厘清基于 EEG 的语音解码中的神经活动贡献

基于摘要分析。本研究针对 EEG 语音解码中神经活动与发音肌电伪迹难以区分的问题，利用可解释 AI 分析基于超高密度 EEG（uhd-EEG）预测所说词语的卷积神经网络，并考察出声言语与内隐言语条件下解码相关神经动态的共享程度。 方法上，研究比较各电极对解码的贡献与其信号和肌电（EMG）之间的互信息，分析 EEG 解码和仅依赖 EMG 的解码所利用的时间段，并考察去噪前后的电极贡献分布。这些分析分别从空间贡献、时间特征及预处理影响三个角度，检验解码是否仅由发音相关肌电驱动。 作者报告，电极层面的解码贡献不能由其与 EMG 的互信息解释；对 EEG 解码有贡献的言语时间段，与仅依赖 EMG 解码的贡献时间段不同。作者还报告，出声与内隐言语条件下，对 EEG 解码有贡献的信号时间存在显著重叠；去噪增强了所有言语条件下位于言语相关脑区的电极对解码的贡献。摘要未提供这些结果的效应量、统计检验细节或词语解码性能数值。 这些结果支持作者关于适当预处理后 EEG 可利用神经活动进行词语解码的解释，但不能仅据摘要认定肌电混杂已被完全排除，也不能将时间贡献重叠等同于已实现出声到内隐言语的跨条件解码。被试规模、词表与任务设计、数据划分、EMG 采集方式、去噪流程、可解释性算法，以及实验协议、消融及统计信息尚未验证；复现需进一步核对上述条件及代码、数据可用性。