EEG-to-Text 重建中的语义单元消歧

基于摘要分析。该研究关注从非侵入式 EEG 恢复语言语义时，如何获得可辨识的语义证据及其组合结构，而不只是生成流畅文本。作者提出 Neural conteXtual Unified Semantics（NEXUS），通过上下文语义解耦、语义匹配校准与结构约束下的重组，改善语义单元识别及 EEG-to-text 重建。 作者指出两种不同尺度的歧义：在单个样本内，共享句子上下文可能压过查询特异信息，使不同语义查询的表征趋于相似；在跨样本匹配中，某些高度中心化的语义候选反复吸引无关 EEG 查询，形成 hubness 与系统性过度匹配。这一区分把问题定位于语义证据识别阶段，而非仅以输出文本的流畅度判断解码可靠性。 NEXUS 的摘要级机制包含三个环节：分离共享上下文语义与查询特异证据；从候选与查询两个视角校准有偏的语义匹配；借助去词汇化结构先验，将恢复的语义单元重新组合成语言。具体表征方式、校准公式、结构先验来源、损失函数及训练和推理流程尚未验证。 作者报告，在覆盖自然阅读与跨语言想象言语的异质 EEG 数据集上，NEXUS 显著缓解了样本内表征趋同和跨样本过度匹配，并提升了语义单元识别的区分性与文本重建的忠实度。摘要未提供数据集名称、语言范围、被试数、划分协议、对照基线、指标或具体数值，因此目前无法判断收益大小，也不能将这些结果视为已验证的跨被试或跨数据集泛化能力。 阅读全文时需核对语义查询与候选集合的构造、上下文与查询特异证据的操作性定义、结构先验对输出的贡献，以及各模块的独立效果。实验协议、消融及统计信息尚未验证；复现所需的数据处理、模型实现与资源开放情况亦尚未确认。