理效率，促进自动化脑电图分析在脑健康领域的应用。

本研究提出了一种名为FEMBA的自监督框架，旨在提高脑电图（EEG）分析在资源受限环境中的效率。FEMBA通过双向状态空间建模，实现了线性时间和内存复杂度的扩展，展现出良好的性能，具有广泛的临床和可穿戴应用潜力。

本文提出了一种基于密码学的水印框架，旨在保护脑电图神经网络的知识产权。该框架在训练过程中嵌入水印，确保高可靠性和低失真，并在对抗性攻击下保持良好的分类准确率，为医疗和生物识别领域提供安全解决方案。

本研究提出了一种无提示的脑电图（EEG）想象语音范式，克服了以往方法对外部提示的依赖。结果显示分类精度高达97.93%，表明该方法在脑机接口等应用中具有良好的识别潜力。