10名母语为汉语的受试者朗读6个独立的单元音韵母，每类重复100次，OPM-MEG与EEG在同一任务下同步采集。团队比较了6种特征表示与5种分类器，并做了时间分辨解码、时间泛化、两两分类和源空间探照灯分析。刺激出现前解码准确率接近随机水平，刺激后上升。
按分类器平均，共空间模式（CSP）是最强的特征表示，OPM-MEG为57.9%，EEG为55.0%。跨特征看，线性支持向量机（Linear SVM）平均准确率最高，分别为56.4%和54.1%。CSP加线性支持向量机是最佳组合，OPM-MEG平均准确率60.3%，EEG为56.7%；后期峰值准确率分别为63.0%和60.1%。在两两分类中，CSP加线性支持向量机的平均准确率为60.1%，元音/i/与/u/的区分最高达到61.2%。
时间泛化矩阵以狭窄的主对角线为主，非对角线泛化有限，在50.7%至52.1%之间，说明区分信息主要具有时间特异性。源空间探照灯分析发现，100至450毫秒间存在局部解码高于随机水平的皮层区域，而0毫秒与50毫秒时没有区域达到显著。作者注明，这些模式不能直接证明激活或功能性网络募集。
研究团队将结果表述为支持OPM-MEG作为高分辨率非侵入式平台用于时间分辨解码，并为语音相关神经影像与脑机接口研究中的特征与分类器选择提供参考。所有准确率均来自10人、6类单元音韵母的实验条件，尚未在连续语句或更大词汇量上验证。