利用层次化选择性状态空间模型与解耦交叉熵损失实现高效、多功能的计算机辅助发音训练

基于摘要分析。本文研究计算机辅助发音训练（CAPT）中自动发音评估（APA）与错误发音检测及诊断（MDD）通常分开处理的问题，提出 HMamba，在同一方法中并行整合两类任务，并引入面向 MDD 的解耦交叉熵损失 deXent，以改善错误发音音素检测的监督学习。 APA 的目标是在不同语言层级提供多个发音维度的评分，MDD 则定位非母语学习者的具体音素发音错误。原标题将 HMamba 的方法基础描述为层次化选择性状态空间模型，但摘要未展开层次组织、输入表示、任务间信息交互及推理流程。deXent 的具体公式、解耦对象及其与常规交叉熵的差异也尚未验证，不能仅凭名称推断其损失结构。 作者报告，在 speechocean762 基准数据集上的实验支持该方法用于 APA 的有效性，但摘要未给出具体评分指标或数值。作者另报告，MDD 相较一个强基线取得明显改善，F1 为 63.85%；摘要未明确该项结果的数据划分、基线名称、F1 计算方式及提升幅度，因此不能据此与其他协议下的结果直接比较。标题强调效率，但计算量、推理延迟及资源消耗尚未验证。 摘要提供了代码仓库入口，可用于后续核对实现；代码完整性、运行环境、实验协议、消融及统计信息尚未验证。原研究对象是语音发音训练，而非 EEG 或 BCI。层次化序列建模与多任务学习具有潜在跨领域方法价值，但现有材料不足以建立具体的 EEG 迁移路径，也不支持推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。