通过双模态 EEG 与 fMRI 数据融合改进内言语解码

基于摘要分析。本研究探讨融合 EEG 与 fMRI 是否能较单模态模型改善内言语解码，并比较两条融合路径：拼接单模态机器学习模型输出的概率向量，以及结合特征工程的数据融合。 研究采集了四名参与者执行相同内言语任务时的数据，任务为跨两个语义类别的 8 词分类。第一条路径利用 EEG 与 fMRI 单模态模型的预测输出进行融合；第二条路径在数据与特征处理环节实施融合。摘要未说明具体分类器、特征工程步骤、融合后的训练方式，也未交代两种模态是否同步采集，这些实现条件尚未验证。 作者报告，所有参与者的内言语解码性能均在采用双模态融合策略后提升，Accuracy 平均增幅为 6.025%。这一结果来自上述四名参与者的 8 词分类任务；摘要讨论的是被试依赖融合模型，不能将其视为跨被试泛化证据。该增幅究竟为相对百分比还是百分点、相对于哪一种单模态基线计算，以及两类融合方法分别取得何种结果，尚需全文核对。 作者还报告，不同参与者的数据呈现不同的潜在结构，且这种差异与被试依赖融合模型的解码表现相关。其具体结构定义、分析方法与相关性统计尚未验证，因此不能据此确定性能差异的因果机制。 复现时需核对数据划分、单模态与融合模型的对应对照、两种模态的配对与对齐方式，以及特征工程和融合训练的具体流程。实验协议、消融及统计信息尚未验证；摘要结果也不足以确认仅使用 EEG 部署时是否仍能获得增益，或该方案是否适用于在线 BCI。