双向脑电图-功能磁共振成像数据集用于内部语音识别
Foteini Simistira Liwicki1, Vibha Gupta2, Rajkumar Saini2
1Luleå University of Technology, Department of Computer Science, Electrical and Space Engineering, Embedded Intelligent Systems LAB, Luleå, Sweden. foteini.liwicki@ltu.se.
Scientific data
|June 13, 2023
概括
这项研究引入了第一个公共双模数据集,将脑电图 (EEG) 和功能磁共振成像 (fMRI) 结合起来,用于内在语音识别. 这种多式联络方法旨在改善无法说话的个体的脑电脑接口.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
背景情况:
- 大脑-计算机接口 (BCI) 在识别内在语言方面面临挑战,限制了非语言个体的沟通.
- 现有的数据集缺乏多式联运数据集成,阻碍了内部语音解码的性能改进.
- 结合fMRI和EEG等神经成像模式,为增强的BCI应用提供了互补的空间和时间分辨率.
研究的目的:
- 提出第一个公开可用的双模数据集用于内在语音识别,集成EEG和fMRI数据.
- 促进语音假肢和语音障碍患者的沟通辅助工具的发展.
- 为了使多式联络融合技术的研究能够改善内在语音的解码.
主要方法:
- 在内语产生过程中获取非同时的脑电图 (EEG) 和功能磁共振成像 (fMRI) 数据.
- 从四名健康的右撇子参与者中收集的数据,他们执行了一项涉及社会和数值词类别的内言任务.
- 每位参与者完成了320个试验,每种模式 (EEG和fMRI) 通过8个不同的词刺激.
主要成果:
- 这项研究成功地生成并策划了一种新的双模电磁波电图-fMRI数据集,用于内在语言.
- 数据集包括320个试验每个参与者在两个神经成像模式.
- 这种资源现在是公开可用于研究目的.
结论:
- 提出的双模电脑电图-fMRI数据集是对内在语音识别领域的重要贡献.
- 预计这项资源将加速开发更有效的脑计算机接口和语音假肢.
- 未来的研究可以利用这种多式联运数据集来探索先进的解码算法和融合策略.
