זיהוי דיבור תנועתי באמצעות אלקטרואנצפלוגרפיה של עכברוש באמצעות זיכרון ארוך טווח קצר טווח רשת עצבית חלק 3

מסווגים של למידת מכונה

הביצועים של BiLSTM הושוו למסווגים רגילים של למידת מכונה: SVM עם ליבה ליניארית (SVM_lin), SVM עם ליבת פונקציית בסיס רדיאלית (SVM_rbf), יערות אקראיים (RF), NB, ו KNN.

יער אקראי הוא אלגוריתם למידת מכונה שנמצא כיום בשימוש נרחב בתחומים שונים של ניתוח נתונים וחיזוי. בהשוואה לאלגוריתמים אחרים של למידת מכונה, יש לו חוסן ודיוק טובים יותר, תוך הפחתת התאמה יעילה. בשנים האחרונות, היקף היישום של יערות אקראיים הולך ומתרחב, ואף ניתן להשתמש בו כדי לחזות יכולות זיכרון אנושיות מסוימות.

בתחום הפסיכולוגיה הקוגניטיבית, הזיכרון הוא כיוון מחקרי חשוב ביותר. מדענים חיפשו דרך פשוטה ויעילה להעריך את רמות הזיכרון האנושי. בשנים האחרונות הופעתם של יערות אקראיים הביאה לתחום זה רעיונות ושיטות חדשות.

Random Forest יכול לאמן מודל לחזות משתנה, שיכול להיות כל דבר שתרצו לחזות, כולל יכולת זיכרון. מדענים יכולים להזין גורמים רלוונטיים לתוך מודל יער אקראי כדי לחזות עד כמה אדם ישיג ציון במבחן זיכרון. גורמים אלו יכולים להיות גורמים כמו גיל, רמת השכלה, מין, משקל וכו', או אינדיקטורים ביולוגיים כמו מבנה המוח. על פי מחקרים, קיים קשר מסוים בין גורמים אלו לבין יכולת הזיכרון האנושית.

על ידי איסוף וניתוח כמויות גדולות של נתוני בדיקה מנבדקים, מדענים יכולים לבנות מודל המנבא יכולת זיכרון במודל יער אקראי. חיזוי תוצאות יכול לספק מידע רב ערך לגבי הביצועים העתידיים של הנבדק במבחן זיכרון מסוים.

לסיכום, אלגוריתם היער האקראי מספק למדענים דרך חדשה להעריך את רמות הזיכרון האנושי. בעתיד, היישום שלו עשוי למלא תפקיד חשוב בפסיכולוגיה קוגניטיבית, מדעי המוח ותחומים אחרים. יש לנו סיבה להאמין שהשילוב של יערות אקראיים וטכניקות אחרות יכול לספק פרספקטיבה רחבה יותר והבנה עמוקה יותר של חקר תפקודי המוח האנושי. ניתן לראות שאנו צריכים לשפר את הזיכרון, ו-Cistanche deserticola יכולה לשפר משמעותית את הזיכרון, מכיוון ש-Cistanche deserticola יכולה לווסת גם את איזון הנוירוטרנסמיטורים, כמו הגדלת רמות האצטילכולין וגורמי גדילה. חומרים אלו חשובים מאוד לזיכרון וללמידה. בנוסף, בשר יכול גם לשפר את זרימת הדם ולקדם אספקת חמצן, מה שיכול להבטיח שהמוח יקבל מספיק חומרים מזינים ואנרגיה, ובכך לשפר את חיוניות המוח וסיבולת.

לחץ על דע דרכים לשיפור תפקוד המוח

SVM [74] שואפת לקבוע את היפר-מישור המופרד בצורה מיטבית על ידי מיקסום השוליים, שהם המרחק בין וקטורי התמיכה. על ידי שימוש בטריק הליבה, SVM מסוגל למפות מרחב תכונה מממדים נמוכים לגבוהים; לכן, הוא יכול לבצע ביעילות סיווג ליניארי וסיווג לא ליניארי.

