Neural Spelling：用于语言神经解码的拼写式 BCI 系统

基于摘要分析。该研究针对非侵入式 BCI 的字母覆盖与文本输出问题，提出基于 EEG 的 Curriculum-based Neural Spelling Framework：先解码与手写相关的神经信号以识别全部 26 个英文字母，再利用 Generative AI（GenAI）增强拼写式神经语言解码。 核心机制是将神经信号到字母的识别与语言层面的文本增强相结合，并使用预训练大语言模型（LLMs）将 EEG 解码结果转化为文本。摘要提及课程式框架，但未说明课程阶段、训练目标、解码算法或 LLM 接入方式；手写任务涉及实际书写还是书写想象也尚未验证，不能据此认定系统已实现无动作交流。 作者报告系统能够识别全部 26 个英文字母，并称 GenAI 可改善典型拼写式神经语言解码任务的表现，但摘要未提供 Accuracy、字符错误率、ITR 等定量指标，也未交代被试、数据划分、被试内或跨被试协议及对照基线。因此，字母类别覆盖不等于已验证的可靠文本输入能力，其相对既有方法的提升幅度尚无法核对。 复现时需核对 EEG 采集与预处理、字母标签构建、课程训练步骤、LLM 输入及输出约束，并区分原始 EEG 字母解码性能与语言模型增强后的文本性能。实验协议、消融及统计信息尚未验证；作者提出的可扩展性、易用性及沟通障碍人群应用价值，也不能视为已完成临床验证。