英文题目：Non-invasive electromyographic speech neuroprosthesis: a geometric perspective
会议身份：
conference:acl:2026:conference-paper-id:2026.findings-acl.564
✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。
标签：#CTC #RNN #生理信号 #静默语音接口
评分：6.6/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Harshavardhana T Gowda：机构信息未能从会议 PDF 纯文本可靠映射
- Lee M. Miller：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
本文任务是从面颈部多通道表面肌电直接解码连续静默语音，输入为无声构音时的肌电波形，输出为音素序列再转写为英文单词，难点在于无可听语音对齐与平行音频监督且容积传导使通道高度相关。方法先对信号带通滤波与逐通道归一化，再按滑动窗估计通道协方差并收缩正则为对称正定矩阵以显式刻画肌肉协同的二阶空间结构。接着以训练集Fréchet均值特征向量构成共享基对矩阵做近似对角化，其对角线即谱特征序列并作为下一步时序模型的输入。谱序列送入双向门控循环单元建模动态并以联结时序分类实现免对齐训练，推理时束搜索输出再经加权有限状态转换器语言模型转为单词。与依赖可听肌电到音频映射的范式不同，该方法将空间解耦与时序建模分离，使普通循环网络无需显式空间建模即可利用跨通道结构先验。在单被试大词表静默语料评测下，本方法的音素错误率为49%，低于随机猜测的98%。其适用边界受限于目前仅单名健康被试离线双向解码，尚未验证跨被试跨天漂移与病理人群的外推。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么、目标是什么：为何只用静默肌电做转写？
本文的输入是表面肌电信号。白话说，就是贴在脸和脖子皮肤上的电极记录到的肌肉放电总和。参与者在不出声的情况下做发音口型，舌、下颌、唇、喉部肌肉仍会收缩，电极能采到随时间变化的多通道波形。目标是把这段波形直接变成文字。中间不经过声音重建，也不依赖同步录到的音频。
论文把 3 类信号分得很清。静默肌电记为 ES，是无声构音时的肌电；可听肌电记为 EA，是正常出声时的肌电；音频记为 A，是麦克风声音；语言内容记为 L，是纯音素序列。
例如单词 FRIDAY 的 L 写作 F-R-IY-D-AY。A 还带有音量、音高、韵律等表达信息，L 只保留发什么音的词典信息。任务就是学从 ES 到 L 的映射，测试时对没见过的 ES 输出每步音素概率，再拼成词。 为什么不沿用旧路线？既往以 Gaddy 和 Klein 为代表的方法需要高质量 EA 和 A，需要 2 倍语料同时采静默和可听数据，还需要肌电与音频的精确时间对齐。
对喉切除后无喉发声、肌萎缩侧索硬化导致发音含糊的人，这些条件可能根本不存在。临床可用的系统必须假设病人拿不出可对齐音频。因此本文把学习条件收紧为只有 ES 加句子级文本转写，这是一个更难但更贴近失语人群的学习问题。
静默肌电 × 可听肌电与音频： 静默肌电指无声构音时面颈部肌肉的表面电活动，是目标临床人群仍可能保留的信号；可听肌电与音频指正常发声时同步记录的肌电和声音，是既往方法用来学映射的平行监督；二者搭配的旧路线是先在可听数据上学肌电到音频映射再迁移到静默数据，本文切断该依赖只用静默肌电加文本，意义是覆盖喉切除后无声等无法提供音频的人群。
从应用看，作者提到两类动机。一是为失去清晰发声能力的人恢复交流，包括喉切除、神经肌肉病、中风或放疗损伤等病因导致的构音障碍；二是在不方便出声的场景下提供无声输入，例如多人游戏或嘈杂环境通话。但正文实验只验证转写可行性，没有验证实时交互、长期佩戴或临床人群效果，这些属于待验证部分。
同输入同目标的路线有哪些、条件有何不同？
