所想即所绘？从 EEG 解码可视化意图的基准

基于摘要分析。研究关注非侵入式 BCI 能否从 EEG 解码复杂的数据分析意图，提出将 EEG 直接转换为可执行可视化（VIS）程序的 EEG2VIS 任务，并构建 EEG2VIS-Bench 基准。其主要贡献是提供对齐的 EEG—可视化意图数据及多类基线评估，而非仅识别简单控制命令。 数据与方法：作者报告，基准在三阶段认知范式下收集了来自 23 名领域专家的 9,531 个对齐试次，涉及 46 人类小时。摘要未说明各阶段的具体操作、EEG 采集与预处理、程序标注方式或数据划分。评估覆盖端到端基础模型、与 LLM 对齐的教师—学生架构，以及神经符号 noisy-channel 解码器；具体训练目标、模型配置及推理流程尚未验证。 结果：作者报告，在所述基准评估中，EEG 对粗粒度意图提供了具有统计显著性的信息，图表类型识别 Accuracy 最高为 91.09%；涉及过滤条件、排序规则等组合逻辑的独立子句集合 Accuracy 为 75.30%。作者还报告，完整查询精确匹配率为 62.59%，但该成绩高度依赖检索缓存机制，58.05% 的查询由该机制路由处理。因此，完整程序匹配成绩不能直接视为纯神经解码能力。上述指标对应不同预测粒度，不能相互替代；其具体数据划分、对应模型与统计检验细节尚未验证。 解读与复现条件：材料支持将低信噪比 EEG 中的粗粒度意图识别与深层组合逻辑解码分开考察，但不足以确认跨被试、跨会话泛化或开放式可视化生成能力。复现时需核对三阶段范式、候选程序空间、查询组合划分、缓存构建及路由规则，并区分启用缓存与不启用缓存的评估结果。实验协议、消融及统计信息，以及数据、代码和模型的可获取性尚未验证。