神经解码自发的倾斜和预期的演讲
Debadatta Dash1, Paul Ferrari2, Jun Wang1,3
1Department of Neurology, The University of Texas at Austin.
Journal of speech, language, and hearing research : JSLHR
|August 6, 2024
概括
研究人员使用机器学习从大脑信号中解码了意图和公开的语言. 这一进步为未来利用自发言语的脑电脑接口铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 大脑与计算机的接口
背景情况:
- 从神经信号解码语音对于推进脑计算机接口 (BCI) 至关重要.
- 以前的研究往往依赖于暗示或想象的语言,限制了现实世界的应用.
研究的目的:
- 在自发的语音任务中,直接从神经磁信号中解码意图和公开的语音.
- 评估机器学习模型在从神经数据分类语音的有效性,没有提示.
主要方法:
- 磁脑电图 (MEG) 用于记录7名健康成年人的神经信号.
- 参与者自发地以自己的节奏说"是"或"不".
- 线性差异分析 (LDA) 和1D卷积神经网络 (1D CNN) 用于语音解码.
主要成果:
- 1D CNN在解码公开言论方面实现了90.40%的准确性,远高于偶然 (50%).
- 在公开语音解码方面,LDA实现了79.02%的准确性.
- 1D CNN在解码意图语音方面表现出67.19%的准确性.
结论:
- 自发的公开和预期的语言可以直接从神经信号解码,而无需感知干扰.
- 这些发现代表了向开发自发语音基础BCI迈出的重要一步.
- 这项研究突出了机器学习对来自神经磁性数据的实时语音解码的潜力.
更多相关视频
05:48Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
Published on: August 9, 2024
1.5K
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.3K