先看侵入式脑机接口。Willett 等人、Card 等人、Metzger 等人的工作从运动皮层记录单神经元级活动，信噪比高，适合完全失语例如晚期肌萎缩侧索硬化人群。代价是需要植入。Défossez 等人的非侵入工作从脑磁图或脑电图重建听到的语音片段，但那是感知解码，不解决病人主动发起说话的问题。本文的肌电路线是非侵入且主动发起的，电极贴在皮肤上，记录的是多个运动单位动作电位的叠加，再经皮下组织和皮肤传播产生畸变，通道间存在空间相关。
再看肌电到语音的既往工作。Jou、Kapur、Meltzner、Toth、Janke 等人多用私有小语料、特定任务流水线，例如 50 句、15 分类、约 200 词、500 句或约 2 小时数据，难以比较开放词表英语的泛化。Gaddy 和 Klein 建立了开放词表可复现基准，2020 年报告词错误率 68%，2021 年降到 42%，但训练依赖时间对齐的肌电音频对。Benster 等人还需额外音频语料。Littlejohn 等人在同一数据集上报告 74%，但划分与实现未公开。
本文报告 73.53%，作者明确强调数据采集、训练目标、对齐假设和评测方法都不同，不应 1 对一直接比较，只能作为背景参照。 几何表示方面，Gowda 等人 2024 年提出对称正定矩阵适合嵌入肌电，区分孤立构音手势或音素片段；Barachant 等人和 Sabbagh 等人在脑电中用黎曼几何做分类与回归。本文的推进是把该表示扩展到连续语音的序列到序列音素解码，并给出跨个体的基变换解释。
附录还用 EMG2QWERTY 腕带打字任务做对照，因为两者都是从肌电解码离散语言序列、都用联结时序分类损失与解码流水线，任务逻辑相近但身体动作不同。
要解决的具体问题与必须保留的信息条件是什么？
具体问题是无对齐的序列预测。输入是一句静默构音的多通道肌电，长度随语速变化；输出是该句的音素序列，长度与输入帧数不一致，且没有帧级标签告诉哪段肌电对应哪个音素。模型必须自己学会切分与对齐。英语设 40 个音素类别，每 20 毫秒输出 1 次 40 类概率分布。
必须保留的信息条件有 3 条。第一，训练只用 ES 加文本，不用 EA 和 A，不做肌电音频对齐。第二，测试句不在训练与验证集中出现，检验连续大词表泛化。第三，音素到词的转换只用独立文本训练的语言模型，本文用 LibriSpeech-100 约 38000 句转写训练 4 元语言模型，不偷看测试音频。 一个教学例子帮助理解难度。
假设真值是 IT WAS PAID FOR，模型可能输出 IT WAS PAY FOR，只差一个音素 D 与 T 的区别，但词级已算错。这说明音素错误率与词错误率会拉开差距。原文也报告平均词错误率高于音素错误率，并指出预测错时仍常是语音学上相近的序列，这正是例子要表达的局部保真与整词严格性的区别。
方法全景：一个样本如何从波形走到词序列？
沿一个句子走一遍。参与者看屏默念一句，鼠标点击标记起止，得到一段多通道肌电。先减去参考通道，做 80 到 1000 赫兹 3 阶巴特沃斯带通滤波，按句切分后每通道沿时间做零均值归一化。然后用 20 毫秒步长、50 毫秒重叠窗滑过整句，每个窗计算通道间协方差得到边矩阵，再投影到公共特征基得到近似对角矩阵序列，送入双向门控循环网络输出每步音素概率，最后用束搜索在加权有限状态换能器图上搜出词序列。
前导读：下图左侧展示了从波形分窗到矩阵再到双向循环网络输出概率的主路径，右侧展示了矩阵在锥体流形上的几何直觉，两侧对照有助于理解为何空间结构先压缩、时间动态后建模。
看图路径： 1. 先从左上多通道波形沿时间窗向下看边矩阵再到稀疏对角矩阵的箭头；2. 再看每列时间窗下方双向门控循环单元输出每步音素概率的连接方式；3. 最后对照右侧锥体流形上个体均值与各时刻矩阵分布的相对位置
论文图 1。原论文 Figure 1：“LEFT: EMG-to-phoneme translation pipeline.”。
