使用深度神经网络关联 EEG 与连续语音：综述

基于摘要分析。本文综述利用深度学习建立 EEG 与连续语音之间映射的研究，覆盖单说话者和多说话者范式，主要贡献是梳理方法学风险并提出标准化模型评估的要求，而非发布新的解码模型。 研究背景与机制：连续语音聆听会诱发可由 EEG 记录的脑响应，EEG 与语音信号之间的映射可用于衡量大脑对语音的神经追踪。传统线性模型假定两类信号之间存在可由线性关系描述的映射；本文讨论深度学习作为建模非线性关系的替代方法。摘要并未给出各类模型的具体结构、损失函数、训练方式或推理流程，不能据此判断哪种架构更有效。 综述发现：作者报告汇集了 29 项研究，并在所评述文献中识别出有偏的交叉验证、可能导致模型过拟合的数据泄漏，以及数据规模与模型复杂度不匹配等主要方法学问题。这些是作者对纳入研究的总结，不意味着所有 EEG–语音模型均存在上述问题；涉及哪些研究、具体问题如何认定，尚需全文核查。 评估与复现价值：作者提出标准化模型分析应考虑公开数据集、共同评价指标，以及 match-mismatch 任务的良好实践。该综述可作为审查 EEG–语音解码实验协议的参考，但摘要没有提供具体数据集名称、被试数、划分方式、指标数值或基线比较，不能据此比较模型性能，也不能认定深度学习优于线性模型。 证据边界：文献检索与纳入标准、各项风险的实例和判据、不同评估协议的适用条件，以及实验协议、消融及统计信息尚未验证。复现或采用其评估建议前，应取得全文并核对对应原始研究。