基于 723 名参与者非侵入式脑记录的单词解码

本研究针对非侵入式脑记录中可靠单词解码的难题，提出从 EEG 和 MEG 信号解码单个词的深度学习流程，并研究记录设备、实验任务及数据规模对解码的影响。基于摘要分析，未取得论文全文。 研究规模与任务：作者在 723 名参与者的数据上训练和评估方法，参与者接触的书面或口语词总量为五百万，语言包括 English、French 和 Dutch。研究对象是阅读或听觉呈现条件下的单词解码；摘要并未提供自由表达、实时通信或在线 BCI 的验证结果，不能据此推断这些场景的可用性。 方法与结果：摘要未披露网络结构、训练目标、词表示方式或具体推理流程。作者报告，该方法在不同参与者、设备、语言和任务条件下均优于现有方法，并能够解码训练集中未出现的词。此处的未见词解码不等同于已验证的 Cross-subject 或 Cross-dataset 泛化；相关划分与基线设置尚未验证，摘要也未给出可量化比较的指标及分数。 采集与评估条件：作者报告，MEG 比 EEG 更易解码，阅读比听觉条件更易解码；相较于在大量参与者间重复刺激，为每名参与者采集更多数据更有利。作者还报告，性能随训练数据量和测试时用于平均的数据量增加而提升。因此，解读结果时需核对测试平均的具体单位、次数及其与单次预测的差异，不能将平均后的表现直接视为单次实时解码能力。 表征分析与复现边界：作者报告，单词预测既依赖语义，也捕捉词性、词长乃至单个字母等句法与表面属性，尤其在阅读条件下。其意义在于提示解码内容可能同时包含语义和刺激形式信息，而非仅反映语义。具体数据集名称、预处理、时间窗、被试内或跨被试协议、未见词划分、消融、统计信息以及代码与数据可用性尚未验证；复现时应优先核对这些条件。