无声言语想象任务中基于 EEG 活动的语义类别解码

基于摘要分析。该研究针对无声言语 BCI 可同时区分词汇数量有限的问题，提出 Semantic Silent Speech BCIs：在具体词语分类之前增加语义类别分类层。研究比较多种特征提取与分类方法，评估从词语想象任务的 EEG 中区分五种语义类别的可行性；摘要所报告的验证对象是语义类别解码，而非完整分层系统的词汇识别效果。 方法与结果：作者报告，在五类语义分类任务中，Common Spatial Pattern（CSP）特征结合 Support Vector Machine（SVM）分类器，单个最佳被试的 Accuracy 最高为 95%；CSP 结合 Random Forest（RF）分类器取得最佳平均 Accuracy，为 60.44%。这两项结果的具体训练与测试划分尚未验证，不应直接视为跨被试泛化能力。作者另报告，在涵盖所有被试数据的 Cross-subject 分析中，自行构建的特征向量结合 RF 取得最佳 Accuracy 43.54%，高于摘要给出的五分类机会水平 20%。这些结果分别对应不同特征、分类器及评估背景，不能合并为同一系统的统一性能。 贡献与边界：其核心思路是以语义类别作为词语解码的中间层，而不是仅增加平面词语分类的类别数量。作者据此认为，想象词语的语义类别可从 EEG 中解码，并可为后续语义型无声言语 BCI 提供基础；但摘要尚未验证语义层与词语层串联后的错误传播、实际词汇量扩展或在线通信表现。 复现时需核对被试数量、语义类别及词表、任务提示与时间窗、EEG 采集和预处理、自建特征向量定义，以及各项结果的数据划分和调参流程。实验协议、消融及统计信息尚未验证，尤其需要结合个体差异与跨被试划分理解最高单被试结果和平均结果。