NeuroLens：通过结构化状态空间编码与对比对齐实现跨模态 EEG-to-text 解码

基于摘要分析。该研究针对开放词汇 EEG-to-text 任务，即仅从神经记录生成参与者正在阅读的句子，提出 NeuroLens，以改善短而噪声较大的词级 EEG 编码，并显式约束解码器对配对信号的依赖，区分 EEG 信息与语言先验对输出的贡献。 方法包含三个部分：采用具有 HiPPO 初始化长程记忆的双向 S4D 编码器；使用结合 shuffled-EEG discrimination、对比对齐与词汇先验的 reliance-aware objective，直接奖励模型依赖配对记录；通过对解码器自注意力施加可调系数实现 decoder prior dampening。验证协议在三个随机种子下，将 EEG 替换为打乱、噪声及全零信号，检验输出是否依赖原始输入。具体损失形式、信号预处理及解码器配置尚未验证。 作者报告，在 ZuCo 1.0 的句子不重叠划分、无 teacher forcing 协议下，NeuroLens 的 BLEU-1 为 22.44，BLEU-4 为 1.46；相对此前最佳结果，BLEU-4 提升 92%。在该评估背景下，跨句子打乱 EEG 后 BLEU-4 下降 68%，置零后下降 89%。这些相对下降支持模型输出对输入信号敏感，但绝对 BLEU-4 仍较低，且不能仅凭输入替换确定模型恢复了多少句子语义。摘要未给出噪声替换的具体结果。 作者称进行了匹配协议的消融与 dampening 系数扫描，但各组件贡献、基线配置、被试划分、统计波动及显著性尚未验证；句子不重叠也不等于跨被试验证。复现时应优先核对词级 EEG 的获取与对齐方式、划分实现、无 teacher forcing 的生成流程，以及替换输入是否在保持其他条件一致时执行。摘要提供了代码地址，但代码完整性与运行条件尚未验证。该任务涉及阅读诱发 EEG，不宜将结果直接外推为自由意图或自然交流场景下的 BCI 解码能力。