MindScribe：用于开放词表 EEG-to-Text 翻译的层次化 EEG 编码与对比对齐

基于摘要分析。MindScribe 研究阅读任务中连续 EEG 到自然语言文本的转换，提出轻量级端到端多模态序列到序列架构，通过层次化 EEG 编码及双目标训练，对齐 EEG 潜在空间与预训练文本嵌入空间，直接生成开放词表文本。 研究针对两类困难：现有方法可能依赖眼动注视切分得到的词级 EEG 特征，或难以跨越连续脑活动与离散文本 token 之间的模态差异。MindScribe 的主要机制是从原始连续 EEG 建立层次化表示，再与文本表示对齐。标题将对齐描述为对比对齐，但摘要未给出双目标的具体组成、对比样本构造、损失形式、编码器结构或解码策略，这些细节尚未验证。“轻量级”也未提供参数量或计算成本依据。 作者报告，在合并的 ZuCo 1.0 与 ZuCo 2.0 数据上，针对 Task-Specific Reading（TSR）和 Normal Reading（NR）任务取得 28.20 BLEU-1 与 33.10 ROUGE-1 F1，并称相对现有基线具有竞争力。摘要未明确这些数值是两项任务的汇总结果还是其他统计口径，也未提供被试内、跨被试或跨会话协议、训练测试划分及具体基线，因此不能据此判断泛化能力或不同协议下的优势。 全文核对重点包括连续 EEG 的输入组织与预处理、是否仍借助眼动或文本边界信息、预训练文本模块的训练与推理角色，以及开放词表生成的评估方式。实验协议、消融及统计信息尚未验证；代码、权重和复现配置的可用性亦尚未验证。其证据范围是阅读条件下的 EEG-to-Text，不能直接外推为自由意念表达或无需阅读刺激的 BCI 文本生成。