Newest papers

How large an effect would we have seen? Positive controls, detection floors and dataset pitfalls in scalp-EEG speech decoding

Blessing ADEIKA, Onyema Osuagwu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.20942 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các nghiên cứu mà giải mã tín hiệu được thống trị bởi hệ thống giám sát mạng (EEG) thường xác nhận các đường ống của họ với điều khiển tích cực, thường là nói chuyện mở, và báo cáo kết quả không có hiệu quả mà không nói về kích thước hiệu ứng mà đường ống có thể phát hiện. Phương pháp tiếp cận. Sử dụng ds003626 (Thinking out loud), KaraOne và Track 3 của cuộc thi Interface Brain-Computer International năm 2020, chúng tôi đã kiểm tra giải mã tiếng nói mở, chuẩn bị articulator và lời nói tưởng tượng với các bộ phận của kênh nghệ thuật, giải mã có giới hạn băng thông và lựa chọn tín hiệu thử nghiệm, theo một giao thức củng cố sự toàn vẹn bị chia cắt bởi các nghiên cứu. Chúng tôi đã tiêm hiệu ứng phụ thuộc lớp học của độ rộng được biết trong thời gian thực để đo l

Machine translation (Meta M2M100); the English original follows.

Abstract

Objective. Studies that decode imagined speech from scalp electroencephalography (EEG) commonly validate their pipelines with a positive control, usually overt speech, and report null results without stating what effect size the pipeline could have detected. Approach. Using ds003626 ("Thinking out loud"), KaraOne and Track 3 of the 2020 International Brain-Computer Interface Competition, we audited decoding of overt speech, articulator preparation and imagined speech with artifact-channel subsets, band-limited decoding and trial selection, under a protocol that enforces split integrity by assertion. We injected class-dependent effects of known amplitude into the real recordings to measure the detection floor of five decoder families, and we checked the ds003626 labels against the dataset's acquisition protocol. Main results. On ds003626, two lip electrodes decoded overt speech at 0.7430 and the eight external channels at 0.7068, against 0.4231 for the 128-channel scalp montage, and no decodable signal survived in the 8-30 Hz band. On the other two corpora, within-subject accuracy rose monotonically with frequency into the range dominated by muscle activity. Band-power logistic regression detected an injected 8-30 Hz desynchronization of 0.54 uV under a criterion fixed in advance, whereas a compact convolutional network (EEGNet) detected nothing within subject up to 4.31 uV. In ds003626, the condition codes are the reverse of the intuitive reading, the class encoding changed between public releases, and condition is a deterministic function of time within each session. Significance. In these corpora the overt-speech positive control is dominated by myogenic signal and cannot validate a decoding pipeline. We recommend that speech-decoding studies report band-limited and artifact-channel accuracy, the direction of accuracy across frequency, and a measured detection floor.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Decoding methods, Speech recognition, Computer science, SIGNAL (programming language), Pipeline (software), Encoding (memory)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange