基于神经解剖学的脑机混合智能,用于强大的声学目标检测
Jianting Shi1, Jiaqi Wang1, Weijie Fei1
1School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081, China.
Cyborg and bionic systems (Washington, D.C.)
|October 20, 2025
概括
这项研究引入了一种用于声音目标检测 (STD) 的新型脑计算机接口 (BCI),提高了在噪音条件下的稳定性. 混合神经声学系统提高了检测准确性,并将其推广到新的声音类型.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 声学传感 声学传感 声学传感
背景情况:
- 自动声音目标检测 (STD) 方法缺乏稳定性和通用性,特别是在信号噪声比 (SNR) 低的环境中或具有新的声音类别.
- 现有的系统在复杂的声学场景中难以获得可靠性和准确性,限制了它们在现实世界中的适用性.
研究的目的:
- 通过将脑电脑接口 (BCI) 技术与传统的声学传感集成,开发一种强大且可通用的声音目标检测 (STD) 方法.
- 用神经反应在复杂的听觉环境中提高STD的准确性和可解释性.
- 通过混合融合战略克服独立BCI系统的局限性,例如高错误报警率.
主要方法:
- 提出了一个三区域时空动力学注意力网络 (Tri-SDANet),一个电脑图 (EEG) 解码模型,将EEG源分析中的神经解剖学先验纳入其中.
- 开发了一个基于信心的自适应性脑机融合策略,将BCI和声学检测模型决策结合起来.
- 对16名参与者进行了实验,以验证神经声学融合方法.
主要成果:
- 在复杂的声学条件下,Tri-SDANet在神经解码方面取得了最先进的性能.
- 混合系统在低SNR水平下表现出可靠的检测性能,并对未见的目标类进行了显著的概括.
- 源级EEG分析揭示了与目标感知相关的独特大脑激活模式,验证了模型的设计.
结论:
- 开创了一个神经声学融合范式,用于强大的和可泛化的声音目标检测 (STD).
- 综合系统有效地融合了神经感知和声学特征学习,比现有方法提供了显著的进步.
- 这种方法通过利用非侵入性神经信号和人工智能,为现实世界声学传感应用提供了一个有希望的,可通用的解决方案.
