将脑电波转化为语言：结合 EEG 微状态与文本嵌入模型进行痴呆检测

基于摘要分析。该研究面向痴呆、尤其是 Alzheimer’s Disease（AD）的早期检测，将 EEG 微状态表示为类似语言的符号序列，再使用文本嵌入模型与时间序列深度学习模型进行分类。其主要研究对象是基于 EEG 的疾病检测，而非 BCI 控制或交互任务。 核心机制是将 EEG 微状态转化为可供文本模型处理的离散表示，以此连接脑电状态序列与文本嵌入方法。摘要未说明微状态提取、符号编码、序列切分、嵌入模型选择，以及文本嵌入与时间序列模型之间的组合方式；训练目标、预训练与微调策略也尚未验证。作者将方法描述为可扩展、非侵入且不依赖固定通道配置，但这一性质如何实现、是否需要跨记录统一微状态定义，仍需正文核对。 作者报告，方法开发使用了来自多个国家的 1001 名参与者的 EEG 数据，AD 检测 Accuracy 为 94.31%。摘要未给出参与者诊断构成、数据集名称、训练与测试划分，也未说明该结果属于被试内、跨被试或跨数据集协议，因此不能据此判断独立人群泛化能力或与其他方法直接比较。实验协议、对照基线、消融及统计信息尚未验证。 作者认为该方法可减少对固定 EEG 配置、特定设备及单独 AI 模型的依赖，并支持低成本、资源有限地区的痴呆筛查。这些是作者提出的应用价值；摘要尚不足以确认跨设备稳健性、临床早期筛查效能或实际部署成本。复现需进一步取得微状态提取与编码规则、模型配置、数据访问条件及完整评估协议；不能将当前疾病分类结果直接视为已验证的临床筛查能力或 BCI 效果。