从4个,7个和11个月大的婴儿的脑电图数据中解读语音信息:使用卷积神经网络,基于相互信息和向后线性模型
Mahmoud Keshavarzi1, Áine Ní Choisdealbha1, Adam Attaheri1
1Centre for Neuroscience in Education, Department of Psychology, University of Cambridge, Downing Street, Cambridge CB2 3EB, UK.
Journal of neuroscience methods
|December 21, 2023
概括
计算模型可以解码与语音相关的婴儿神经活动. 模型的选择对发育发现产生影响,强调需要了解语言学习研究模型的优势.
科学领域:
- 神经科学是一个神经科学.
- 计算语言学 计算语言学
- 发展心理学 发展心理学
背景情况:
- 将神经活动解码为语音的计算模型在成年人中很常见,但在婴儿研究中未得到充分利用.
- 现有的模型,如卷积神经网络 (CNN),逆向线性模型和相互信息 (MI) 模型,为分析婴儿神经数据提供了潜力.
研究的目的:
- 应用和比较三个计算模型 (CNN,MI,逆向线性) 来解码来自婴儿神经活动的语音信封信息.
- 研究这些模型在不同频段 (delta和theta) 和不同婴儿年龄 (4,7和11个月) 的性能.
主要方法:
- 从50名婴儿 (4,7,11个月) 收集了EEG录音,这些婴儿被动地倾听婴儿歌.
- 逆向线性,CNN和MI模型被用来解码来自神经活动的语音信封信息.
- 模型的性能被评估在三角形和三角形频段.
主要成果:
- 这三种模型都成功地解码了从4个月起的三角带神经活动.
- 两种模型还显示了对达频段活动的显著性能.
- 模型表现得更好,具有三角波段反应,并且没有观察到与年龄相关的发育影响.
结论:
- 解码算法的选择显著影响了关于婴儿语音处理发展的结论.
- 了解不同计算模型的优点和局限性对于推进关于大脑如何发展语言能力的研究至关重要.
