自权衡EEG特征表示的多视图图形融合用于解码语音图像的语音图像
Zhenye Zhao1, Yibing Li1, Yong Peng2
1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, 310018, Zhejiang Province, China.
Journal of neuroscience methods
|March 9, 2025
概括
本研究引入了一种新的多视图图形融合模型 (MVGSF),以改进基于脑电图 (EEG) 的语音图像解码. MVGSF模型通过有效地整合各种EEG特征来增强语音障碍者的沟通能力.
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:
- 基于脑电图 (EEG) 的语音图像是一种新兴的脑电脑接口 (BCI) 通信.
- 语音图像研究中的当前解码性能是有限的,因为缺乏对歧视性特征的共识.
- 确定最佳的EEG特征对于推进BCI技术至关重要.
研究的目的:
- 提出一种新型模型,以适应性地捕获来自不同领域特征的互补信息.
- 通过整合多视图EEG功能来提高语音图像的解码性能.
- 识别关键的脑电图通道和频段,以改进语音图像解码.
主要方法:
- 开发了一个自我加权EEG特征表示 (MVGSF) 模型的多视图融合图.
- 该模型从多视图EEG特征学习共识图,以实现有效的意图解码.
- 一个视图依赖的特征重要性探索策略被纳入,以解决特征的不同歧视能力.
主要成果:
- MVGSF在两个公共演讲图像数据集上表现出色.
- 学习共识图有效地描述了EEG样本之间的关系.
- 功能重要性分析确定了用于语音图像解码的关键EEG通道和频段.
结论:
- MVGSF有效地整合了多域功能,以增强基于EEG的语音图像解码能力.
- 该模型有助于识别语音图像的EEG空间频率模式.
- 这种方法提升了使用大脑-计算机接口进行自然通信的潜力.
