Diese Studie beleuchtet Deep-Learning-Methoden zur Subjekt-übergreifenden EEG-Dekodierung, die die Herausforderung hoher interindividueller Variabilität und Domänenverschiebung adressieren. Sie kategorisiert die Literatur in methodische Familien wie Feature-Alignment und kontrastives Lernen und betont rigorose Evaluierung und theoretische Überlegungen.
Dieses Papier stellt das Convolutional Variational Deep Embedding (Conv-VaDE) Modell für die EEG-Mikrostatusanalyse vor. Es verbessert die Interpretierbarkeit, indem es gemeinsam topografische Rekonstruktion und probabilistisches Soft-Clustering lernt, was eine generative Dekodierung von Cluster-Prototypen in verifizierbare Kopfhauttopografien ermöglicht.
Diese Arbeit untersucht die mechanistische Interpretierbarkeit von EEG-Grundmodellen, indem sie Sparse Autoencoder (SAEs) anwendet, um spärliche Merkmalswörterbücher aus deren Einbettungen zu extrahieren. Sie vergleicht Monosemantizität und Verflechtung über verschiedene EEG-Transformer-Architekturen hinweg, verankert diese Merkmale in einer klinischen Taxonomie und führt Konzeptsteuerung ein, um die Selektivität zu quantifizieren und Darstellungsfehler aufzudecken.
Diese Forschung untersucht, ob LLMs als Linse zum Verständnis neuronaler Repräsentationen emotionaler Valenz im menschlichen Gehirn mittels EEG dienen können. Die Studie konstruiert eine Valenzachse aus LLMs und zeigt deren Abbildung auf die menschliche neuronale Aktivität, was auf eine geteilte Repräsentation hindeutet.
Dieses Papier stellt ein regionenweites Bewertungsrahmenwerk zur EEG-basierten Vorhersage der kognitiven Belastung vor, das Beiträge von anatomisch definierten Kopfhautregionen analysiert. Es führt eine groß angelegte Analyse über vier öffentliche Datensätze durch, um die Bedeutung der Regionen mit einem modellunabhängigen, leistungsbasierten Ansatz zu quantifizieren.
CIPHER é um modelo baseado em Conformer para inferência de fonemas a partir de EEG de alta densidade, visando decodificar informações de fala do cérebro. Embora alcance alta performance em tarefas binárias, mostra desempenho limitado na discriminação de fonemas de 11 classes, sendo posicionado como um estudo de benchmark e comparação de características.