RF [75] פועל על ידי בניית עצי החלטות מרובים במהלך שלב האימון ויצירת הכיתה הסופית המשלבת את התוצאות של כל עץ החלטות. NB [76, 77] הוא מסווג הסתברותי המבוסס על משפט בייס והסתברות מותנית אשר מניח בדרך כלל שכל התכונות אינן תלויות זו בזו.

KNN [78] היא גישה לא פרמטרית המסווגת את הקלט בהתבסס על מחלקת הרוב של שכנותיה ה-k הקרובות ביותר במרחב התכונה. בדרך כלל, ערך k נבחר כמספר אי-זוגי כדי למנוע מחלקות קשורות.

כדי להכשיר ולהעריך את המודלים של למידת מכונה לעיל, נעשה שימוש באותו 10-CV כמו ב-BiLSTM. כל המודלים של למידת מכונה יושמו באמצעות ספריית Scikit-Learn [73] ב- Python.

ניתוח סטטיסטי

כל הניתוחים הסטטיסטיים בוצעו באמצעות תוכנת SPSS (SPSS גרסה 20.0, SPSS Inc.,Armonk, NY, USA) ותוכנת MATLAB גרסה 2017b (Mathworks, Inc., MA, ארה"ב).

הנתונים נותחו עם נתונים סטטיסטיים פרמטריים מאחר שכל הנתונים במחקר הראו התפלגות נורמלית במבחן Shapiro–Wilk (p > 0.05). ANOVA שימש לניתוח המובהקות הסטטיסטית של ה-TFRs בהתאם לגירויים התנועתיים השונים.
בנוסף, נערך מדידה חוזרת של ANOVA כדי להשוות את הביצועים של כל מסווג. לאחר מכן, בוצעו השוואות זוגיות באמצעות מבחני t מזווגים בין רשת BiLSTM לבין מסווגים אחרים של למידה מכונה, ובוצע תיקון Bonferroni כדי להתאים לאינפלציה של שיעור השגיאה מסוג I.

המובהקות הסטטיסטית של ה-p-value נקבעה ל-0.01 בעת השוואת ה-TFR של תגובות EEG, בעוד שרמת המובהקות של ערך-p נקבעה ל-0.05 בהשוואת הביצועים בין רשת BiLSTM ומסווגים אחרים של למידת מכונה.

תוצאות

פוטנציאלים מעוררים שמיעתיים בתגובה לצלילי תנועות

בסך הכל 19 חולדות Sprague-Dawley עברו ניתוח השתלת אלקטרודות אפידורלי, ו- allrats שרדו את ההליך הניתוחי. כתוצאה מכך, תגובות EEG לחמישה צלילי תנועות באנגלית תועדו מ-19 חולדות שהורדמו איזופלורן. כדי לחלץ את צורות הגל הממוצעות של AEP, כל התגובות העצביות נמדדו על פני הנבדקים עבור כל גירוי. איור 4 מציג את צורות הגל הממוצעות של AEP עבור כל צליל תנועות מ-AAF דו-צדדי.

כצפוי, כל צליל תנועות קטגורי עורר פעילויות עצביות מובהקות ב-AAF הדו-צדדי עם אמפליטודות שיא והשהייה משתנים. משרעת השיא של AEPs, שהוגדרה כמתח המתועד הגבוה ביותר לאחר גירוי התנועתי, הייתה הקטן ביותר עבור /i/ (61.74 ㎶ ב-AAF השמאלי ו-61.27 ㎶ ב-AAF הימני), בעוד AEPs בתגובה ל- /a/ הראו את אמפליטודות השיא הגדולות ביותר (92.12 ㎶ ב-AAF השמאלי ו-90.18 ㎶ ב-AAF הימני).

שיא ההשהיה, המוגדר כמשך מהתחלת הגירוי ועד לשיא משרעת היה כ-{0}}.39 שניות עד 0.5 שניות, הקצר ביותר ב-/i/(0. 39 שניות ב-AAF משמאל וימין), והארוך ביותר בצליל /o/ (0.51 שניות ב-AAF משמאל וימין). כפי שמוצג באיור 4, צורות גל AEP דומות נצפו מה-AAFs משמאל ומימין.