后解释：左半部分可见 6 个时间窗各对应一个稠密小方块边矩阵与一个更稀疏的对角化矩阵，箭头向下汇入双向连接的循环单元再向下输出每步概率，说明空间压缩发生在循环建模之前；右半部分把不同时刻矩阵画成锥体表面上的点，个体均值位于中心附近，切空间随位置变化，直观对应正文所说跨个体分布偏移可看作传感器空间的基变换，下方向量束则表示同一均值下各时刻矩阵的发散方向。
空间表示如何计算：从协方差到近似特征值序列？
先讲生理动机。表面肌电是许多运动单位动作电位的加性叠加，电极间串扰使单通道幅值不可靠，但肌肉协同的 2 阶相关相对稳定。因此作者把每个窗的信号建成全连接传感器图，节点是电极，边权重是 2 通道在该窗内的协方差，得到对称半正定邻接矩阵。为保证正定，做收缩变换向单位矩阵拉一点，正文写经验取系数 0.1。 再讲几何处理。
对每个边矩阵做乔莱斯基分解，再按 Lin 的方法求训练集所有矩阵的弗雷歇均值，均值分解得到特征向量矩阵作为公共基。每个时刻矩阵左乘该基转置、右乘该基，得到近似对角矩阵。对角线近似该时刻的特征值，非对角很小，原文用全数据集平均的最大非对角与最大对角之比验证其稀疏性。正文强调该基是被试相关的，不同人的皮下脂肪、肌纤维、传导速度和神经驱动不同，矩阵与特征向量都不同。
对称正定矩阵 × 图谱近似对角化： 对称正定矩阵负责把每个短时窗内 31 个通道的两两协方差存成空间结构，分工是刻画肌肉协同；图谱近似对角化负责用训练集弗雷歇均值求出的公共特征基把每个矩阵投影到同一坐标系，分工是把时变的相关结构变成可比的近似特征值序列；二者搭配是因为肌电跨通道串扰强而时间动态需要稳定输入，组合后门控循环网络只需建模时间依赖而不必再学空间解耦。
弗雷歇均值 × 公共特征基： 弗雷歇均值负责在对称正定流形上求所有时窗边矩阵的几何中心，分工是给出一个代表被试平均空间结构的参考点；公共特征基负责把该均值分解得到的特征向量固定为全句共用的坐标系，分工是让每个时窗矩阵投影后可比；二者搭配把时变协方差变成同一基下的近似对角序列，为循环网络提供稳定输入。
时间建模很简单。把近似对角矩阵序列展平或取对角作为每步输入，送入普通门控循环网络。作者刻意不用复杂空间建模，因为空间结构已由 2 阶特征编码。频谱对照实验说明了这一点：把短时傅里叶变换降到每通道 31 频点、拼成同样形状送入同一循环网络，模型会坍缩到与输入无关的少数音素序列，词错误率达 100%，而对称正定表示能学出有意义的时间依赖。
训练与推理如何组织：不对齐监督从哪里来？
训练目标是联结时序分类损失。白话说，损失不对每帧指定音素，而是把所有能压缩成真值音素串的对齐路径概率求和，模型自己分配哪几帧对应哪个音素、哪里放空符号。监督来源只有句子级音素转写，没有帧级标签，没有音频。优化时用 3 层门控循环网络训练 100 轮，选验证损失最低的权重。原文未报告学习率、批量大小、优化器细节与梯度裁剪，这些属于缺项，复现时需自行补齐并记录。
推理分两步。第一步，循环网络对测试句输出每 20 毫秒的 40 类音素后验，用束搜索得到最可能音素串。第二步，把音素串经词典有限状态机映射到词，再与 4 元语言模型有限状态机组合成统一解码图，用束宽 50 搜索最佳词序列。语言模型只用 LibriSpeech-100 转写训练，与肌电无关。
联结时序分类损失 × 束搜索解码： 联结时序分类损失负责在训练时允许肌电帧与音素标签不对齐，分工是把所有合法对齐路径求和从而只用句子级转写监督；束搜索解码负责在推理时于加权有限状态换能器图上保留多个候选，分工是把每帧音素后验与词典和语言模型结合搜出整句；二者搭配使训练摆脱音频对齐、测试仍能输出词序列。
需要区分的是，双向结构要看到整句才能解码，因此不支持流式低延迟使用。作者在局限中承认这一点，并说后续工作改用因果模型直接转语音。本文的训练与推理都是整句离线模式，不能把输出帧率 20 毫秒误读为系统延迟 20 毫秒。
数据、采集与划分：实验条件是否一致？
主数据集来自 1 名健康被试约 8 小时静默语音肌电，覆盖 6500 以上不同词、11000 句，句子量级与 Willett 等侵入式工作可比。语料改编自 Willett 的英语语料。划分是训练 8000 句、验证 1000 句、测试 1970 句，测试句不在训练验证中出现。音素到词的语言模型用 LibriSpeech-100 约 38000 句、35000 词的转写单独训练。 采集细节按原文交代。
31 个单极活动电极分布于颈、颏、下颌、脸颊和唇，放大器为 ACTICHAMP PLUS，采样率 5000 赫兹，皮肤接触用高黏度导电膏，软件用 Python 呈现视觉提示并用 lab streaming layer 同步时间戳。参考通道置于右耳垂，接地置于左耳垂，预处理时先减参考通道，再带通滤波、按句切分、每通道时间维归一化。电极覆盖舌相关肌如下颊舌骨舌肌、腭舌肌、茎突舌肌，上颊咬肌颞肌颧肌，下颌颏舌肌二腹肌，喉区胸骨舌骨肌茎突舌骨肌等，分别对应不同节点编号。
前导读：下图三幅照片分别显示颈部左侧、颈部右侧与左面颊的电极粘贴位置与编号，读图时应把编号与正文肌群对应起来，而不是只看点的密集程度。
看图路径： 1. 先按左中右三幅确认颈左、颈右、面颊的电极编号分布；2. 再找出接地与参考电极在耳垂附近的位置；3. 最后对照正文对舌、下颌、唇、喉肌群覆盖的文字说明
论文图 2。原论文 Figure 2：“LEFT: Electrode placement on the left side of the neck. MIDDLE: Electrode placement on the right side of the neck. RIGHT: Electrode placement on the left cheek.”。
后解释：左侧颈部照片可见下颌下与喉前区多枚电极纵向排列，对应颏舌肌与舌骨上下肌群；中间右侧颈部照片可见耳垂附近参考电极与颈侧链，对应下颌舌协调与喉位置调节；右侧面颊照片可见颧区、上唇区与口角区网格，对应咬肌、颧肌与唇部肌肉，三区合在一起构成对舌、颌、唇、喉关键构音子的覆盖，理解该覆盖有助于判断为何协方差能捕捉协同。
对照条件方面，主结果的频谱基线与本方法共用同一循环解码器、同一时间分辨率 50 毫秒窗 20 毫秒跳、同一语言模型流水线，区别仅是输入特征不同，因此特征归因相对干净。EMG2QWERTY 对照则替换原始对数频谱为对称正定矩阵，不用其数据增强，训练 250 轮加权重衰减，参数量与计算量与基线相同，属控制变量的特征替换实验。
主结果测了什么：在相同解码器下空间表示带来多少增益？
主问题是开放词表连续静默肌电能否直接转音素再转词。指标是音素错误率与词错误率，都是归一化编辑距离，越低越好。比较对象是同一门控循环网络接同一束搜索与语言模型，输入分别为原始频谱与对称正定近似特征值序列。 前导读：下表比较了主测试集上频谱基线与本方法的可运行策略，重点看音素级是否从不可用变为可用，以及词级仍剩多少误差，同时注意单层小模型与 3 层大模型的差距。
| 条件 | 指标 | 频谱基线 | 本方法 3 层门控循环网络 | 单层小模型参照 |
|---|---|---|---|---|
| 主测试集 1970 句 | 词错误率 | 100% | 73.53% | 待验证 |
| 训练划分 | 训练句子数 | 8000 句 | 8000 句 | 8000 句 |
| 测试划分 | 测试句子数 | 1970 句 | 1970 句 | 1970 句 |
| 语言模型 | 解码图束宽 | 50 | 50 | 50 |
表后解释：本方法把音素错误率从频谱基线的 89.25% 降到 48.47%，远低于 40 类均匀随机的约 97.5% 机会水平，支持肌肉活动包含可解码语言结构的判断；词错误率从 100% 降到 73.53%，仍处高位，说明音素小错经词典放大后整词易错。单层模型已达 56%，表明小容量已能起步，但 3 层更大模型进一步改善。
未胜出项是频谱基线在相同解码器下完全失效，这不是说频谱无信息，而是说在无显式空间建模的普通循环网络下它缺乏归纳偏置；换更强的空间建模器结果可能不同，该边界未评测。
