2026 · arXiv · Field expert review · confidence high

Multi-Subject Pretraining Enables Short-Calibration Personalization for Closed-Corpus Surface EMG Speech Decoding

Chenqian Le, Beatrice Fumagalli, Yasamin Esmaeili, Xupeng Chen, Tianyu He, Nikasadat Emami, Adeen Flinker, Yao Wang

BibTeX

@misc{multi-subject-pretraining-enables-short-calibration-personalization-for-closed-corpus-surface-emg-speech-decoding,
  title = {Multi-Subject Pretraining Enables Short-Calibration Personalization for Closed-Corpus Surface EMG Speech Decoding},
  author = {Chenqian Le and Beatrice Fumagalli and Yasamin Esmaeili and Xupeng Chen and Tianyu He and Nikasadat Emami and Adeen Flinker and Yao Wang},
  year = {2026},
  note = {arXiv},
  eprint = {2609.21288},
  archivePrefix = {arXiv},
  url = {http://arxiv.org/abs/2609.21288v1},
}

標準化8ch顔／頸部sEMG・閉じた50文・27人LOSOで、多被験者事前学習＋対象微調整は21.7% CER / 31.9% WER。3分キャリブレーションは約13分と有意差なし（20.5%/31.7%）。未見文では78.6% CERまで崩壊。開語彙や臨床完成ではない。

Verdict: full-text draftPriority: highConfidence: highBasis: full text + summaryCoverage: high

Reading guidance

Verdict: full-text draft · priority high · confidence high
Why it matters: 閉じた50文・標準化顔／頸部sEMGにおける、多被験者事前学習のスケーリングと3分級キャリブレーション、および未見文崩壊というスコープ境界の定量資料。
What to trust: Basis: full text + summary. Coverage: high. 14 evidence records back the review.
What is weak: 評価文が他者事前学習に現れうる閉コーパス主設定；言語モデルは50文在庫で再学習していないが文面記憶の余地は残る。Subvocal除外。固定エポック最終モデル報告。固定45/5文分割を全27人で共有。主結果は評価文が他者事前学習に現れうる閉コーパス設定。ハイパラは被験者横断で固定し最終エポックを報告。3分とフルの差は非有意だが同等性試験ではない。ランダム初期化は5/27 fold未収束。オフラインCER/WERのみ。通信レート・レイテンシ・閉ループ適応・歩行／騒音・電極付け直しは未測定。健常成人のみ。顔／頸部8chでありAESSI耳周囲やSilentWear繊維、VTPカメラ、SilentSpeller EPG、SottoVoce超音波ではない。 arXiv 2609.21288v1全文（20ページ）と抽出テキストを確認。Table 1–4と要旨・Limitationの数値を照合。著者コードの実行や独立再現、未公開データセットの実体確認はしていない。 Overclaim risk: High：21.7% CERや3分キャリブレーションを開語彙会話SSIや臨床準備完了、AESSI較正なし別日再利用と同一視すること、未見文78.6% CERを無視して汎用デコード性能と読むことは根拠を超える。.
Read before: SSI review rubric
Read next: SSI archive

Axes

Task: Closed 50-sentence corpus sEMG-to-text decoding with leave-one-subject-out personalization. Not open-vocabulary conversational SSI.
Modality: Lower-face/neck surface EMG (8 channels). Aloud and Mimed used; Subvocal excluded from decoding analyses. Not around-ear AESSI, textile SilentWear, camera VTP, EPG, or ultrasound.
Hardware: Standardized 8-channel lower-face/neck sEMG montage (same nominal placements as prior work [5]); raw 2222.22 Hz → 1000 Hz → filtered → 689 Hz model input. Released single-subject checkpoint used a different 8-channel montage.
Body site: lower face and neck (standardized 8-channel montage)
Output: Character sequences decoded to text via CTC beam search + external KenLM (not refined on the 50-sentence inventory). Not waveform synthesis.
Vocabulary: Closed sentence inventory; character-sequence decoding within that inventory. Not open vocabulary.
Metrics: Table 1 (n=27, Aloud+Mimed macro): Pretrain+FT (MLP) 21.7% CER / 31.9% WER; Pretrain+FT (no MLP) 22.5/33.3; random-init Pretrain+FT 44.9/58.8; Pretrain zero-shot 49.3/63.1; Checkpoint+FT (MLP) 68.0/97.2. Table 2 calib: 1 min 25.4/36.6; 3 min 20.5/31.7 (vs full p=0.27/0.88); full ≈13 min 21.7/31.9. Scaling: 1 subject 74.4% CER → 26 subjects 21.7%. Table 3 unseen sentences 78.6% CER / 99.9% WER. Aloud vs Mimed CER 15.4% vs 27.9%. Author-reported; not independently reproduced.
Evaluation mode: Leave-one-subject-out。主条件は公開チェックポイント初期化→26他者事前学習→対象者微調整。対照にゼロショット、Checkpoint直接微調整、ランダム初期化、MLP有無、キャリブレーション分数スイープ、未見文ストレス（評価文を全sEMG学習から除外）。
Review confidence: high
Overclaim risk: High：21.7% CERや3分キャリブレーションを開語彙会話SSIや臨床準備完了、AESSI較正なし別日再利用と同一視すること、未見文78.6% CERを無視して汎用デコード性能と読むことは根拠を超える。

Expert take

本論文はLeら（NYU）による閉じたコーパス上のクロス被験者sEMG文字復号の個人化研究であり、Kimuraの提案ではない。対象は27人の発話典型健常者で、各人が平均21.3分（各0.5時間未満）のAloudとMimedの顔／頸部8チャネルsEMGを提供する。コーパスはTIMIT由来の50文で、固定の45/5分割を全被験者で共有するleave-one-subject-outである。復号はGaddy & Kleinの公開畳み込み–Transformer＋CTCを初期化し、他26人で事前学習したのち対象者を微調整する。主結果（Table 1）ではPretrain + fine-tune (MLP) がマクロ平均21.7% CER / 31.9% WERとなり、対象者なしのゼロショット49.3% CER、公開チェックポイントの直接微調整68.0% CERを有意に上回る。ランダム初期化からの多被験者事前学習は5/27 foldで未収束を含み44.9% CERにとどまり、公開チェックポイント初期化の寄与が大きい。キャリブレーション分数スイープ（Table 2）では3分で20.5% CER / 31.7% WERとなり、約13分フル（21.7%/31.9%）との差は有意でない（p=0.27/0.88）。ただし同等性を示したわけではなく、最短で非有意だった予算としての解釈に留まる。被験者固有MLPアダプタに検出可能な利点はない（CER差−0.8pt、p=0.44）。事前学習人数を1から26へ増やすとCERは74.4%から21.7%へ下がる。一方、評価5文を全sEMG学習から除外した未見文条件では同一テストで78.6% CER / 99.9% WERまで崩れ（Table 3）、閉コーパス適応を開コンテンツ復号と読んではいけない。これはAESSI（耳周囲・較正なし別日）やSilentWear（繊維）、VTP（カメラ）、SilentSpeller（EPG）、SottoVoce（超音波）とはセンサも問も異なる。価値は、標準化モンタージュの限られたデータで「他者事前学習＋短い対象キャリブレーション」がどこまで効き、どこで文面記憶に依存するかを数値化した点にある。

True value

閉じた50文・標準化顔／頸部sEMGにおける、多被験者事前学習のスケーリングと3分級キャリブレーション、および未見文崩壊というスコープ境界の定量資料。

What changed

Canon before

単一被験者の大規模sEMG–文字復号（Gaddy & Klein）やモード間比較（同グループ2604.18920）、AESSIの耳周囲較正なし別日再利用、SilentWearの繊維EMGは存在するが、標準化顔／頸部モンタージュでの多被験者事前学習×短時間キャリブレーション×未見文境界の同時定量は限定的だった。

Delta from canon

単一被験者長時間学習や閉集合分類精度競争から、限られた対象者データでの多被験者事前学習の効き方と、3分級キャリブレーションの実用性、および未見文での崩壊点を同一系で示す評価設計へ移す。

Position in field

非侵襲の顔／頸部sEMGによる閉コーパス文字復号のクロス被験者個人化研究。同グループのモード比較（2604.18920）の隣接。AESSI・SilentWear・VTP・SilentSpeller・SottoVoceとはセンサと評価問が異なる。