ניתוח תדר זמן של אותות EEG

ניתוח תדר זמן הוא שיטה רבת עוצמה לניתוח אותות EEG לא נייחים על פני מישור תדר זמן ומשמשת לספק מידע איכותי לסיווג הEEG [79, 80]. לכן, ה-TFR של ה-EEG הממוצע הגדול חושב עבור כל צליל כדי לזהות שינויים הקשורים לזיהוי תנועות בגודל ובשלב של תנודות EEG בתדרים ספציפיים (איור 5A).

מניתוח ה-TFR, נצפתה הפעלת הספק גבוה סביב פס הדלתא (1–4 הרץ), תטא (4–8 הרץ) ואלפא (8–12 הרץ) ב-0.3–{{8} }.6 שניות מתחילת הגירוי, ללא קשר לגירוי צליל הדיבור.

בנוסף, בוצעה בדיקת ANOVA עם תיקון Bonferroni כדי לנתח את מרכיבי ה-TFR המשמעותיים סטטיסטית בהתאם לכל גירוי תנועתי.

לאחר מכן, כוחם של אזורים מובהקים סטטיסטית (p < {0}}.01) יוצג על ידי ערך F (איור 5B). בניתוח, רוב פסי תדר ה-EEG בין 0.2-0.8 שניות היו שונים באופן משמעותי בהתאם לגירויים התנועתיים.

בנוסף, חלק מה-TFR מ-{{0}}.8-1 s היה שונה סטטיסטית עבור כל גירוי. בהתחשב בצורות הגל של ה-AEP ובתוצאות של מבחני ה-ANOVA, הסיק כי ה-AEPs מ-0.2-0.8 שניות לאחר גירוי התנועתי היו התגובות העצביות האינפורמטיביות ביותר והיו קשורים לזיהוי קול תנועות.

הדרכת מודל והערכה של רשתות BiLSTM

בהתבסס על התוצאות של איור 5B, נבחרו נתוני EEG שסוננו בפס-פס בין 1-60 הרץ עם חלון זמן של 0.2-0.8 שניות. לאחר מכן, ציוני ה-z של נתוני ה-EEG שנבחרו שימשו כקלט לרשת BiLSTM.

כל נתוני ה-EEG חולקו ל-10 קפלים בתוך כל נושא כדי להעריך את רשתות BiLSTM. לכן, ביצועי הבדיקה התקבלו לפי קיפול הדגם המאומן עם הקיפולים הנותרים ב10-סכימת קורות חיים.

הביצועים של הרשת הוערכו באמצעות מדדים של דיוק, ציון f{{0}} וסטטיסטיקת קאפה κ של כהן (איור 6 וטבלה 1). דיוק ההבחנה הממוצע ב-EEG של חמש מחלקות של רשת BiLSTM היה 75.18 ± 7.06% והציון f1- היה 0.74 ± 0.08 . κ של כהן היה 0.68 ± 0.09, שהתפרש כהסכמה מתונה [81].

כדי לנתח את הביצועים של רשת BiLSTM ביתר פירוט, התוותה מטריצת הבלבול באיור 7. זה הצביע על כך שרבות מהשגיאות נבעו מסיווג שגוי של תגובות ה-EEG ל-/u/ כ-/a/ ו-/e/ כ-/o/. עם זאת, רשת BiLSTM סיווגה את רוב תגובות ה-EEG עם יותר מ-50% דיוק, דיוק גבוה בסיווג ה-EEG של חמש מחלקות.

השוואה של רשת BiLSTM עם שיטות למידת מכונה אחרות

כדי לאמת את היעילות של רשתות BiLSTM בסיווג EEG לזיהוי צליל תנועות, התוצאות הושוו לאלו של שיטות למידת מכונה קונבנציונליות אחרות. איור 6 וטבלה 1 מציגות את הביצועים של מסווגי למידת מכונה.

