BrainStack：面向EEG基于语言的解码的功能导向神经混合专家
人工智能
2026-01-30 v1
摘要
从脑电图（EEG）解码语言信息仍具有挑战性，因为大脑的分布式和非线性组织结构。我们提出BrainStack，一种功能导向的神经混合专家（Neuro-MoE）框架，通过解剖学分区的专家网络建模大脑的模块化功能架构。每个功能区域由一个专门的专家学习局部神经动力学， transformer-based的全局专家捕获跨区域的依赖关系。一个可学习的路由门适应性地聚合这些异构专家，实现上下文依赖的专家协调和选择性融合。为促进层次结构中representation的一致性，我们引入跨区域蒸馏，其中全局专家为区域专家提供自上而下的正则化。我们进一步发布了SilentSpeech-EEG（SS-EEG），包含超过120小时来自12名受试者的EEG记录，涵盖24个静默单词，是其类规模最大的数据集。实验表明，BrainStack在准确率和跨受试者的泛化能力方面 consistently 优于最先进的模型。我们的结果表明，BrainStack作为一种功能模块化、类神经MoE范式，统一了神经科学先验与自适应专家路由，为可扩展且可解释的脑-语言解码铺平了道路。
引用
@article{arxiv.2601.21148,
title = {BrainStack: Neuro-MoE with Functionally Guided Expert Routing for EEG-Based Language Decoding},
author = {Ziyi Zhao and Jinzhao Zhou and Xiaowei Jiang and Beining Cao and Wenhao Ma and Yang Shen and Ren Li and Yu-Kai Wang and Chin-teng Lin},
journal= {arXiv preprint arXiv:2601.21148},
year = {2026}
}