AADNet:探索EEG时空信息,以快速准确地定位和探测听觉注意力的音调,基于线索掩饰范式

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:

• 电脑电图 (EEG) 的听觉注意力解码对于助听器来说至关重要.
• 由于实验范式和解码算法,现有的方法在准确性,延迟和现实世界的适用性方面面临挑战.

研究的目的:

• 开发一种新的暗示口罩听觉注意力范式,以防止实验前信息泄露.
• 提出一个端到端的深度学习模型,AADNet,用于精确和低延迟地从EEG信号中解码听觉注意力.

主要方法:

• 实施了一个暗示口罩的听觉注意力范式,以模拟现实的噪音环境.
• 开发了AADNet,这是一个深度学习模型,用于处理来自短EEG信号窗口的时空信息.
• 通过使用0.5秒的EEG窗口来解码听觉方向注意力 (OA) 和音色注意力 (TA) 来评估AADNet的性能.

主要成果:

• AADNet实现了高平均准确率,OA为93.46%,TA为91.09%.
• 该模型显著优于之前的五种听觉注意力解码方法.
• 在不需要了解原始音频源的情况下,AADNet证明了有效的解码.

结论:

• 这项研究成功地证明了从EEG信号中快速准确地检测到听觉注意力属性 (方向和音色).
• 这些发现支持实时,多属性听觉注意力解码的潜力.
• 开发的方法对推进神经引导式助听器和其他辅助听力技术具有前景.