核心结论
牛津大学神经处理实验室团队于Asia/Shanghai 9月3日首次公开的预印本提出开放词汇互信息（OVMI），用以统一不同词汇量、数据集与记录模态的语音脑机接口通信度量。研究显示，仅在支持词汇内计算的准确率、词错率及传统Wolpaw信息传输率会显著高估真实通信，尤其在当前主流的50-250词小词汇上高估最为明显；基于OVMI的词汇优选在三类语音域上最高实现16.3%的相对准确率提升。该结论为预印本作者回顾性分析结果，未经同行评审，依赖标量近似与单一英语参考分布。
方法与数据范围
研究将语音BCI通信建模为参考分布p(x)与解码器词汇S的关系，定义词汇覆盖率C(S)=Pr(X∈S)为随机拟说词被词汇支持的概率，推导命题I(X;Y)=H2(C(S))+C(S)I(X;Y|X∈S)，定义OVMI为C(S)I(X;Y|X∈S)，即词内互信息按覆盖率加权，剩余H2(C(S))项反映是否在词汇内但不计入词身份信息。当C(S)=1且均匀先验对称错误时退化为Wolpaw量。
为兼容仅报告标量准确率的既有研究，作者给出Wolpaw式标量估计：假设每词正确概率为P、错误均匀分布于其余V-1词，输出分布q_S(j)=P p_S(j)+(1-P)/(V-1)(1-p_S(j))，则OVMI=C(S)[H(q_S)-h_V(P)]，P取宏平均准确率以避免评价集频度干扰；另给出需混淆矩阵的通用估计与逐词精度变体。以SUBTLEX-UK英文字幕词频为参考分布p(x)进行实证，数据集覆盖侵入式尝试言语与MEG/EEG感知言语等多类记录。
评估条件与主要结果
所有比较均在同一参考分布下进行，词汇为取TOP-V高频词的子集，无噪声解码器下对比log2 V、词内熵H(p_S)与OVMI=C(S)H(p_S)，OVMI最为保守且C(S)H(p_S)≤H(p_S)≤log2 V，仅在完全覆盖或均匀分布时取等。
- 1）过估计分解：log2 V可分解为OVMI、覆盖缺口(1-C(S))H(p_S)与非均匀性[log2 V-H(p_S)]三项，小词汇阶段偏差主要来自覆盖缺口，大词汇阶段仍因Zipf分布保持均匀先验高估。 2）异构系统比较：纳入Moses等2021、Willett等2023、Card等2024的侵入式系统及MEG-MASC、LibriBrain100、Armeni三套MEG数据集的最强解码器，50词侵入式词内信息高但覆盖低，12.5万词侵入式位于右上角兼具两者，非侵入频选词汇覆盖提升但词内信息低，图示显示无噪声曲线处垂直偏移为解码误差、左移为覆盖损失。 3）词汇优选：以最大化OVMI为目标选择词汇，在三类语音域上相对基线频选或用例定制词汇最高提升16.3%相对准确率，表明参考分布显式化有助于提升实际通信而非仅事后打分。
限制与不确定性
上述提升为离线、词级、英语字幕参考分布下的作者回顾性计算，不能推广为所有语言、场景或在线闭环BCI的普遍或因果结论。标量估计的均匀错误假设与宏平均P的选择未验证对真实长尾混淆的拟合度，大词汇混淆矩阵因评测样本有限而估计不稳；三域提升的具体绝对基线与词汇量未在摘要中完全披露，跨域泛化与统计显著性需全量数据复核。
研究未进行新采集的闭环患者实验，也未纳入试次率、语义连续解码与句级信息传输，OVMI仅度量词身份信息；参考分布依赖单一字幕语料，护理、对话、特定任务等分布差异会改变系统排序与最优词汇，需按目标通信分布重新估计。
同行评审状态与潜在意义
该工作为9月3日首次公告的预印本（arXiv:2609.02887v1，提交时间2 Sep 2026 17:59:46 UTC，对应Asia/Shanghai 3 Sep 01:59:46；当日cs.LG公告批次标题为Thu, 3 Sep 2026，属159篇新提交之一），截至检索时未见期刊或会议正式接收信息，提供代码与OVMI Explorer。其意义在于为长期缺乏可比性的异构语音BCI提供显式参考分布的共同标尺，区分覆盖与保真两类信息损失并指导词汇设计，为后续基准与跨研究比较提供信息论基础，但向临床与产品落地仍需独立验证与在线评估。