基于异构电极配置 EEG 与 EMG 的无声语音解码系统

基于摘要分析。研究针对无声语音解码中数据采集困难、不同实验设置的电极位置不一致而难以汇集同质数据的问题，提出可处理异构电极配置 EEG/EMG 的神经网络，并通过大规模 EEG/EMG 数据上的多任务训练改善未发声词语的识别。 核心方法是让模型兼容不同电极布置，以利用不同采集设置下的数据进行训练。摘要明确提及多任务训练，但未说明任务定义、电极位置编码、通道对齐方式、网络结构、损失函数及 EEG 与 EMG 的融合机制；数据集名称、规模、词表及被试构成也尚未验证。因此，现阶段不能确定性能提升分别来自数据规模、多任务监督还是异构配置处理。 作者报告，在健康参与者的词分类评估中，模型 Accuracy 为 95.3%，单被试数据训练模型为 70.1%；在一名言语障碍患者的词分类评估中，对应 Accuracy 为 54.5% 与 13.2%。摘要未交代这些比较的训练与测试划分、是否涉及跨被试或跨会话、校准数据量及基线训练条件，因而不能将其直接解释为无需校准的跨被试泛化能力。作者还报告跨语言校准性能有所提升，但未提供语言组合、指标或数值。 作者认为结果提示面向言语障碍患者开发实用无声语音解码系统的可行性；这仍不等于临床有效性验证。复现时需核对异构电极配置的适用范围、EEG 与 EMG 的独立及联合贡献、患者评估协议、词表限制和在线推理条件。实验协议、消融及统计信息尚未验证，代码与数据可用性也尚未验证。