ה-RF הוכיח את דיוק הסיווג הגבוה ביותר מבין האלגוריתמים הקונבנציונליים של למידת מכונה (דיוק: 63.21 ± 7.41%, ציון f1-: 0.62 ± 0.09, וציון של כהן : 0.52 ± 0.1). בניתוח הסטטיסטי, ביצועי הסיווג של RF לא היו גבוהים משמעותית מזה של SVM_lin ו-SVM_rbf, בעוד שהוא הראה ביצועים גבוהים יותר בהשוואה לאלו שלNB ו-KNN.

עם זאת, כאשר הושוו הביצועים של אלגוריתמים קונבנציונליים של למידת מכונה, כולל RF, עם BiLSTM, היה ברור שרשת BiLSTM הייתה עדיפה עבור כל המדדים ששימשו במחקר (p < 0.01).

במטריצת הבלבול, אלגוריתמים קונבנציונליים של לימוד מכונה אינם יכולים להבחין היטב בתגובות EEG מסוימות. בפרט, כל האלגוריתמים המקובלים של למידת מכונה היו מתקשים להבחין בין הצליל /u/. צוין כי האלגוריתמים הראו נטייה לסיווג שגוי של צליל /u/ כ- /a/ בממוצע 30% מהזמן (25.96% ב-NB עד 36.97% ב-KNN), וכתוצאה מכך ירידה בביצועי הסיווג הכוללים (איור 7) .

דִיוּן

במחקר זה, תגובות EEG אפידורלי של חולדות לחמישה צלילי תנועות קטגוריות (/a/, /e/, /i/, /o/ ו/u/) הופלו באמצעות רשת BiLSTM. חמישה סיווגים של אותות EEG אפידורליים בוצעו על בסיס ניסוי יחיד, אשר ידוע כמאתגר. כדי למקסם את ביצועי הלמידה, מחקר זה ניסה לקבוע רכיבי EEG ספציפיים שעשויים להיות קשורים לזיהוי צלילי דיבור במוח החולדה והשתמש ברכיבי EEG אלה כתכונות קלט. כתוצאה מכך, ביצועים גבוהים יחסית בסיווג AEPs לחמישה צלילים שונים הושגו באמצעות BiLSTM. השוואה של ביצועי הסיווג של רשת BiLSTM עם אלגוריתמים אחרים של למידת מכונה הראתה שרשת BiLSTM עלתה על ביצועים של מסווגים קלאסיים אחרים. תוצאות אלו מצביעות על כך שרשת BiLSTM מאומנת עם רכיבי EEG הקשורים לזיהוי דיבור מסווגת באופן אמין AEPs לכל צליל תנועות קטגוריות ברמת דיוק גבוהה. למיטב ידיעתנו, רשתות LSTM לא יושמו לסיווג תגובות EEG לגירויים שמיעתיים, וזהו המחקר הראשון שהשתמש באלגוריתם למידה עמוקה לניתוח אותות EEG מ-AAF של חולדה.

נכון לעכשיו, רק מחקרים בודדים השתמשו בארכיטקטורת LSTM כדי להשיג תוצאות מתקדמות בסיווג מבוסס EEG. ארכיטקטורת LSTM מתאימה לסיווג מבוסס EEG מכיוון שהמבנה דמוי השרשרת שלה יכול ללכוד את הרצף הזמני של נתוני EEG [82]. בתחילת הדרך, המחקר התמקד בשיפור תוצאות הסיווג באמצעות ארכיטקטורות LSTM שונות; עם זאת, תכונות הקלט עדיין חולצו באופן ידני, כמו בשיטות לימוד מכונות קונבנציונליות [83, 84].

Tsiouris et al. העריך את הביצועים של שילובים מגוונים של רכיבי רשת LSTM כדי למצוא את ארכיטקטורות LSTM היעילות ביותר לזיהוי התקפי אפילפסיה, ובכך השיג תוצאות כמעט מושלמות בחיזוי התקפים (רגישות של 100% וספציפיות של 99.86%) [83]. מכיוון ש-LSTM הוא מבנה רב עוצמה לעיבוד נתונים רציפים, חלק מהמחקרים משתמשים בנתוני EEG גולמיים כמאפייני קלט עם מינימום עיבוד מוקדם. מכיוון שרשת LSTM לומדת ישירות מאפיינים מנתוני EEG גולמיים, הביצועים במחקרי זיהוי רגשות השתפרו ב-12% לפחות [85], וגם התוצאות של מחקרי סיווג דימויים מוטורי השתפרו [86], בהשוואה למסורתיות אחרות. תכונה טכניקות מיצוי.

