KAST-BAR：面向通用神经解读的知识锚定语义动态拓扑脑自回归建模

基于摘要分析。KAST-BAR 面向 EEG 基础模型中的复杂时空拓扑建模不足，以及生理信号与文本语义之间的模态差距，提出将多层级脑拓扑表征与专家级语义空间动态对齐的方法，用于跨任务神经解码。 方法包含三个主要模块：Dual-Stream Hierarchical Attention（DSHA）编码器结合局部时间动态与全局空间上下文，旨在刻画脑信号的非欧几里得拓扑；Knowledge-Anchored Semantic Profiler（KASP）生成具有物理依据的实例级文本描述；Semantic Text-Aware Refiner（STAR）再利用这些描述与 Latent Expert Queries，动态重构 EEG 表征。其核心思路是让语义知识参与信号表征细化，而不仅依赖 EEG 自身的时空特征。摘要未展开拓扑的具体构建方式、文本描述生成流程、自回归预测目标及损失形式。 作者报告，在 21 个不同数据集上进行大规模预训练后，KAST-BAR 在六项下游任务上均达到最先进性能。摘要未列出数据集与任务名称、被试规模、具体指标、对照方法或被试内、跨被试、跨会话、跨数据集划分，因此尚不能判断性能增益的大小及其泛化适用范围，也不能据此确认“通用”解码能力。 复现时需重点核对：专家知识与实例级文本描述如何获得，预训练与下游评估的数据如何隔离，推理阶段需要哪些文本或其他输入，以及 DSHA、KASP、STAR 各自带来的增益。这些均属待核对事项，实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但代码可用性、预训练权重及完整复现条件尚未验证。