拼合心智的马赛克：迈向 EEG 语义意图解码

基于摘要分析。该研究面向 BCI 自然语言交流，试图解决既有框架语义表示过于简化、可解释性不足的问题，提出 Semantic Intent Decoding（SID）框架及其深度学习实现 BrainMosaic。其核心贡献是将意义表示为可灵活组合的语义单元集合，先从 EEG/sEEG 信号解码多个单元，再通过语义引导的重建生成连贯句子。 机制上，SID 强调语义组合性、语义空间的连续性与可扩展性，以及重建保真性。BrainMosaic 使用集合匹配完成多语义单元解码，以显式语义单元作为神经信号与自然语言之间的中间表示。相对于固定类别分类或不受约束的生成管线，这一设计旨在提高表达能力，并让解码内容更便于解释；但语义单元的定义、集合匹配的具体算法、训练目标及句子重建模块尚未验证。 作者报告，在多语言 EEG 数据和临床 sEEG 数据上的实验显示，SID 与 BrainMosaic 相比既有框架具有明显优势。摘要未提供数据集名称、被试数、语言范围、任务诱发方式、数据划分、对照方法或定量指标，因此目前无法判断优势对应何种评估条件，也不能据此确认跨被试、跨会话或跨语言泛化能力。实验协议、消融及统计信息尚未验证。 阅读全文时，值得重点核对语义单元是否能够被神经信号可靠区分、集合解码错误如何影响最终句子，以及语义重建保真性如何评估；还需区分最终语言输出中神经信号证据与语言重建模块各自的贡献。这些是理解其可解释性与自然交流能力的关键核验事项，而非已经证实的局限。摘要未提供代码、数据访问及训练配置，复现条件尚未验证。