在 LLM 空间中骑脑波：理解激活模式的个体神经信符
摘要
消费级 EEG 正式进入日常设备，从耳机到头戴式设备，催生了语言模型能否适应 individual 神经响应的疑问。我们通过测试 frozen LLM 表示是否编码 person-specific EEG 信号来回答这一问题，即激活空间中的 direction 能否预测一个人的脑活动而非另一个人的脑活动。使用 30 名参与者阅读自然语言句子（ZuCo 语料库）的 word-level EEG，我们为每个人分别训练一个线性探针，将 frozen Qwen 2.5 7B 的 hidden states 映射到该 individual 的 EEG power。person-specific 探针在每个测试的 EEG feature 上都优于 single population 探针；对于 high-gamma power，person-specific 探针实现 rho = 0.183，仅为 population 探针 (rho = 0.020, p < 10^-4) 的九倍。一个负控制，fixation count，显示无 person-specific 优势（p = 0.360）；fixation count 反映 word length 和 frequency，而非 individual 认知。这些 individual directions 在时间上是稳定的（split-half cosine = 0.824），无法跨人迁移（self rho = 0.369 vs. other rho = 0.143, p < 10^-19），且与 shared population signal distinct：person-specific 探针在去除 population 成分后仍保留预测能力。person-specific 信号浓缩在 model 的 deep layers 中，随深度稳定上升并在 28 层中第 24 层达到峰值。结果在不同 architecture（LLaMA 3.1 8B）间一致，并能抵御 word-level confound 控制。冻结语言模型包含 stable、person-specific 神经 directions于其 deep layers，为 EEG 驱动的 personalization 提供了几何基础。
引用
@article{arxiv.2603.21847,
title = {Riding Brainwaves in LLM Space: Understanding Activation Patterns Using Individual Neural Signatures},
author = {Ajan Subramanian and Sumukh Bettadapura and Rohan Sathish},
journal= {arXiv preprint arXiv:2603.21847},
year = {2026}
}