Nature Portfolio（Brain–machine interface）·2026-07-16 08:00· 2026-07-16精选AI 评分66

Duke G. B. Cogan 团队用 μECoG 对齐跨患者潜在动态提升语音解码

Shared latent representations of speech production for cross-patient speech decoding

AI 导读

Duke University 的 G. B. Cogan 团队在八名接受清醒神经外科手术的患者上，用高密度 μECoG 阵列记录感觉运动皮层，通过 PCA 提取潜在动态并用 CCA 跨患者对齐，训练出跨患者语音解码模型。

AI 要点

团队

杜克大学生物医学工程系 G. B. Cogan 团队（第一作者 Z. Spalding，共 11 位作者）。

主要结果

八名患者 μECoG 记录的语音产生潜在动态可对齐到共同空间，跨患者解码模型性能优于患者个体模型。

解决什么问题

侵入式语音脑机接口依赖患者个体化数据采集（通常数周），训练部署耗时，跨患者共享数据可加速训练。

方法

八名患者运动感觉皮层植入高密度 μECoG 阵列，执行三音素非词复述任务；降维提取潜在动态，学习线性变换做跨患者对齐。

局限

从研究设计看，为急性记录、样本量仅八名患者，且依赖 μECoG 表面 LFP 记录。

AI 依据原文整理，未经人工核对。

AI 推荐理由

八名受试者的术中 μECoG 数据显示，跨患者对齐潜在动态后语音解码可超过个体模型，读者可据此比较跨患者与个体化训练路线。