使用可穿戴EMG/EEG传感器系统与人工智能驱动的传感器融合和语言模型的句子级静音语音识别
Nicholas Satterlee1, Xiaowei Zuo1, Kee Moon1
1Department of Mechanical Engineering, San Diego State University, San Diego, CA 92182, USA.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
这项研究引入了使用单通道EMG和EEG传感器的可穿戴静音语音识别系统. 它在句子级别的识别方面达到95.25%的准确性,使得无需发声的沟通成为可能.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 无声语音识别 (SSR) 传统上使用非可穿戴传感器,并与连续语音作斗争.
- 现有的系统往往专注于孤立的词识别,限制了现实世界的应用.
研究的目的:
- 开发一种可穿戴的SSR系统,使用最小的生物信号传感器进行句子级别的准确识别.
- 整合电肌图 (EMG) 和电脑图 (EEG) 以提高性能.
- 通过先进的机器学习技术,实现无发声的沟通.
主要方法:
- 实现了一个带有单通道EMG和EEG传感器和实时无线传输的可穿戴系统.
- 利用基于移动窗口的少数拍摄学习模型与罗神经网络进行连续信号细分和分类.
- 采用了一种新的传感器融合模型,将EMG和EEG数据结合起来.
- 应用统计语言模型用于后处理错误纠正.
主要成果:
- 在四个军事指挥句的数据集上实现了95.25%的句子级别识别准确度.
- 从没有暂停的连续生物信号证明有效的单词细分和分类.
- 展示了传感器融合和语言建模在提高SSR性能方面的有效性.
结论:
- 通过可穿戴传感器和有限的生物信号验证了句子级SSR的可行性.
- 开发的系统提供了一个实际的解决方案,可以在没有发声的情况下进行沟通.
- 突出了为数次拍摄的学习,传感器融合和ML的潜力,用于先进的人机界面.
