跨被试神经—图像检索中，把少量目标被试观测的均值与源被试全局均值相比，会把被试自身的表征偏移和刺激组成差异混在一起。SA-LBC改为对每个校准刺激取同刺激的源群体锚点、平均残差来估计一阶偏移，再用源数据导出的不确定度收缩修正量。在THINGS-EEG2的10名被试留一被试评估中，Attention–CLIP ViT-B/32配置的MRR从无校准的0.1867升到0.2013和0.2336，但检索增益仍依赖所用表征。
权重空间编程让语言模型直接读写神经网络权重，此前只在游戏网络和语言模型上演示过。这项研究把它用到脑电与心电模型上：Claude Opus 5.5 在没有任何梯度步骤、只给5名练习受试者的情况下，写出 TinyEEGNet 全部2730个权重，在65名未见受试者上取得0.834的平衡准确率，与同架构用30名受试者常规训练的0.806相当，高于用5名训练的0.704；但它无法从权重判断网络任务，也无法改进已训练良好的网络。
睡眠基础模型把数秒脑电压成紧凑词元，时间分辨率不足以精确勾出睡眠纺锤波的起止边界。一种做法是保持SleepFM编码器冻结，另加一条局部时频分支保留11–16 Hz的sigma频段能量与词元内部位置，再用残差交叉注意力引入预训练的时间上下文。在MODA基准的六个折上，事件级F1在IoU 0.2处为0.8080±0.0040，在IoU 0.5处为0.7766±0.0050；更严格的边界重叠下性能下降更快。
临床脑电图判读要覆盖整段记录的技术质量、背景与睡眠状态、发作间期和发作期异常，再写成报告，单靠事件检测不够。ERIA让一个本地部署的27B语言模型控制器调用确定性的信号分析、学习型临床模型和本地知识检索工具，控制器权重、工具与安全约束都固定，只用GEPA依据专家报告反馈改写自然语言分析策略。在200份配对临床脑电图中，受保护测试集的医师对齐报告评分从0.5052升到0.6024，且该策略在CerebraGloss-Bench与BrainBench基础分析上仍有表现。
脑电疲劳检测此前把多频带建模与时间加权分开处理，没有说明一个时间窗内的频谱结构该如何决定它对预测的贡献。LBSNet把每个窗口的相对跨频带活动编码成归一化描述子，与可学习频谱原型软匹配，再结合原型重要度生成时间权重来聚合功率。在SEED-VIG与SADT的受试者独立实验中，它的准确率和F1均高于七个基线，且参数量与乘加运算量在对比模型中最低。
两项独立的听觉事件相关电位VR研究中，深度模型在分类晕动相关不适时反复指向同一批头皮位置：左额、中央与右顶区域，以及刺激后约80至260毫秒的早期时间窗。研究用可解释性图把模型判断归因到具体电极与时间点，并在不同国家、不同头显、不同脑电系统与不同VR任务的两批数据上得到相关模式。跨被试泛化仍有限，个体校准后准确率明显提升，说明这些特征目前更适合作为待检验的候选标记。
脑电注意力识别换掉了固定电极连接图。此前多频段特征靠简单拼接、通道关系按预设邻接矩阵处理，难以刻画任务中变化的通道耦合。DGCSA把电极当作图节点，用可学习邻接矩阵动态更新通道拓扑，并用自注意力补上全局依赖，同时以贝叶斯优化的频带权重融合功率谱密度与微分熵。在20名参与者、873段3秒脑电上，三分类准确率为91.67%，高于SVM、CNN与LSTM基线；VR场景的平均注意力得分也高于2D。
一个多尺度生物物理模型把睡眠稳态、昼夜节律、下丘脑开关和皮层脉冲网络串起来，在同一个72小时光周期里跑出五种睡眠障碍；矛盾性失眠总睡眠时间与健康人相同，恢复指数却最低。
CogAdapt从人类阅读代码时的EEG与眼动数据中提取程序级与词元级先验，结合冻结MoE模型对每个编程任务的响应，为每个任务动态选择少量transformer块进行稀疏微调；在Qwen与GLM上，人类阅读行为与MoE计算呈现一致对应，方法在LiveCodeBench与BigCodeBench上取得最佳pass@1，其中LiveCodeBench较匹配的常规全块微调提升10.86与6.29个百分点，同时将可获梯度的适配参数减少86.21–87.21%。
已读完全部报道