使用EEG和深度学习进行想象语音分类
Mokhles M Abdulghani1, Wilbur L Walters1, Khalid H Abed1
1Department of Electrical & Computer Engineering and Computer Science, College of Sciences, Engineering & Technology, Jackson State University, Jackson, MS 39217, USA.
Bioengineering (Basel, Switzerland)
|June 28, 2023
概括
这项研究引入了一种深度学习方法,用于使用EEG信号识别想象中的语音大脑波. 这种方法实现了高精度,为先进的大脑与计算机接口铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 大脑-计算机接口 (BCI) 提供了替代的通信和控制方法.
- 从脑电图 (EEG) 信号进行虚拟语音识别是一个具有挑战性但有前途的领域.
- 高效的特征提取和维度减少对于BCI性能至关重要.
研究的目的:
- 开发和评估一种深度学习模型,用于基于语音的脑波模式识别.
- 为了研究波纹散射转换用于EEG特征提取的有效性.
- 评估一个低成本的多通道EEG系统的可行性,用于BCI应用.
主要方法:
- 使用8通道EEG耳机和MATLAB 2023a进行数据采集.
- 应用波波散射转换来减少EEG数据的维度和复杂性.
- 采用长期短期记忆循环神经网络 (LSTM-RNN) 来分类四个想象的语音命令 (上,下,左,右).
主要成果:
- 在想象式语音识别方面实现了92.50%的整体分类准确度.
- 证明了高精度 (92.74%),回忆 (92.50%) 和F1得分 (92.62%).
- 拟议的方法对实时BCI系统有希望.
结论:
- 开发的深度学习方法有效地从EEG信号中解码想象中的语音.
- 波纹散射转换是增强EEG特征提取的有价值的技术.
- 这些发现支持开发可靠和可访问的基于语音的想象BCI.
