利用相位锁定与空间特征的双分支深度学习模型进行 EEG 内部言语解码
基于摘要分析。本研究针对 EEG 内部言语解码中的低信噪比、被试差异及非平稳性，提出融合瞬时相位锁定值与共空间模式（CSP）的双分支分类框架，并在两个公开 EEG 数据集上评估被试内与跨被试表现。 方法以瞬时相位锁定值提取相位同步特征，使用主成分分析（PCA）降维，同时通过 CSP 提取空间特征。两类特征分别由循环神经网络（RNN）与深度神经网络（DNN）处理，再拼接用于最终分类。摘要未明确两类特征与网络分支的具体对应关系，网络结构、损失函数及训练配置尚未验证。可核对的核心设计是相位同步信息与空间判别信息能否提供互补贡献，而非仅由模型容量增加带来收益。 第一个数据集包含五名个体的 imagined speech，涉及 social 与 numerical 两类词语；第二个数据集包含十名参与者执行四个西班牙语词语指令的 inner speech。作者报告，在 subject-dependent（S-d，被试内）设置下，第一个数据集 social words 与 numerical words 的平均 Accuracy 分别为 95.16 ± 3.50% 和 95.96 ± 2.40%，macro F1 超过 95.19%；第二个数据集平均 Accuracy 为 90.23 ± 10.61%。在 subject-independent（S-Ind，跨被试）设置下，第二个与第一个数据集的 Accuracy 分别为 64.09 ± 3.20% 和 52.19 ± 2.64%。这些结果显示，在作者采用的评估设置中，跨被试表现明显低于被试内表现；摘要未说明“±”的统计含义及具体划分方式。 作者报告，相对既有方法的改进最高达 226.21%，但摘要未提供该数字对应的指标、基线及一致性比较条件，不能将其理解为 Accuracy 增加了相同数值的百分点。两个数据集上的分别验证也不等于 Cross-dataset 泛化验证。 复现需核对数据集名称、预处理、相位特征计算与时间窗、PCA 和 CSP 的拟合范围、被试内及跨被试划分、单分支与融合消融，以及基线比较和统计分析。上述实验协议、消融及统计信息尚未验证。作者提出进一步使用更大、更多样且包含多会话的数据开展评估；当前摘要不足以确认在线 BCI 可用性或跨会话稳健性。