音素错误率 × 词错误率： 音素错误率负责度量解码音素串与真值音素串的归一化编辑距离，分工是反映肌肉到发音动作的保真度；词错误率负责度量经语言模型转成词后与真值句子的编辑距离，分工是反映最终可读性；二者搭配可区分声学建模误差与语言模型放大或纠正的效应，本文中词错误率高于音素错误率说明音素小错常导致整词错。
前导读：下图展示了模型容量与音素错误率的关系，横轴跨越一个数量级以上，适合判断扩容是否还有收益以及不同深度曲线的相对位置。
看图路径： 1. 先确认横轴为模型参数量、纵轴为音素错误率百分比；2. 再比较一层、两层、三层门控循环网络三条虚线拟合的相对高低；3. 最后观察参数增大后误差下降变缓的趋势
论文图 3。原论文 Figure 3：“Model size versus PER for EMG-to-phoneme translation.”。
后解释：图中 3 条虚线分别为一层、两层、3 层网络的幂律拟合，散点为不同隐状态维度的实测，纵轴是音素错误率百分比，横轴是参数量；可见 3 层曲线整体最低，一层最高，同深度下参数增大误差下降但斜率放缓，符合正文所说近似幂律且收益递减，不能把末端一点推广为无限扩容仍同速下降。 前导读：下图展示了固定模型与测试集、只增训练句子数时误差的变化，用于判断数据规模是否是当前瓶颈。
看图路径： 1. 先确认横轴为训练句子数、纵轴为音素错误率百分比；2. 再沿散点从左向右看误差随数据量增加的下降过程；3. 最后注意大数据端波动仍存在、并非严格单调
论文图 4。原论文 Figure 4：“Training data size versus PER for EMG-to- phoneme translation.”。
后解释：横轴为训练句子数从数百到 8000，纵轴为音素错误率，蓝色散点与虚线拟合显示从约 100% 附近快速下降到约 50% 附近，数据越多误差越低但后期变平；最后一两点波动提醒总体趋势不等于每增加一批数据都必然改善，复现时应固定验证测试集再比较。
反证与外部对照：换任务、换词表后表示是否仍有效？
第一个反证是频谱对照已在主结果中出现，这里补充其含义。作者保持解码流水线完全相同，只换输入，频谱在主任务坍缩、在 EMG2QWERTY 上经归一化后仍不如对称正定矩阵。这支持跨通道 2 阶结构是关键归纳偏置的解释，但属于有限解释而非因果证明，因为未穷举归一化与网络结构组合。 第二个对照是 EMG2QWERTY 腕带打字。每被试独立从零训练的个性化模型，参数量与计算量与基线相同。
平均 8 名被试，无语言模型时验证与测试字符错误率从基线 15.65% 与 15.38% 降到 14.33% 与 14.03%，加 6 元字符语言模型后从 11.03% 与 9.55% 降到 9.61% 与 7.95%，相对改善无语言模型约 8.8%、有语言模型约 16.8%，统计显著性 p 小于 0.015。除 USER6 外所有被试均改善，USER6 是明确反例，说明表示并非对每人 universally 最优。 前导读：下表整理了跨任务对照的公平条件与关键数字，重点看无语言模型与有语言模型两档是否一致改善，以及个性化小数据下与大规模预训练上限的距离。
| 条件 | 指标 | 频谱基线 | 本方法 | 对照说明 |
|---|---|---|---|---|
| 个性化训练数据量 | 相对预训练 | 100 倍少数据 | 100 倍少数据 | 接近上限 |
表后解释：两档语言模型下本方法一致更优，且只用单被试约 1% 数据就接近大规模预训练加微调的 6.95% 上限附近的 7.95%，支持表示本身有效。
代价是零样本与预训练微调范式超出本文范围未评测，不能声称跨人直接可用。附录小词表 67 词 500 句实验音素错误率 13%、词错误率 14%，NATO 拼写 4 被试字符错误率 55.7%、55.0%、70.4%、56.4%，远低于 96% 机会水平，支持小词表最小可用假肢的可能性，但被试 3 明显更差，提示个体差异仍大。
哪些结论尚不支持：延迟、跨人与长期稳定性？
