Europe PMC（brain-computer interface · Preprints）· Elnoor M. Abdalla H, Basri H, Aris I, Yusof Khan AHK, Natarajan S, Adha MS, Abbasa WF, Zakaria SH, Al-Haddad SAR.·· 20 天前AI 评分32
基于锁相与空间特征的双分支深度学习模型实现 EEG 内语解码
EEG-Based Inner Speech Decoding Using Phase-Locking and Spatial Features with a Dual-Branch Deep Learning Model
AI 导读
一项预印本研究提出双分支深度学习框架，结合瞬时锁相值与共空间模式提取特征，在两类公开 EEG 数据集上解码内语。在受试者依赖设置下，社会词与数字词平均准确率分别达 95.16±3.50% 和 95.96±2.40%，第二数据集为 90.23±10.61%；但受试者独立设置准确率仅 64.09±3.20% 和 52.19±2.64%，跨受试者泛化仍是难题。
AI 要点
团队
Elnoor M. Abdalla H、Basri H、Aris I 等，末位作者 Al-Haddad SAR。
主要结果
受试者依赖设置下，社会词平均准确率 95.16±3.50%、数字词 95.96±2.40%，宏 F1 超 95.19%；第二个数据集受试者依赖平均准确率 90.23±10.61%。
解决什么问题
EEG 内隐言语解码受低信噪比、个体差异大、神经活动非平稳等限制，跨受试者泛化困难。
方法
结合瞬时锁相值与共空间模式提取特征，锁相特征经主成分分析降维，分别用循环神经网络和深度神经网络处理再拼接分类；在两个公开 EEG 数据集上评估。
局限
受试者独立设置准确率仅 64.09±3.20% 和 52.19±2.64%，跨个体泛化仍是挑战；作者提出需在更大、更多样、多 session 数据集上进一步评估。
AI 依据原文整理，未经人工核对。
来源：Europe PMC（brain-computer interface · Preprints） · doi.org