基于选择性听觉注意力解码的脑计算机接口的无监督精度估计

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 选择性听觉注意力解码 (AAD) 算法使用脑电图 (EEG) 来在竞争的声音中识别受理的声音源.
• 目前无监督的AAD培训缺乏基本真相,阻碍了绩效量化.
• 实际应用,如神经引导式助听器和脑计算机接口 (BCI),需要准确的解码器性能指标.

研究的目的:

• 开发一种完全不受监督的算法,以估计基于相关性的AAD算法的准确性.
• 解决在无监督的AAD环境中量化绩效的挑战.
• 为AAD准确性估计提供一个用户透明的方法.

主要方法:

• 使用数字通信的原则来建模AAD决策系统,特别是作为一个二进制相位移关键通道,附加白色高斯噪声.
• 采用基于相关性的方法用于AAD.
• 在各种培训数据量,估计数据长度和决策窗口大小中验证无监督绩效估计技术.

主要成果:

• 拟议的无监督技术准确地确定了AAD准确度,没有地面真相标签.
• 该方法在不同的实验参数中展示了透明度和有效性.
• 该方法可以估计实现特定目标准确度所需的最小训练数据.

结论:

• 开发的无监督估计技术可靠地预测基于相关性的AAD算法的性能.
• 这种方法克服了在绩效评估中需要基本真相标签的局限性.
• 精度估计可以提高神经引导式助听器 (例如,自适应解码,增益控制,神经反) 和BCI (例如,强大的沟通,护理人员反).