neural-decoding

本文提出EEG-AS，一种算法选择框架，通过重建行为实现在多个EEG基础模型之间的实例级选择，从而提高神经解码性能。

本文介绍了LibriBrain100，一个大规模MEG数据集，包含超过100小时的神经语音解码数据，在单词分类基准测试中达到了最先进的性能。

本文介绍Von-Neumann State-Space Transformer (VN-SST)，这是一种受冯·诺依曼架构启发的新模型，通过使用低秩指令库进行特定于令牌的操作，提高了神经解码中的样本效率，在基准测试中优于标准Transformer。

这项研究使用非侵入式EEG和对比学习来解码默读过程中的单词，展示了可扩展的词汇信息恢复，其性能随数据量增加而提升。

该论文提出了BLPM，一种脑电-语言基础模型，利用连续潜变量预测建模和语义对齐将脑电信号映射到文本嵌入，在多样任务和数据集上实现了可泛化的神经解码。

NeuroPB 是一个框架，通过在大规模行为数据（包括机器人轨迹）上预训练运动编码器，并将神经活动对齐到该表征空间来扩展神经解码，从而在有限神经数据下改进轨迹解码和泛化能力。

本文提出了一种可解释的感知语音MEG到音频检索模型，利用球谐空间注意力和源映射重新设计，以少得多的解码器参数实现了39.75%的Top-1准确率，同时揭示了哪些语音特征驱动检索。

本文改进了用于fMRI解码的Huth编码流程，并介绍了fMRIFlamingo——一种基于Llama 3.2的直接fMRI到文本框架，但发现解码成功主要源于语言先验而非神经输入。

本文介绍了一种用于非侵入性脑记录语义重建的多特征融合框架，通过交叉注意力机制结合静态词汇（Word2Vec）和动态上下文（GPT）表示，在脑到文本解码中取得了最先进的性能。

Brain2Qwerty 是一种非侵入式脑机接口，能将脑电波解码为文字，实现无需手术的通信。

NeuroSonic 提出了一种条件流匹配框架，用于从脑电图信号重建连续语音。通过学习一个确定性的概率流速度场，解决了神经数据与声学数据之间的结构不匹配问题。在跨受试者基准测试中，相比现有的GAN、扩散和均值流基线，该方法在感知质量上取得了高达26.3%的提升。

本文对三个脑电图基础模型（SleepFM、REVE、LaBraM）应用TopK稀疏自编码器，提取可解释的特征字典，并引入了概念引导框架，揭示了表征失败和临床纠缠问题。

研究人员提出Brain-CLIPLM，一个两阶段脑电到文本解码框架，利用对比学习提取语义锚点，并结合基于检索的大语言模型（LLM）及思维链（CoT）推理进行句子重建。该方法在测试中达到67.55%的Top-5句子检索准确率和85.00%的Top-25准确率，显著优于直接解码基线模型，跨被试评估证实了其良好的泛化能力。研究结果表明，脑电到文本解码应聚焦于恢复压缩后的语义内容，而非完整句子重建。