arXiv q-bio.NC（Neurons and Cognition）·· 8 天前AI 评分42
研究团队用对比学习框架实现 EEG 想象言语解码与文本语义对齐
Semantic Alignment of EEG and Text: A Contrastive Learning Framework for Decoding Imagined Speech
AI 导读
研究团队将多模态对比学习框架用于想象言语解码，在冻结预训练文本编码器的嵌入空间中对齐 EEG 试次与语言表征，在 Chisco 想象言语数据集 5 名受试者、39 个意图类别上取得与任务优化闭集分类器相当的解码性能。最大 EEG-文本余弦相似度（MaxCosine）可识别出 Top-1 和 Top-5 准确率更高的留出试次子集，五个评估期语义轴的平均一致率均高于 50% 随机参考。
AI 要点
团队
第一作者 Shahryar G. Namdari，末位作者 Luca Mainardi，共 4 位作者。
主要结果
对比学习框架解码性能与任务优化的闭集分类器相当；MaxCosine 可筛出 Top-1、Top-5 准确率更高的留出试次；五个语义轴平均一致率均高于 50% 随机参考。
解决什么问题
传统闭集分类器把语义类别当作独立标签，未显式利用语言意图间的关系，限制输出灵活性。
方法
在 Chisco 想象言语数据集上对 5 名受试者评估；将 EEG 试次与冻结预训练文本编码器的语言表征在嵌入空间对齐，训练目标结合语义重加权对齐与文本原型类别判别，覆盖 39 个意图类别。
局限
从研究设计看，仅 5 名受试者、单一数据集，且为与闭集分类器性能相当的可行性验证，未设对照。
AI 依据原文整理，未经人工核对。
来源：arXiv q-bio.NC（Neurons and Cognition） · arxiv.org