异构电极配置下基于 EEG 与 EMG 的无声语音解码系统

基于摘要分析。该研究针对 EEG/EMG 无声语音识别中数据难以采集、实验设置及电极位置不一致的问题，提出可处理异构电极配置的神经网络，并通过大规模 EEG/EMG 数据上的多任务训练提升词语分类表现。主要贡献是探索如何联合利用不同采集配置的数据，而非要求建立单一、同质的数据集。 技术机制方面，摘要明确提出异构电极位置适配和多任务训练，但未说明电极位置如何编码、不同配置如何对齐、EEG 与 EMG 如何融合，以及任务定义、损失函数或训练与推理流程；这些细节尚未验证。“大规模”是摘要中的描述，具体数据集、样本量、健康被试人数、词表规模及语言构成尚未验证。 结果方面，作者报告健康参与者的词语分类 Accuracy 为 95.3%，单被试数据训练模型为 70.1%；一名言语障碍患者的 Accuracy 为 54.5%，对应单被试训练模型为 13.2%。摘要未交代这些比较属于被试内、跨被试还是其他评估协议，也未提供训练与测试划分、校准数据量及统计不确定性，因此不能据此认定为跨被试泛化效果。作者还报告跨语言校准表现有所改善，但未给出具体语言、指标和数值。 阅读与复现时，应核对异构配置适配的实现、训练数据与测试对象的关系、多任务训练相对单被试训练的对照条件，以及 EEG、EMG 各自对性能的贡献。实验协议、消融及统计信息尚未验证。作者据此提出实用无声语音系统的可行性，但单名患者的词语分类结果尚不足以确认其对不同言语障碍人群或实际连续交流场景的适用性。