本文针对脑电信号对自然语言处理的潜力进行了大规模研究，利用多模态机器学习体系结构，发现滤波后的脑电信号对情感分析任务的性能提升最为明显，特别是在训练数据有限的情况下。

Feb, 2021

本研究介绍了MTAM（MultimodalTransformer Alignment Model）方法，通过引入规范化关系和Wasserstein距离等算法，实现了将语言和电生理信号转换为高级联合表示，提高了情感分析和关系检测精度，从而研究两者在表征层面的关系。

Aug, 2022

通过联合分析大型语言模型、眼动数据和脑电图数据，本研究旨在研究人脑在阅读时对具有不同关联程度的关键词的词语的处理方式，并用特征工程方法改善相关脑电图数据的分类，从而为人类的认知能力和人工智能领域提供有价值的洞察，并为发展潜在的阅读辅助技术提供指导。

Sep, 2023

使用预训练语言模型对无创脑机接口（BCI）通过脑电图（EEG）信号进行解码的潜力进行了研究，提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架，并使用新的评估指标验证了该框架在解码效果方面的优越性。

Nov, 2023

通过研究使用大型语言模型（LLMs）探索人工神经处理和语言理解之间相似性的因素，我们发现随着LLMs在基准任务上性能的提高，它们不仅在预测LLM嵌入的神经相应性时表现出更高的脑部相似性，而且它们的分层特征提取路径与大脑的映射更为密切，并且使用较少的层进行相同的编码。此外，我们还比较了不同LLMs的特征提取路径，发现高性能模型在层次化处理机制方面更多地趋同。最后，我们展示了上下文信息在提高模型性能和与大脑相似性方面的重要性，并揭示了大脑和LLMs语言处理的融合特点，为开发更加与人类认知处理密切相关的模型提供了新方向。

Jan, 2024

使用大型语言模型研究大脑信号，通过测量模型的预测能力和大脑的相似性，关注大脑活动对语言处理的核心元素，并发现过度依赖大脑信号评分可能导致对大型语言模型与大脑相似性的过度解读。

Jun, 2024

本研究解决了从脑电图（EEG）信号中提取语言信息的难题，提出了一种新的两步流程以提升语言解码的有效性。核心创新在于采用掩蔽对比目标训练Conformer编码器，从而在自然阅读过程中学习到单词级语义信息，并通过无训练的检索方法获取句子。实验结果表明，该方法能够有效将EEG片段分类为具有相似含义的语义类别，为脑-计算机接口应用提供了更可靠的解码解决方案。

Aug, 2024

本研究针对将大型语言模型与人类脑动态整合的空白，提出了一种新颖的多任务模型BELT-2，旨在提高EEG信号的编码和解码性能。通过首次采用字节对编码（BPE）级的EEG-语言对齐及多任务训练，该模型在从非侵入性脑信号解码连贯可读句子方面取得了显著进展，实验结果显示在ZuCo数据集上的BLEU-1得分达到52.2%。

Aug, 2024

本研究解决了如何将脑活动解码为可理解文本的挑战，提出了一种名为Thought2Text的方法，利用经过脑电图数据微调的指令调优大型语言模型。实验结果显示，该方法在解释脑电图信号生成文本方面具有显著进展，展现了在神经科学和自然语言处理领域的潜在应用价值。

Oct, 2024

本研究旨在解决传统脑机接口（BCI）与语言模型结合的不足，提出了一种将前沿的预测性语言模型与BCI整合的新方法。研究发现，采用如GPT这样的预训练自回归变换器模型，能够显著提升BCI在沟通中的效率，预示着该领域的快速、有效和用户自适应神经技术的发展潜力。

Dec, 2024