BrainStack：用于 EEG 语言解码的功能引导专家路由 Neuro-MoE

基于摘要分析。BrainStack 针对 EEG 语言解码中分布式、非线性脑活动难以建模的问题，提出功能引导的 Neuro-MoE 框架，将解剖分区专家、全局依赖建模与自适应专家融合结合起来；同时发布面向无声词语任务的 SilentSpeech-EEG（SS-EEG）基准。 核心机制是按解剖区域划分专家网络，由区域专家学习局部神经动态，以基于 transformer 的全局专家捕捉跨区域依赖。可学习路由门根据上下文聚合异构专家，实现选择性融合。作者还提出跨区域蒸馏，由全局专家向区域专家施加自上而下的正则化，以促进层级间表征协调。摘要未提供区域划分依据、电极与区域的映射、路由约束、蒸馏损失形式及训练或推理细节，这些内容尚未验证；功能先验与路由机制也不能直接视为已验证的神经科学解释。 数据方面，作者报告 SS-EEG 包含 12 名被试执行 24 个无声词语任务时采集的超过 120 小时 EEG，并称其为同类规模最大的数据集；该规模定位尚未独立核实。摘要未说明无声词语任务的具体执行方式、记录配置、试次数量、标签组织及数据划分，也未提供数据获取与许可条件。 结果方面，作者报告 BrainStack 优于所比较的先进模型，并在 Accuracy 和跨被试泛化上取得优势，但未给出具体数值、基线名称或 Cross-subject 评估划分，无法据此量化提升或判断其适用范围。阅读全文时应重点核对功能分区、全局专家、路由与蒸馏各自的贡献，以及被试划分、对照设置和统计不确定性；实验协议、消融及统计信息尚未验证。复现还需确认代码与数据可用性、预处理流程及训练配置。