第一，双向门控循环网络需看完全句才能解码，不支持流式低延迟使用。输出每 20 毫秒 1 帧不等于延迟 20 毫秒，实际延迟包括整句等待、束搜索与语言模型搜索，原文未测量延迟，不能承诺低延迟改善。 第二，主开放词表实验只在 1 名健康被试上完成，未建立跨个体与临床人群稳健性。NATO 数据有 4 人，但任务是拼写码字且训练仅 10 分钟、测试 50 分钟，与主任务难度不同，不能外推到连续英语在喉切除或肌萎缩侧索硬化人群的效果。
作者说后续在肌萎缩侧索硬化个体上扩展，但本文内未验证。 第三，未评测跨天长期性能。电极移位、疲劳、日间差异的影响未知。侵入式工作有长期稳定性报道，但那是不同模态与任务，不能借来证明肌电稳定。第四，未探索大规模预训练肌电模型能否减少个体数据需求，EMG2QWERTY 的预训练增益不能直接搬到语音，因为语音是连续协同而非离散按键。
伦理与合规方面，研究经加州大学戴维斯机构审查委员会协议 2078695-1 批准，遵循赫尔辛基宣言，参与者书面知情同意并同意去标识数据发表，年满 18 岁、无电极处皮肤破损、矫正视力正常者纳入，儿童、无同意能力者与囚犯排除，按协议补偿。作者声明与静默语音相关的加州大学知识产权，当前未许可。
复现先做什么：保留哪些超参数与信息条件？
先复现预处理与特征。参考通道相减，3 阶巴特沃斯 80 到 1000 赫兹带通，按鼠标点击起止切句，每通道时间维零均值归一化。主任务用 20 毫秒步长、50 毫秒重叠窗求 31 乘 31 协方差，做收缩系数 0.1 保证正定，经乔莱斯基弗雷歇均值求公共基再投影得近似对角序列。小词表用 50 毫秒步长 100 毫秒重叠，NATO 用 30 毫秒步长 150 毫秒重叠、22 通道，这些窗口不能混用。 再复现模型与解码。
3 层门控循环网络训练 100 轮选验证最低权重，每步输出 40 类音素概率，用联结时序分类损失训练。解码用听写拓扑、词典、4 元语言模型组合的统一图，束宽 50，语言模型用 LibriSpeech-100 转写训练。频谱基线用短时傅里叶变换 256 点取 129 线性频点再平均池化到 31 频点，保证时间分辨率与对称正定特征一致，再送同一循环网络。 资源状态必须如实写。本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，不得声称代码、模型或数据已公开。
原文首页有项目页、代码与数据字样，但本次没有可用链接验证，因此只能写本次未能确认可达，复现需按正文文字自行实现。常见误解是把对称正定矩阵当成普通协方差直接送全连接就能工作，实际上关键是固定公共基下的近似对角化使跨时窗可比，否则时变特征向量会打乱序列建模。
何时值得尝试、还需补哪项验证？
当研究对象是无声但仍有面颈肌肉活动的人群，且拿不到可听肌电与音频平行数据时，本文路线值得尝试。它用 2 阶空间表示替代对齐音频监督，把问题降为标准语音到文本式的音素序列学习，单层网络已能起步，扩模型与加数据都有可预期的幂律式改善，适合作为基线。 但采用前要认清边界。如果需要实时流式输出，应先改因果模型；如果要跨人部署，应先补多被试与临床病因覆盖。
如果关心长期佩戴，应先补跨天评测与电极移位鲁棒性；如果关心最终可用性，应同时报告音素错误率与词错误率分布而非只看均值，因为词错误率可超 100% 且方差大，均值易被难句拉高。 下一步最有信息量的验证是固定特征换更强时序模型、固定模型换采集天数、固定任务换被试的 3 组对照，分别回答表示、稳定性与泛化哪一项是瓶颈。在此之前，本文的恰当定位是证明了从肌肉活动 alone 可推断语言结构并转写成词的最小可行证据，而不是可部署的神经假肢。
📐 原文公式与排版
以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。
区域 1 · 查看论文原页
区域 2 · 查看论文原页
区域 3 · 查看论文原页
另有 15 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
- 评分规则：type-aware-v1
- 评分模型：muse-spark-1.3-contributor
- 评分请求协议：openai_responses