SENSE：基于隐私保护语义检索的高效 EEG 到文本解码
机器学习
2026-03-19 v1
摘要
将脑活动解码为自然语言是人工智能中的一大挑战，具有重要的助言通信、神经技术和人机交互等应用。大多数现有脑-计算机接口（BCI）方法依赖于对原始 EEG 信号进行大量计算的大型语言模型（LLM）或编码-解码模型的微调，导致训练管线昂贵、可及性有限，以及敏感神经数据的潜在暴露风险。我们引入了 SENSE（SEmantic Neural Sparse Extraction），一个轻量级且隐私保护的框架，可在不进行 LLM 微调的情况下将非侵入式电生理信号（EEG）翻译为文本。SENSE 将解码过程分为两个阶段：设备端语义检索和基于提示的语言生成。EEG 信号被本地映射到离散文本空间，以提取非敏感的词袋（Bag-of-Words, BoW），该 BoW 用于条件化外部即插即用 LLM，以零样例方式合成流畅文本。EEG 到关键词模块仅包含约 600 万参数，可在设备端完全运行，确保原始神经信号保持本地，而仅将抽象语义线索与语言模型交互。在 128 通道 EEG 数据集上评估 6 名受试者，SENSE 在解码质量上与完全微调的基线方法（如 Thought2Text）持平或更好，同时大幅降低计算开销。通过本地化神经解码并仅共享派生文本线索，SENSE 为下一代 BCI 提供了可扩展且注重隐私的检索增强架构。
引用
@article{arxiv.2603.17109,
title = {SENSE: Efficient EEG-to-Text via Privacy-Preserving Semantic Retrieval},
author = {Akshaj Murhekar and Christina Liu and Abhijit Mishra and Shounak Roychowdhury and Jacek Gwizdka},
journal= {arXiv preprint arXiv:2603.17109},
year = {2026}
}