改进了基于侵入性脑计算机接口的语音解码中波形重建的评估
Xiaolong Wu1, Kejia Hu2, Zhichun Fu1
1Department of Electronic and Electrical Engineering, University of Bath, Bath, United Kingdom.
Imaging neuroscience (Cambridge, Mass.)
|September 17, 2025
概括
一个新的随机森林模型准确地预测脑计算机接口 (BCI) 的语音质量,解决了缺乏标准化的评估指标的问题. 这种工具可以实现可靠的绩效基准测试,并加速语音神经假肢的进展.
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:
- 大脑-计算机接口 (BCI) 从神经信号重建语音,但缺乏标准化的客观指标来评估波形质量.
- 像相关系数 (CC) 和梅尔塞普斯特尔扭曲 (MCD) 这样的现有指标被不一致地应用,并且有局限性.
研究的目的:
- 解决对一个强大且经过验证的方法的关键需求,以评估BCI中重建的语音波形质量.
- 确定语音BCI领域的标准化客观评估指标,准确预测主观听众评分.
主要方法:
- 审查了从内信号中波形重建的文献,并确定了当前评估方法的问题.
- 收集了人类评分员在10项已发表的语音BCI研究中重建的音频上的平均意见分数 (MOS).
- 系统评估客观指标 (STOI,MCD) 的组合,使用一个数据集的交叉验证和线性/非线性回归模型的比较.
主要成果:
- 一个非线性随机森林回归模型在预测主观MOS评级方面表现出最高的准确性 (R2 = 0.892).
- 拟议的模型准确地将STOI和MCD客观指标映射到预测的MOS得分.
- 随机森林模型在预测感知质量方面明显优于现有方法.
结论:
- 该研究发现,在语音BCI研究中,标准化评估方法的严重缺乏,阻碍了跨研究的比较.
- 提出一个交叉验证的随机森林模型作为语音BCI波形质量评估的标准化客观度量.
- 这一指标为基准测试提供了可靠的工具,促进了比较,并加速了语音神经假肢方面的进步.
