Ewen：用于 EEG 理解的协变量感知基础模型

Ewen 针对现有 EEG 基础模型与大语言模型框架主要将语言模型用作闭集文本分类器的问题，引入生理上下文，支持 EEG 解码与自然语言描述。基于摘要分析，核心贡献是将 EEG 及可用的辅助生理信号转化为语言对齐的协变量描述，并将其融入 EEG 表征，同时约束任务学习中的语言漂移。 机制上，Ewen 首先将信号转化为描述化协变量，为神经信号解释提供生理上下文；随后通过 covariate-aware token geometry，将协变量与 EEG tokens 融合，关联生理信息与 EEG 的时间、通道结构。语言骨干通过 language-reference-guided gradient projection 进行适配，以控制任务学习对语言能力的偏移。摘要未说明协变量的具体定义、辅助信号类型、token 几何构造、梯度投影公式及训练流程，这些细节尚未验证。 作者报告，在六个 EEG 基准上的实验改善了闭集词表解码表现；生成评估显示，Ewen 能描述频谱特征、生理关系及时间和空间变化。摘要未提供基准名称、任务、被试规模、被试内或跨被试等划分协议、对照基线、指标和数值，因此尚不能判断收益大小、跨场景泛化能力，或将其与其他方法直接比较。 复现与证据核对重点包括：协变量如何提取及其在推理时的可用性，辅助生理信号不可用时的处理方式，协变量融合与梯度投影各自的贡献，以及生成描述是否与输入信号中的可核验生理特征一致。实验协议、消融及统计信息尚未验证；生成描述的准确性、稳定性和错误风险也需结合全文中的评估方法判断。现有摘要支持将其视为生理上下文增强的 EEG 建模方法，但不足以确认开放式 EEG 理解的可靠程度。