言语想象脑电解码及神经可解释性研究

摘要

目的:为提升非侵入式脑机接口中言语想象任务的解码精度，本研究构建了一套基于多任务语言范式的脑电信号(EEG)识别框架。方法:采用公开发布的高密度言语想象EEG数据集。针对信号维度高与噪声干扰强的问题，分别在时域利用主成分分析(PCA)进行特征降维，在频域采用共空间模式(CSP)提取判别性特征，并结合支持向量机(SVM)、随机森林(RF)与多层感知机(MLP)开展分类建模。结果:PCA-SVM组合在时域平均准确率达99%,CSP结合机器学习分类器在频域识别性能亦达到99%。结论:基于SHAP的可解释性分析揭示前额极及Broca区在语言加工中的主导作用。结果表明，该方法在复杂任务结构下具备较高的解码鲁棒性和良好的神经可解释性，为后续语言型脑机接口(BCI)系统和脑电语义建模相关研究提供方法学参考。

关键词

脑电信号 / 脑机接口 / 支持向量机 / 主成分分析 / 共空间模式 / 言语解码