脑机百科消息(bciwiki.com)，据arXiv，Shahryar G. Namdari、Francesco Iacomi、Riccardo Barbieri和Luca Mainardi于2026年10月14日在该平台上传了想象语音解码研究预印本，未经同行评审。研究将脑电信号与文本的语言表示对齐，探索非侵入式脑机接口能否在识别固定意图的同时，保留表达之间的语义关系。
传统闭集分类器只能在预先设定的类别中选择输出，通常将语义类别视为彼此独立的标签。该研究采用多模态对比学习，将脑电试验数据映射到冻结预训练文本编码器的嵌入空间，即用于比较语言表示的数值空间。脑电编码器的训练目标结合语义重加权的脑电—句子对齐与基于文本原型的类别区分，以兼顾语义结构和39个意图类别之间的可区分性。
研究在Chisco想象语音数据集的5名受试者上开展评估，报告Top-k准确率、宏平均F1和均衡成对匹配准确率（2v2）。该框架的解码表现与针对任务优化的闭集分类器相当。最大脑电—文本余弦相似度（MaxCosine）作为候选可靠性指标，在各受试者的留出试验中识别出了Top-1和Top-5准确率更高的子集；这一结果反映的是子集筛选，而非全部试验准确率的提升。
研究还使用五个评估阶段的语义轴及定性的语义画廊探针（SGP）考察类别标签之外的语义结构。五个维度的平均一致率均高于50%的机会水平参照，SGP则展示了脑电表示与此前未见候选句子的直接比较。作者据此认为，脑电—语言对齐可能在保留固定意图解码表现的同时，支持基于相似度的检索、内在可靠性排序和更广泛的语义结构评估；定性展示并不等于已验证任意想象语句的自由解码。