走出 BLEU 陷阱：用于 EEG-to-Text 解码的信号驱动与解耦语义引导框架

基于摘要分析。该研究针对非侵入式 EEG-to-Text 解码中生成文本模板化、模型过度依赖 LLM 语言先验，以及 BLEU 可能被高频停用词抬高而掩盖语义失真的问题，提出两阶段框架 SemKey，旨在使文本生成更依赖 EEG 信号，并配套更关注语义忠实度的评估协议。 方法上，SemKey 从 EEG 嵌入中直接提取情感、主题、长度和 surprisal 四类语义锚点，将其作为解耦的语义目标，并结合 Active Retrieval Decoding 引导 LLM 的 token 生成。其核心思路是将信号中的语义线索与语言生成分开处理，而非仅依赖常规端到端映射。摘要未说明 EEG 编码器、两阶段训练安排、语义目标的监督来源与损失形式，以及检索机制的候选库和具体使用方式，这些细节尚未验证。 评估上，作者提出结合检索指标和 Fréchet Distance 等分布指标的协议，以补充 n-gram 匹配指标的局限。作者报告，在完全自回归推理条件下开展了包括噪声 EEG 和时间打乱 EEG 在内的对照实验，结果支持模型具有信号依赖性，并在所采用的稳健评估协议上达到 SOTA。摘要未提供具体指标数值、数据集、被试规模、被试内或跨被试划分，以及对照基线，因而目前无法核对优势幅度与适用范围，也不能将上述结论泛化为任意 EEG-to-Text 场景的有效性。 复现时需重点核对语义锚点是否能从 EEG 中可靠提取、检索库的构建与数据划分关系，以及噪声和时间打乱对照如何实施；还需检查检索及分布指标是否与文本语义忠实度一致。实验协议、消融及统计信息尚未验证。作者表示代码将在论文获接收后发布，当前材料不能据此确认已接收或代码已公开。