Frontiers in Computational Neuroscience

Zhizhong Xing*, Zhijun Meng, Gengfeng Zheng*, Guolan Ma, Lin Yang, Xiaojun Guo, Li Tan, Yuanqiu Jiang, Huidong Wu*

本研究开发了一套基于 AI 驱动的人机交互系统，利用三维深度学习与点云分析技术，对老年患者的手部功能康复进行评估与引导。该系统可实时捕捉精细的手部动作，无需专业临床设备即可实现个性化、自适应的康复训练。

Lijuan Yang, Qiumei Dong, Da Lin, Chunfang Tian, Xinliang Lü*

MUNet 将成熟的 UNet 分割架构与 Mamba ——一种能够高效建模长程依赖关系的状态空间模型——相结合，实现了 MRI 扫描中脑肿瘤的高精度勾画。这一混合设计克服了标准 UNet 局部感受野的局限，生成更清晰、更完整的肿瘤边界。在标准基准测试上，MUNet 达到了最优分割性能，对 AI 辅助手术规划和放射治疗靶区定位具有直接应用价值。

Ting Jiang, Jihua Wu*, Stephen C. H. Leung

本研究采用神经启发式计算框架对人机认知接口进行建模，考察了与 ChatGPT 等大语言模型的交互如何改变人类在问题求解与决策任务中的认知过程。结果显示，LLM 辅助改变了人类推理策略的本质，引发认知负荷转移，并可能削弱独立分析思维能力。上述发现对专业场景和日常情境中 AI 依赖的长期认知影响提出了根本性问题。

Wei Zhao*, Wen-Feng Wang*, Lalit Mohan Patnaik, Bao-Can Zhang, Su-Jun Weng, Shi-Xiao Xiao, De-Zhi Wei, Hai-Feng Zhou

本文提出一种将残差连接与双向长短期记忆（LSTM）网络相结合的深度学习架构，用于从脑电信号中自动检测癫痫发作。该模型在多个基准数据集上均取得了较高的分类准确率，优于多种现有最优方法。结果表明，双向时序建模对于构建能够实时检测发作事件的临床级癫痫监测系统具有重要价值。

Wenjie Jin, XinXin Zhu, Lifeng Qian, Cunshu Wu, Fan Yang, Daowei Zhan, Zhaoyin Kang, Kaitao Luo*, Dianhuai Meng*, Guangxu Xu*

本综述探讨了基于脑电的自适应闭环脑机接口在神经康复中的设计与临床应用——该系统可根据实时脑状态解码，持续调整刺激或反馈参数。与静态开环系统不同，自适应闭环脑机接口能够随患者神经状态的变化提供个性化、响应式的治疗方案。作者梳理了现有证据、工程挑战，并为这类下一代康复系统的临床转化描绘了路线图。

Wei Chen, Yuan Liao, Rui Dai, Yuanlin Dong, Liya Huang*

本文提出一种具有双重注意力机制的图卷积神经网络（GCN），用于从多通道脑电信号中识别人类情绪。双重注意力结构同时捕捉脑电信号中的通道间空间关系与时序动态特征，提升了对细微情绪状态的识别能力。与主流情绪识别模型相比，所提方法取得了更高的准确率，推动了情感计算领域的技术进步。

Yue Hu, Jian Liu, Rencheng Sun, Yongqiang Yu, Yi Sui*

本文提出一种迭代门控图卷积网络（IGGCN），将脑电电极建模为图节点，捕捉脑区间的空间依赖关系，用于癫痫发作分类。迭代门控机制在多步图传播过程中选择性地聚合邻域信息，提升了发作态与非发作态之间的判别能力。在临床脑电数据集上的实验验证了该方法的高准确率和强跨受试者泛化能力，支持其在真实场景癫痫检测设备中的应用潜力。

Guanqing Kong, Shuang Ma*, Wei Zhao, Haifeng Wang, Qingxi Fu, Jiuru Wang

本研究提出一种多域特征融合策略，同时从脑电信号的时域、频域和时频域提取癫痫相关特征，并采用自注意力机制自适应地为最具信息量的特征赋予权重。该方法有效降低了无关信号成分的噪声干扰，显著提升了检测的灵敏度与特异性。在公开脑电基准数据集上的实验结果证实，相较于单域方法和无注意力机制基线，该方法取得了显著的性能提升。