יתרה מכך, ארכיטקטורת BiLSTM נוצלה לסיווג מבוסס EEG מכיוון שהיא יכולה לגשת למידע ממצבי עבר ועתיד כאחד. לכן, איתור מצבי מוח שונים המשתקפים בנתוני EEG, כגון התקפים, שינה וכו' [63-67], רשת BiLSTM עלתה בדרך כלל על רשת LSTM שרק לוכדת מידע עבר מהרצף בכיוון קדימה. מסיבה זו, דווחו ביצועים גבוהים בסיווג אחרון מבוסס EEG באמצעות רשתות BiLSTM. שארמה וחב'. השיג דיוק סיווג של 82.01% עבור ארבעה סוגי רגשות בהתבסס על אלגוריתם BiLSTM וסטטיסטיקות מסדר גבוה [87]. בנוסף, רשתות BiLSTM סיווגו בהצלחה אפילפסיה ושלבי שינה [88, 89].

בדומה למחקרים קודמים, מחקר זה השיג תוצאות טובות יחסית באמצעות BiLSTMnetworks. האלגוריתם המוצע הבחין בהצלחה בין תגובות ה-EEG לחמישה צלילי תנועות עם ערכי דיוק גבוהים, ציון f{{0}} ו- κ של כהן של 75.18%, 74.43% ו-0.68, בהתאמה. הערך של κ של כהן עבור סיווג חמש מחלקות גבוה מזה שנראה ברוב המחקרים הנוכחיים [90]. כפי שמודגם באיור 6, שיטת BiLSTM הפיקה את הערך הגבוה ביותר עבור כל המדדים בהשוואה לשיטות אחרות למידת מכונה. בנוסף, כדי לקבוע את ההבדל הסטטיסטי בביצועי הסיווג, נותחו תוצאות ANOVA שנמדדו שוב ושוב בין BiLSTM לבין שיטות למידת מכונה קלאסיות אחרות תוך שימוש בכל הערכים הנושאיים. באמצעות ניתוח סטטיסטי, נקבע כי ביצועי הסיווג של רשת BiLSTM היו גבוהים משמעותית מאלו של שיטות לימוד מכונות קלאסיות אחרות (p < 0.01). תוצאה זו תאמה גם את מטריצת הבלבול. כפי שמוצג באיור 7, רשת BiLSTM חזתה היטב את התוויות האמיתיות של חמשת הצלילים, בעוד ששיטות למידת מכונה קלאסיות לא עשו זאת.

החיזוי שנרכש באמצעות סיווג למידת המכונה הקונבנציונלי היה גרוע במיוחד בסיווג הצליל /u/; הצליל /u/ התפרש באופן שגוי בעיקר כ-/a/. אפילו ל-RF, שהציג את הביצועים הטובים ביותר מבין חמשת מסווגי למידת המכונה הקונבנציונליים, היה שיעור סיווג של 34.48% עבור הצליל/u/, עם שיעור סיווג שגוי של 33.89% של הצליל /u/ כצליל /a/. כפי שניתן לראות באיור 4, לצלילים /a/ ו-/u/ היה שיא חביון דומה, שהוא אחד המאפיינים העיקריים של צורות גל AEP (השהיית שיא של צליל /a/: 0.448, שיא חביון צליל /u/: 0.444). כאשר הסיווג בוצע על סמך אותות EEG של ניסוי יחיד שעובדו מראש באופן מינימלי, נראה שלא ניתן היה להבחין בקווי דמיון כאלה על ידי אלגוריתמים קונבנציונליים של למידת מכונה, בעוד שרשת BiLSTM יכול היה להבחין ביניהם.

