面向实用交流的基于 MEG 的自发言语与意图言语解码最优传感器集

基于摘要分析。本研究针对无外部提示的自发意图言语与外显言语 MEG 解码，考察能否通过减少传感器数量和选择合适频段，降低未来交流 BCI 的硬件与计算需求。核心方法是采用前向选择算法筛选传感器子集，并使用支持向量机和随机森林比较不同传感器配置及频段下的解码表现。 作者报告，在所评估的解码设置中，平均仅需 7–8 个传感器，所需数量的最大值也少于 24 个，即可获得与全头皮超过 200 个传感器相近的解码表现。摘要未提供具体指标、数值、置信区间或等效性检验，因此“相近”不能直接解释为已证实统计等效。作者还报告，Lower High-Gamma（62–125 Hz）频段在部分设置中表现最好，但并非在所有设置下都显著优于其他频段。 据此，作者建议未来可穿戴 MEG 设备不一定需要全头皮传感器配置，采样率应至少支持 250 Hz，条件允许时建议采用 500 Hz。这属于基于当前解码结果提出的设备设计建议；摘要并未表明已在 OPM 或 NV-diamond 可穿戴磁力计上完成验证，也不能据此认定已实现患者的实用交流。 复现时需核对传感器筛选是否仅使用训练数据、性能评估是否采用独立测试，以及最优传感器位置能否跨被试或跨会话保持稳定。摘要未交代被试数量、言语类别与任务细节、数据划分、具体性能指标及传感器位置；实验协议、消融及统计信息尚未验证。尤其应区分每位被试单独筛选所得的小规模传感器集，与可直接用于新被试的固定硬件布局。