Evidence

“ Primary setting is a closed 50-sentence TIMIT-based corpus with leave-one-subject-out personalization; not open-vocabulary conversational SSI. ”

validation_scope · Abstract; §3.1–3.2; §5.6 Limitations · confidence 0.99

“ 27 speech-typical participants each contributed less than 0.5 h of data (21.3 min on average) across Aloud and Mimed; Subvocal trials were recorded but unused in decoding analyses. ”

fact · Abstract; §3.1 · confidence 0.99

“ Surface EMG used a standardized eight-channel lower-face and neck montage shared by all 27 participants; the released single-subject checkpoint used a different eight-channel montage. ”

fact · §3.1; Fig. 1(a) · confidence 0.99

“ Authors claim multi-subject pretraining plus target fine-tuning enables short-calibration personalization for closed-corpus sEMG speech decoding. ”

author_claim · Abstract; §1 Contributions · confidence 0.98

“ Pretrain + fine-tune (MLP) achieved macro-averaged 21.7% CER and 31.9% WER across 27 held-out subjects (Aloud+Mimed). ”

metric · Abstract; Table 1 · confidence 0.99

“ Pretrain zero-shot (no MLP) reached 49.3% CER / 63.1% WER; Checkpoint + fine-tune (MLP) reached 68.0% CER / 97.2% WER. ”

metric · Abstract; Table 1 · confidence 0.99

“ Three minutes of target-subject calibration reached 20.5% CER / 31.7% WER versus full ≈13-min pool 21.7% / 31.9% (paired Wilcoxon p=0.27 and p=0.88); not an equivalence test. ”

metric · Abstract; Table 2; §4.2 · confidence 0.99

“ Macro-averaged CER declined from 74.4% with one pretraining participant to 21.7% with 26. ”

metric · Abstract; §4.4; Fig. 4 · confidence 0.99

“ Unseen-sentence stress test: excluding the five evaluation sentences from all sEMG model-training data yielded 78.6% CER and 99.9% WER on the identical 269 held-out trials. ”

metric · Abstract; Table 3; §4.5 · confidence 0.99

“ Subject-specific MLP adapter provided no detectable benefit (pooled CER change −0.8 points, 95% CI [−2.9,+1.2], p=0.44). ”

limitation · Abstract; §4.3 · confidence 0.99

“ Authors state the main result should not be interpreted as open-vocabulary speech decoding; analyses are offline on healthy adults, without longitudinal or electrode-shift tests. ”

limitation · §5.6 Limitations · confidence 0.99

“ Novelty is the joint LOSO quantification of pretraining-cohort size and short calibration budgets with an explicit unseen-sentence collapse boundary, not a new sEMG sensor or decoder family. ”

actual_novelty · §1; §2.3; §4.4–4.5 · confidence 0.95

“ Decoding architecture follows Gaddy and Klein convolution–transformer mapping silent sEMG to characters with CTC; checkpoint trained on ≈18.7 h from one subject. ”

fact · §3.4 · confidence 0.98

“ De-identified dataset and code are planned for public release upon publication at huggingface.co/datasets/whisperle/multisubject-semg-text-v1; raw audio will not be released. ”

deployment_claim · Data and Code Availability · confidence 0.97

Limits

Technical limits

評価文が他者事前学習に現れうる閉コーパス主設定；言語モデルは50文在庫で再学習していないが文面記憶の余地は残る。Subvocal除外。固定エポック最終モデル報告。

Evaluation limits

固定45/5文分割を全27人で共有。主結果は評価文が他者事前学習に現れうる閉コーパス設定。ハイパラは被験者横断で固定し最終エポックを報告。3分とフルの差は非有意だが同等性試験ではない。ランダム初期化は5/27 fold未収束。

Deployment limits

オフラインCER/WERのみ。通信レート・レイテンシ・閉ループ適応・歩行／騒音・電極付け直しは未測定。健常成人のみ。顔／頸部8chでありAESSI耳周囲やSilentWear繊維、VTPカメラ、SilentSpeller EPG、SottoVoce超音波ではない。

Scope limits

arXiv 2609.21288v1全文（20ページ）と抽出テキストを確認。Table 1–4と要旨・Limitationの数値を照合。著者コードの実行や独立再現、未公開データセットの実体確認はしていない。