Deep learning methods for EEG-based speech classification and decoding: A PRISMA review

doi:10.1016/j.csl.2026.102020

Deep learning methods for EEG-based speech classification and decoding: A PRISMA review

2026-06-01

0

PRE

AI

S

Sbaih, Asma *

J

Jorge García–Gutiérrez

DOI：10.1016/j.csl.2026.102020

原文链接

原文求助

摘要

En 中文

基于脑电图（EEG）的语音脑机接口（BCI）作为恢复或解码严重沟通障碍者语音的潜在手段，已获得日益增长的研究关注，尤其是在近期深度学习技术的整合下。本系统综述遵循PRISMA 2020指南，对2018年至2025年间发表的深度学习方法应用于脑电图（EEG）和颅内脑电图（iEEG）语音处理任务的文献进行了全面且定量的概述。通过在Scopus、IEEE Xplore、ScienceDirect、Web of Science和PubMed平台进行系统检索，共获取1,148条记录。经过去除重复项、筛选和资格评估后，纳入80篇同行评审的原创研究文章。研究按任务类型（语音分类、频谱图重建和语音合成）、神经信号类型（非侵入式EEG与侵入式皮质脑电图（ECoG）和立体脑电图（sEEG））以及模型架构进行组织，以实现结构化比较。结果表明，深度学习模型在语音分类任务中显著优于传统方法，而频谱图重建和语音合成仍具挑战性，尤其对于非侵入式EEG。侵入式记录在重建和合成任务中始终表现更优。尽管方法学有所进步，但仅有少数研究探讨实时可行性或跨主体泛化问题，凸显了临床转化中持续存在的障碍。总体而言，本综述提供了基于深度学习的神经语音解码的任务导向性综合分析，并强调了必须解决的关键方法学及转化障碍，以实现稳健、实时且临床可行的语音神经假体系统。

Keyword:

Brain-computer interface

Neural speech decoding

Deep learning

PRISMA 2020

Neural prosthesis

Electroencephalography(EEG)

Deep learning methods for EEG-based speech classification and decoding: A PRISMA review

摘要

期刊

机构

引用论文