面向 EEG-语言基础模型的连续潜在预测建模与语义对齐

基于摘要分析。该研究针对 EEG 基础模型如何兼顾连续神经信号表征与自然语言语义对齐的问题，提出 Brain Latent Predictive Model（BLPM），将异构 EEG 解码任务统一表述为连续语义嵌入预测问题，旨在学习可迁移且便于与大语言模型衔接的 EEG 表征。 作者认为，掩码自编码可能偏重低层信号重建，而自回归建模存在连续神经动态与离散 token 空间之间的不匹配。BLPM 的 Continuous EEG Latent Predictive（CELP）编码器通过潜在目标预测学习可迁移表征；其后的 Multi-Query Semantic Decomposition（MQSD）模块提取任务相关信息，并依据语义关系，在共享潜在空间中对齐连续 EEG 表征与文本语义。摘要未交代潜在目标的构造、具体损失形式、文本语义来源，以及与大语言模型的实际连接方式，这些机制细节尚未验证。 作者报告，在多个基准、不同任务上获得一致的泛化表现，并据此主张连续潜在语义预测是 EEG-语言基础模型的一条有效路径。但摘要未列出基准名称、任务组成、被试规模、评价指标或对照结果，也未明确区分跨被试、跨会话和跨数据集协议，因此不能量化收益或判断不同泛化设置下的表现。 复现与阅读正文时，需核对 EEG 与文本的配对及监督方式、预训练与下游评估的数据划分，以及 CELP、MQSD 各自的贡献和与重建式预训练的对照条件。实验协议、消融及统计信息尚未验证；摘要也不足以确认 BLPM 已完成与大语言模型的集成验证。