בהתחשב בכך שרשת BiLSTM יכולה לגשת בו זמנית לכל ההקשרים בעבר ובעתיד, ניתן ללמוד מידע עשיר דרך רשת זו. בנוסף, למרות שהתכונות המשקפות את המאפיינים של תגובות ה-EEG לכל צליל תנועות חולצו ישירות מהכיוונים קדימה ואחורה של שכבת LSTM, ביצועי הסיווג שופרו. במחקר זה, אנו יכולים להפיק תוצאות סיווג טובות באמצעות ארכיטקטורת BiLSTM פשוטה ללא תהליך חילוץ תכונה נוסף בעבודת יד.

סיווג תגובות ה-ERP לגירויים בדיבור בניסוי בודד הוא מאתגר מאוד בגלל המאפיינים של ה-SNR הנמוך של EEG. למרות שאחד היתרונות המרכזיים של שיטת ההעמקה הוא היכולת שלה ללמוד תכונות ברמה גבוהה ללא מיצוי תכונות קשות, ניסינו לבחור את אותות ה-EEG הרלוונטיים ביותר הקשורים לזיהוי דיבור כדי להשיג ביצועים טובים יותר. במחקר זה, צורות גל AEP מובחנות המתאימות לכל גירוי צליל דיבור נצפו עם הפעלת העוצמה הגבוהה של פס התדרים הנמוכים, כולל פסי הדלתא, התטא והאלפא, בניתוחי TFR. תנודות עצביות בלהקת thealpha זכו להכרה נרחבת כממלאות תפקיד חשוב בעיבוד שמיעתי. Mazaheri et al. דיווח כי הנחתה של פעילות אלפא קשורה קשר הדוק לאפליה של מטרות שמיעתיות [91].

Staruß et al. הוכיח כי תנודות אלפא בקליפת המוח הן מנגנון ציר לעיכוב סלקטיבי של עיבוד הרעש כדי לשפר את הקשב הסלקטיבי השמיעתי כלפי אותות יעד [92]. בעבר, מצאנו גם שכוח אלפא הופעל מאוד באזורים טמפורליים דו-צדדיים לאחר גירויי קול ספציפיים שהיו שונים סטטיסטית מבחינת סוג הצליל [48]. בנוסף, ידוע כי פסי הדלתא והתטא קשורים לעיצוב הפילוח וההשפעה התפיסתית של מידע אקוסטי [93].

למרות שמחקר זה מבוסס על נתוני ניסויים בבעלי חיים, רכיבים דומים הקשורים לדיבור, בהשוואה למחקרים הקודמים על נבדקים אנושיים, נצפו בניתוחי TFR. יתרה מכך, בניתוח הסטטיסטי, כל פסי ה-EEG נמצאו מובהקים בתוך 1 לאחר הגירויים וייצג את מרכיבי ה-EEG הקשורים לתפיסת קול. תוצאות אלו היו שונות במקצת מאלו של מחקרים קודמים, מה שמצביע על כך שרק רצועות EEG ספציפיות, כגון פס האלפא, היו קשורות לתפיסת קול. צפוי ששינויים אפילו עדינים בכל פעילויות רצועת ה-EEG נרשמים באמצעות רישום ה-EEG האפידורלי מכיוון שהוא מספק SNR גבוה יותר על ידי הפחתת הולכת נפח וביטול החפצים הטבועים בהקלטות EEG חוץ גולגולתי.

