基于深度学习框架中的语音脑响应检测卒中后失语症

基于摘要分析。本研究针对卒中后失语症的自动化筛查，利用听故事时与语音时间锁定的 EEG 响应，即 neural tracking（神经跟踪），评估语音加工受损情况。其核心贡献是先在健康参与者中建立正常语音神经跟踪模型，再以跟踪指标作为分类特征识别失语症个体；研究对象是临床语言障碍筛查，而非 BCI 控制任务。 方法上，作者使用较大规模健康参与者样本训练卷积神经网络，建模 EEG 对故事中声学、分段及语言学语音表征的响应，作为完整语音加工的参照。随后在包含 26 名失语症个体（IWA）和 22 名健康对照的独立样本上评估这些模型，并将神经跟踪指标输入支持向量机分类器。摘要未说明健康训练样本规模、各类语音表征的具体构造、网络结构、训练目标及跟踪指标定义。 作者报告，在上述独立评估样本中，IWA 对所有所考察语音表征的神经跟踪均降低；使用 9 分钟 EEG 数据进行个体层面失语症检测时，Accuracy 为 85.42%。独立样本评估针对语音响应模型，不足以据此确定支持向量机的训练与测试划分；分类交叉验证方式、调参流程、类别级表现和统计不确定性尚未验证。 这一方案尝试减少行为语言测试所需的人工解释，并降低伴随运动或认知问题对筛查的影响，但这些临床优势不能仅由检测 Accuracy 确认。作者认为方法具有鲁棒性、时间效率和对未见数据的泛化潜力；其证据范围仍需全文核对。失语症严重程度、病灶差异、听力及认知因素的控制，以及跨会话、跨设备或外部临床队列中的表现，均尚未验证。复现还需确认 EEG 预处理、刺激与响应对齐、特征提取和分类协议；实验协议、消融及统计信息尚未验证。