BrainState：用于非侵入式脑到文本的基于图的状态感知泛化

基于摘要分析。BrainState 面向 EEG-to-language 中记录间异质分布偏移导致的泛化问题，提出结合状态空间建模与层次图迁移学习的框架，将记录状态纳入跨被试信息迁移，而非仅寻求对生理与记录差异不敏感的任务表征。 机制上，框架先结合时空卷积与 Mamba blocks，捕获局部 EEG 模式和时间依赖，将每个试次映射为任务相关内容表征与记录状态表征。随后按类别、被试和会话组织训练样本，构建层次图记忆，以支持条件特定建模和状态感知检索。推理路径中的注意力加权记忆读出用于聚合相关原型，基于兼容性的检索与门控融合则用于限制不匹配记录条件的贡献。其方法重点是显式利用记录状态调节迁移，而不是仅消除状态差异。 作者报告，该框架在跨被试设置下相对强基线取得 SOTA 表现；摘要未提供数据集、被试规模、具体划分、基线名称、评价指标及数值，因此目前不能判断提升幅度或不同协议下的可比性。标题使用 brain-to-text，摘要同时提及 EEG-to-language 与 EEG speech decoding，具体输出形式及任务定义尚待全文核实。 复现时需核对内容与状态表征的训练目标、图记忆的构建与更新、类别信息的使用阶段，以及测试被试如何完成状态匹配；这些均属于待验证事项，而非已确认的问题。实验协议、消融及统计信息尚未验证。作者提供了匿名代码链接，但代码内容、运行条件及可复现性尚未核验。