NMCNet：用于普通话声母与韵母跨被试解码的皮层引导 EEG-EMG 融合框架

基于摘要分析。该研究针对普通话声母与韵母的跨被试有声及静默语音解码，提出 NMCNet，以皮层控制与发音肌肉响应为动机设计非对称 EEG-EMG 融合，并结合跨被试监督对比学习与通道筛选。 核心机制包括 Cortical Drive Gating：使用 EEG 特征调制 EMG 表征；以及 Feedback Cross-Modal Fusion：将调制后的肌肉响应信息重新融合到 EEG 表征中。另设多频率分支捕获频率特异性动态。该设计将两个模态的交互方向显式区分，但其生理学动机不等同于已验证的皮层—肌肉因果关系。跨被试增强的监督对比损失强调来自不同被试的同类样本，旨在改善跨被试泛化；具体损失形式、采样方式与训练配置尚未验证。 作者报告，在十名参与者的跨被试研究中，NMCNet 在静默语音条件下取得最佳表现：声母与韵母任务各包含三个宽泛发音类别，两项任务的平均 Accuracy 为 70.25%。具体跨被试划分、比较模型及各任务独立结果尚未验证。对于将宽泛类别内每个独立声母或韵母分别作为类别的细粒度设置，作者报告宏平均 F1 为 73.48%、宏平均 recall 为 74.35%；摘要未明确这些指标对应的语音条件及任务汇总方式，不能与上述三分类 Accuracy 直接比较。 作者报告，基于 Fisher 的通道筛选将 EEG 输入缩减至 15 个通道，表现优于全通道配置；消融结果支持所提架构组件与跨被试学习策略。仍需核对原始通道数、筛选是否仅使用训练数据、EEG 与 EMG 的采集及同步方式，以及消融幅度和统计不确定性；这些信息尚未验证。 该工作依赖 EEG 与 EMG 联合输入，不能将其结果解释为仅凭脑信号的语音解码。作者提出其对无构音能力、严重构音障碍等人群的潜在价值，但摘要未提供目标患者验证。复现时应重点核对静默语音任务定义、细粒度类别构成、跨被试划分和通道筛选流程，并分别评估两种模态及融合机制的贡献。