面向 EEG 想象手写识别的有监督跨被试适应与低延迟置信度感知 Trie 解码

基于摘要分析。研究针对 EEG 想象手写识别中的跨被试差异及字符错误在词语构建中的累积，提出冻结源被试训练的神经编码器、仅拟合目标被试轻量分类器的有监督个性化方案，并结合置信度感知 Trie 解码改善词语重建。 个性化阶段使用减少量的带标签目标被试校准数据，不对神经网络进行微调；因此，这仍是需要目标标签的跨被试适应，而非无校准泛化。解码阶段依据后验概率质量动态选择字符候选，再结合 Trie 约束的 beam search 与词频信息，旨在避免固定候选策略在分类置信度变化时过早排除合理字符。具体校准样本量、分类器类型及候选选择规则尚未验证。 作者报告，在已知词边界和词长的 15 折留一被试模拟流式评估中，留出被试的词语重建 Accuracy 为 93.49 ± 4.57%，平均字符错误率为 2.43 ± 1.82%；摘要未说明“±”对应的统计量。作者还报告，在 12,500 词压力测试中，扩大词汇搜索空间后解码表现仍保持稳健，但未给出对应分项指标。 实现方面，作者报告优化前后解码输出保持不变，本地机器上的解码器获得 67.8 倍加速；在 NVIDIA Jetson TX2 上，每词解码延迟为 5.80 ms，每个重建词的能耗为 22.68 mJ。这些是解码实现指标，不等同于包含 EEG 采集和字符识别在内的端到端通信延迟。 复现时需核对源编码器训练与目标校准的划分、校准数据预算、词典及词频来源，以及个性化和词典约束各自的贡献。已知词边界和词长限制了结果向自由连续输入场景的外推；实验协议细节、消融及统计信息尚未验证，也不能据此推断其对严重运动或言语障碍人群的临床有效性。