利用数据增强与语言模型改进 SSVEP BCI 拼写器

基于摘要分析。该研究针对 SSVEP BCI 拼写器中 EEG 变异较大、深度学习解码准确率及对未见被试泛化能力受限的问题，提出结合数据增强与语言建模的混合方法，分别从信号鲁棒性和语言上下文利用两方面改善拼写解码。 SSVEP 拼写器通过头皮 EEG 识别用户正在注视的屏幕字母或目标。研究使用清华大学的 Benchmark 数据集，探索 frequency masking（频率掩码）、time masking（时间掩码）和 noise injection（噪声注入）等增强策略；同时将 CharRNN 与 EEGNet 结合，以语言上下文辅助字词解码。摘要未说明增强施加于何种信号表示，也未说明两个模型的融合方式、损失函数、训练流程及推理时如何使用上下文，这些细节尚未验证。 作者报告，相对其基线，准确率提升最高为原文所述的“2.9 percent”，其中时间掩码与语言建模最有潜力；作者还报告语言模型显著改善词级解码准确率。但摘要未明确该数值是相对百分比还是百分点，也未明确它对应字母级还是词级 Accuracy、何种基线及数据划分，不能据此补写具体比较结果。摘要同样未提供被试数、被试内或跨被试评估协议，因此不能将该提升直接视为跨被试泛化已获验证。 复现时需核对数据划分、信号预处理、增强参数、EEGNet 与 CharRNN 的接口、语言模型训练语料，以及基线是否使用相同语言上下文。还应分别核对信号解码与语言纠错的贡献，以界定收益适用于字词拼写还是任意目标选择。实验协议、消融及统计信息尚未验证；摘要未提供 ITR，准确率收益不能直接等同于通信效率提升。