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。

本研究提出了一种名为EEG-ReMinD的自监督状态重建驱动黎曼动力学的两阶段方法，旨在解决EEG解码算法在数据稀疏性、个体差异和精确标注需求方面的挑战。该方法通过自监督学习和几何特征整合，有效处理EEG数据损坏，减少对标签的依赖，实验结果显示在神经退行性疾病分析中显著提升。

本研究提出了一种新方法，通过辅助音素预测器提升脑机接口在听觉语音解码中的表现，特别是对语音感知受损者，显示出优于传统方法的解码效果。

本研究提出了一种新型框架CAE-T，结合通道CNN自编码器和变压器分类器，以解决脑电图（EEG）信号分析中的高维复杂性问题。实验结果表明，该模型在TUH异常EEG语料库上的准确率达到85.0%。

本文解决了脑-机接口（BCI）中对脑电图（EEG）数据隐私保护的问题，尤其是用户身份、性别以及BCI经验等多种私人信息的泄露风险。通过设计扰动技术，将原始EEG数据转化为隐私保护数据，成功在保护隐私的同时几乎不影响BCI任务的主要性能。这项研究的结果显著降低了私人信息的分类准确性，为EEG基础的BCI提供了有效的隐私保护方案。

本研究提出了一种新任务，通过EEG信号解码3D视觉知觉。构建了EEG-3D数据集和Neuro-3D框架，能够高保真地重建3D物体的形状和颜色，展现出显著的脑区分析潜力。

本文提出了一种个性化脑机接口（BCI）框架，结合内源性脑电图（EEG）范式，为用户提供定制服务。验证结果显示，用户识别的平均分类准确率为0.995，意图分类准确率为0.47，证明了内源性EEG信号在个性化BCI中的有效性。

本研究提出了一种基于脑电图的语音解码新方法，利用不同卷积核尺寸的去噪扩散模型集成学习框架，显著提升了语音解码的准确性和鲁棒性，为脑机接口系统，特别是帮助语言障碍人士提供了新的可能性。

本研究探讨了通过非侵入性方法解码不同语音状态的挑战，包括感知、口头和想象语言。采用深度学习模型显著提高了神经信号解码的精度，尤其在γ频段表现突出。研究发现，想象语言在θ频段与其他状态存在显著差异，显示出广泛的应用潜力。

本研究提出了一种新方法，结合手部运动学和EEG信号，解决手写字母分类中的高维神经信号解码问题。结果显示，使用并行卷积神经网络可实现91%的分类准确率，验证了从EEG精细解码手写内容的可行性。

本研究结合脑电图特征与音频空间光谱，提出了一种改进的解码模型，成功解码说话者方向，提升多类方向解码精度，可能改善听力障碍者的生活质量。

本研究提出了一种新方法，结合联合学习与图神经网络，在保护患者隐私的前提下评估中风严重程度。实验结果表明，该方法在预测NIHSS时的误差为3.23，接近专家水平，验证了其有效性。

本研究提出了一种基于对齐的对抗训练（ABAT）方法，旨在提高电生理信号（EEG）在脑-机接口（BCI）中的鲁棒性和准确性。通过对EEG数据进行对齐，减少数据分布的不一致性，从而显著提升模型的分类性能。实验结果验证了该方法在多个EEG数据集上的有效性。

本研究提出了一种基于生成扩散模型的多信号预测算法（EEG-DIF），有效捕捉多通道EEG信号的时空相关性，准确率达到0.89，具有良好的临床应用前景。

本研究通过优化神经网络提升脑电信号生成文本的性能。引入可学习的三次激活函数提高了输出质量，在单词级评估中表现优异，但在高阶n-gram评估中效果一般。这为脑电信号解码提供了新见解，具有潜在应用影响。