利用大语言模型增强脑机接口解码

基于摘要分析。本文针对 BCI 解码中任务输出空间异质、预测头与适配流程分散的问题，提出由大语言模型（LLMs）驱动的统一多任务脑信号解码框架 UniMind。其核心贡献是将不同任务的输出改写为统一问答形式，通过共享自回归目标支持跨任务知识共享。 机制上，UniMind 将多样神经信号映射至统一语义空间，并引入 task-aware query selector，动态提取与当前任务相关的表示；neuro-language connector 则把高维时空脑信号压缩为可供 LLMs 解释的紧凑神经语义表示。摘要未给出脑信号编码器、LLMs 的具体型号、连接器结构、问答模板及训练参数更新方式，因此尚不能判断统一输出与各模块对性能提升的独立贡献。 作者报告，在覆盖五个任务领域的十个头皮 EEG 数据集上，UniMind 的 Balanced Accuracy 平均提升 8.94 个百分点；摘要未明确该增益对应的基线、数据划分及跨数据集汇总方式，不能将其视为特定 Cross-subject 或 Cross-dataset 协议下的确定增益。作者另报告较强的跨被试表现及对未见数据集的泛化能力，但未提供相应具体指标。除头皮 EEG 外，作者还在非人灵长类皮层内 spike 解码中报告平均 R² 提高、spike 表示更可分离；该结果属于另一记录模态，不能直接等同于 EEG 性能改善。 阅读与复现时需核对：各数据集与任务的训练测试划分、未见数据集的定义、对照方法及适配预算、任务间采样与指标汇总规则，以及查询选择器和连接器的消融结果。实验协议、消融及统计信息尚未验证；代码、模型权重与计算资源需求也尚未验证。摘要支持将 UniMind 视为统一神经解码的候选框架，但其跨任务共享是否稳定优于独立任务流程，仍需结合完整实验判断。