PsyBrain 脑心前沿 / 脑机接口：当神经科学与机器相连 / A · 专题深度 / A020 · NatCommun脑机接口新突破：不植入电极也能精准解码

A020 Nat Commun | 脑机接口新突破：不植入电极也能精准解码“单个单词”！

来源：公众号 PSY-Brain_Frontier ｜发布：2025-12-02 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息

Title:Towards decoding individual words from non-invasive brain recordings

发表时间：2025.11.26

发表期刊: Nature Communications

影响因子：15.7

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

研究背景

“读心术”曾是科幻小说中遥不可及的幻想，而今，脑机接口（BCI）技术正一步步将这一幻想拉入现实。近年来，基于侵入性电极的研究在语言解码领域取得了令人瞩目的突破，能够高精度地将大脑运动皮层的神经活动转化为语音或文本。然而，这种“开颅植入”的方式伴随着巨大的手术风险和设备维护难题，极大限制了其在普通人群中的推广应用。

反观非侵入性技术，如脑电图（EEG）和脑磁图（MEG），虽然安全便捷，却长期受困于低信噪比、低空间分辨率等技术瓶颈。传统的非侵入性BCI（如P300拼写器）往往依赖于缓慢的视觉注意任务，难以实现自然语言的实时流畅交流。

虽然近期有研究尝试利用功能磁共振（fMRI）结合大语言模型进行语义重建，但fMRI的时间分辨率过低（秒级），难以捕捉毫秒级的单词加工过程。因此，能否利用具有高时间分辨率的非侵入性手段（EEG/MEG），在自然语言流中精准解码出“单个单词”，一直是神经科学与人工智能交叉领域的重大挑战 。

研究核心总结

本研究介绍了一种新型深度学习流程（Deep Learning Pipeline），旨在解决从非侵入性M/EEG信号中解码自然语言个体词汇的开放性挑战，并在空前大规模的数据集上展示了状态最优（SOTA）性能。

Fig. 1 | Approach.

创新架构与大规模验证

研究团队构建的深度学习流程结合了针对 M/EEG 信号的 BrainModule CNN 和用于处理上下文信息的句级Transformer架构。这种混合架构通过对比学习目标进行训练，旨在将M/EEG活动窗口直接映射到预训练语言模型提取的语义词嵌入空间。相比仅使用BrainModule，集成Transformer后，平均性能提升了约50%，这一显著提升证明了在词级解码任务中，利用句子上下文信息的重要性。

Fig. 4 | Examples of top-10 predictions for two MEG datasets.

该工作的一大核心贡献在于其前所未有的验证规模。研究者整合了九个M/EEG研究，构建了跨设备、跨任务和跨语言（英语、荷兰语、法语）的大规模整合数据集，覆盖723名参与者和超过500万个词汇的记录。最终，该管道实现了高达37%的平衡Top-10准确率（基于250词检索集），显著超越了线性模型和现有深度学习基线，并在所有受试者中均实现了显著高于机会水平的解码性能。

Fig. 2 | Decoding performance across model architectures and datasets.

泛化能力与多模态表征

该模型展现出对训练集当中未出现词汇的零样本解码能力，准确率显著高于随机水平。这一关键发现证实了模型学习到的映射关系具有强大的语义泛化性，能够捕捉 M/EEG 信号与抽象语义特征之间的内在联系，而非简单地记忆特定的神经活动模式。

Fig. 5 | Impact of sublexical and syntactic features on decoding.

对解码错误的定量分析揭示了神经编码的复杂性：解码器不仅依赖语义，还显著地捕捉了非语义特征，如词汇的词性和词长。数据显示，预测失败的词汇与真实词汇匹配这些特征的比例，均显著高于随机水平。特别地，在阅读任务中，解码器对低级视觉感知特征（如词长）的依赖性更高，而在听力任务中，则更依赖句法特征（如词性）。这一结果揭示了M/EEG信号中包含了一个多维度的表征，同时编码了词汇的语义、句法和感知特征 。

图10

Fig. 6 | Impact of various word properties on decoding performance.

实验范式对性能的量化洞察

研究通过对九个数据集的对比分析，提供了关于实验架构对解码性能影响的量化洞察：

设备效应： 脑磁图（MEG）的解码性能显著优于脑电图（EEG），统计显著性极高。这一结果主要归因于MEG天然优越的信噪比，印证了非侵入性语言解码的性能瓶颈主要受限于信号质量。
任务效应： 阅读任务（特别是RSVP快速呈现范式）的解码性能显著优于听力任务，统计差异显著。这暗示了视觉呈现中低级特征（如词长）的易于提取性，以及RSVP范式在时间上对单个词汇神经活动的有效隔离。
缩放律与数据策略： 解码准确率随着训练数据总量呈近似对数线性增长，显示出该技术具有强大的可扩展性。同时，研究发现性能更倾向于从个体深度数据集（Deep datasets，即每位受试者记录时长久）中获益，而非广谱数据集（Broad datasets，即大量受试者短时记录），这为未来BCI数据采集的设计提供了重要的指导方针。

图11

Fig. 3 | Scaling laws for decoding performance.

图12

Abstract

While deep learning has enabled the decoding of language from intracranial brain recordings, achieving this with non-invasive recordings remains an open challenge. We introduce a deep learning pipeline to decode individual words from electro- (EEG) and magneto-encephalography (MEG) signals. We evaluate our approach on seven public datasets and two datasets which we collect ourselves, amounting to a total of 723 participants reading or listening to five million words in three languages. Our model outperforms existing methods consistently across participants, devices, languages, and tasks, and can decode words absent from the training set. Our analyses highlight the importance of the recording device and experimental protocol: MEG and reading are easier to decode than EEG and listening, and decoding performance consistently increases with the amount of data used for training and for averaging during testing. Overall, our findings delineate the path and remaining challenges towards building non-invasive brain decoders for natural language.

前沿交流 | 欢迎加入认知神经科学前沿交流群！

⭐️[入群链接]

图13