Neuro2Semantic：从人类 iEEG 重建连续语言语义的迁移学习框架

基于摘要分析。Neuro2Semantic 研究如何从人类 iEEG 记录中重建所感知语音的语义内容，提出借助预训练文本嵌入进行迁移学习的两阶段框架。研究对象是语音感知过程中的连续语言语义解码，不能据此视为已验证的自主表达或意图交流系统。 核心机制：第一阶段使用基于 LSTM 的适配器，将神经信号对齐到预训练文本嵌入；第二阶段由 corrector 模块直接根据对齐后的嵌入生成连续、自然的文本。该设计将神经信号到语义表示的映射与文本生成分开，作者称其支持不受约束的文本生成。摘要未说明文本嵌入模型、corrector 的具体结构、对齐目标、监督方式及训练与推理流程，这些细节尚未验证。 结果与证据边界：作者报告，在仅使用 30 分钟神经数据的低数据设置下，该框架显著优于一个近期的先进方法。但摘要未提供被试数量、iEEG 记录位置、数据划分、被试内或跨被试协议、对照方法名称、评估指标及具体分数；30 分钟数据的统计单位亦不明确。因此，目前不能量化优势，也不能判断其跨被试、跨会话或跨刺激材料的泛化能力。实验协议、消融及统计信息尚未验证。 阅读与复现重点：需核对神经信号和文本的时间对齐方式、训练与测试语料的划分，以及语义评估如何区分内容忠实度与文本流畅度。可进一步检查神经输入打乱或移除后的对照结果，以评估预训练语言先验与 iEEG 信息各自的贡献。作者提出其具有 BCI 应用潜力，但摘要尚不足以确认在线解码能力或实际交流效用。