EEG2TEXT-CN est l'un des premiers frameworks de génération EEG-texte à vocabulaire ouvert pour le chinois. Basé sur un encodeur EEG biologique (NICE-EEG) et un petit modèle de langage pré-entraîné (MiniLM), il aligne les signaux cérébraux multicanaux avec les représentations du langage naturel grâce au pré-entraînement par masque et à l'apprentissage contrastif. Utilisant un sous-ensemble de données EEG chinoises (chaque phrase est alignée sur environ 10 caractères chinois et un EEG à 128 canaux enregistré à 256 Hz), il segmente l'EEG en intégrations caractère par caractère et prédit des phrases entières dans des conditions de zéro-coup. Le décodeur est entraîné avec des masques forcés et rembourrés par l'enseignant pour gérer des séquences de longueur variable. Les résultats d'évaluation portant sur plus de 1 500 phrases de validation d'entraînement et 300 échantillons de test distincts montrent un alignement lexical prometteur avec un score BLEU-1 maximal de 6,38 %. Bien que la fluidité syntaxique demeure un défi, cette étude démontre la faisabilité du décodage non phonétique et intermodal du langage à partir de l'EEG. Cela ouvre de nouvelles perspectives pour la recherche sur le texte cérébral multilingue et pose les bases de futures interfaces cognitives basées sur le chinois.