במחקר זה, נקבעו רכיבי ה-EEG הקשורים לזיהוי קול דיבור בחולדות ורכיבי AEP סווגו בהצלחה באמצעות רשת BiLSTM. עם זאת, למחקר זה היו כמה מגבלות. ראשית, מספר המקצועות שנכללו היה קטן מדי, במיוחד ללמידה עמוקה. יתרה מכך, מחקר זה לא העריך את הביצועים של כל מסווג עם אימות חיצוני, אלא השתמש ב-10-CV כדי להתגבר על גדלי המדגם המוגבלים. חוץ מזה, איננו יכולים לשלול את האפשרות שמערכת השמיעה של החולדה מגיבה באופן רציף לצליל מכיוון שרק אמירה בודדת של כל צליל תנועה שימשה במחקר זה. בנוסף, תגובות ה-EEG הנרכשות הושפעו מהשפעות ההרדמה. למרות שנעשה שימוש במינון הרדמה מינימלי, האטה בתדירות עם עלייה בעוצמת הדלתא היא ממצא אופייני של שינויים ב-EEG לאחר שאיפת איזופלורן [94]. לכן, רכיבי ה-EEG של זיהוי התנועות שהוצעו במחקר זה עשויים להיות שונים מאותות EEG שנרכשו מחולדות שמתעוררות באזור. עם זאת, אנו מאמינים שהאיכות של אות ה-EEG טובה מספיק, שכן נרשמו EEG באמצעות השתלת אלקטרודה אפידורלית, והוא לא היה מזוהם על ידי חפצי תנועה.

מסקנות

לסיכום, מחקר זה הוציא מרכיבים עצביים משמעותיים הקשורים לתפיסת דיבור קטגורית. יתר על כן, בהתבסס על המאפיינים של רשתות LSTM, הוכח שרשת BiLSTM מתאימה לסיווג תגובות EEG עם AEPs מעובדים מראש. מכיוון שמחקר זה הוא מחקר חלוצי עם נתונים על בעלי חיים, ייתכן שלא ניתן להעברה ישירה ליישומים מעשיים אחרים כגון ממשקי מוח-מחשב או עזרי תקשורת חלופיים לבני אדם.

לכן, מחקרים עתידיים עם נתוני EEG אנושיים נדרשים כדי לאמת את היעילות של רשת BiLSTM בסיווג זיהוי דיבור שמיעתי מבוסס EEG. בנוסף, יש להעריך מחדש עבור כוונון פרמטרים אופטימלי וחילוץ תכונות. צפוי כי מחקר זה יספק גישה חדשה לניתוח אותות EEG וכן מידע רב ערך לגבי מנגנוני תפיסת הדיבור וזיהוי הדיבור במוח.

הפניות

1. Wernicke C. קומפלקס הסימפטומים של אפזיה. בתוך: כהן RS, Wartofsky MW, עורכים. הליכים של הקולוקוויום של בוסטון לפילוסופיה של המדע 1966/1968. דורדרכט: ספרינגר הולנד; 1969. עמ' 34–97.

2. Shi Z, Yan S, Ding Y, Zhou C, Qian S, Wang Z, et al. השדה השמיעתי הקדמי נחוץ לסיווג צלילים במשימת התניית הפחד של החולדות הבוגרות. חזית נוירוסקי. 2019; 13: 1374.

3. ליברמן AM, Harris KS, Hoffman HS, Griffith BC. האפליה של צלילי דיבור בתוך וחוצה גבולות פונמה. J Exp Psychol. 1957; 54: 358–368.

4. Johnson K. פונטיקה אקוסטית ושמיעתית. צ'יצ'סטר: ווילי-בלאקוול; 2012.

5. Green PA, Brandley NC, Nowicki S. תפיסה קטגורית בתקשורת של בעלי חיים וקבלת החלטות. התנהגות אקול. 2020; 31: 859–867.

6. Craik A, He Y, Contreras-Vidal JL. למידה עמוקה למשימות סיווג אלקטרואנצפלוגרמה (EEG): סקירה. J Neural Eng. 2019; 16:28.

7. Na¨a¨ta¨nen R, Paavilainen P, Rinne T, Alho K. The mismatch negativity (MMN) במחקר בסיסי של עיבוד שמיעתי מרכזי: סקירה. נוירופיזיולוגיה קלינית. Elsevier; 2007. עמ' 2544–2590.

8. Garrido MI, Kilner JM, Stephan KE, Friston KJ. חוסר ההתאמה השליליות: סקירה של מנגנונים בסיסיים. נוירופיזיולוגיה קלינית. Elsevier; 2009. עמ' 453–463

For more information:1950477648nn@gmail.com