Αναγνώριση ομιλίας φωνήεντος από ηλεκτροεγκεφαλογραφία αρουραίου με χρήση νευρωνικού δικτύου μακράς βραχυπρόθεσμης μνήμης Μέρος 1

Αφηρημένη

Με τα χρόνια, έχει διεξαχθεί σημαντική έρευνα για τη διερεύνηση των μηχανισμών αντίληψης και αναγνώρισης ομιλίας.

Υπάρχει μια άρρηκτη σχέση μεταξύ της αντίληψης του λόγου και της μνήμης. Η αντίληψη της ομιλίας είναι μια σημαντική ικανότητα για εμάς να γνωρίζουμε τα ηχητικά σήματα και η μνήμη είναι ένας σημαντικός τρόπος που χρησιμοποιούμε για την αποθήκευση και την ανάκτηση πληροφοριών. Όταν μπορούμε να αντιληφθούμε καλύτερα την ομιλία, μπορούμε επίσης να θυμόμαστε καλύτερα τις πληροφορίες που ακούμε.

Η έρευνα δείχνει ότι η σχέση μεταξύ αντίληψης ομιλίας και μνήμης είναι αμφίδρομη. Από τη μία πλευρά, η κακή αντίληψη της ομιλίας μπορεί να οδηγήσει σε εξασθένηση της μνήμης. Αυτό συμβαίνει γιατί όταν δεν μπορούμε να ακούσουμε καθαρά την ομιλία, δεν μπορούμε να θυμηθούμε με ακρίβεια τις πληροφορίες που ακούσαμε. Από την άλλη πλευρά, η έντονη αντίληψη του λόγου μπορεί να βελτιώσει τη μνήμη μας. Όταν μπορούμε να αντιληφθούμε και να κατανοήσουμε σωστά την ομιλία, μπορούμε επίσης να θυμηθούμε τι ακούμε πιο εύκολα.

Επομένως, θα πρέπει να επικεντρωθούμε στην καλλιέργεια των δεξιοτήτων μας αντίληψης του λόγου για να βελτιώσουμε τη μνήμη μας. Αυτό μπορεί να επιτευχθεί με την εκπαίδευση των δεξιοτήτων ακρόασης και κατανόησης της ομιλίας. Μπορούμε να βελτιώσουμε την αντίληψη της ομιλίας και τη μνήμη μας με δραστηριότητες όπως η ακρόαση ηχογραφήσεων, η παρακολούθηση ταινιών και η παρακολούθηση μαθημάτων γλώσσας.

Εν ολίγοις, υπάρχει μια στενή σχέση μεταξύ της αντίληψης του λόγου και της μνήμης και θα πρέπει να επικεντρωθούμε στην καλλιέργεια των δεξιοτήτων αντίληψης του λόγου για να βελτιώσουμε τη μνήμη μας. Μέσω της ενεργητικής εκπαίδευσης και εξάσκησης, μπορούμε να βελτιώνουμε συνεχώς το επίπεδο αντίληψης της ομιλίας μας και να κατανοούμε καλύτερα και να θυμόμαστε αυτά που ακούμε. Μπορεί να φανεί ότι πρέπει να βελτιώσουμε τη μνήμη και το Cistanche deserticola μπορεί να βελτιώσει σημαντικά τη μνήμη, επειδή το Cistanche deserticola μπορεί επίσης να ρυθμίσει την ισορροπία των νευροδιαβιβαστών, όπως η αύξηση των επιπέδων ακετυλοχολίνης και αυξητικών παραγόντων. Αυτές οι ουσίες είναι πολύ σημαντικές για τη μνήμη και τη μάθηση. Επιπλέον, το κρέας μπορεί επίσης να βελτιώσει τη ροή του αίματος και να προωθήσει την παροχή οξυγόνου, η οποία μπορεί να εξασφαλίσει ότι ο εγκέφαλος λαμβάνει επαρκή θρεπτικά συστατικά και ενέργεια, βελτιώνοντας έτσι τη ζωτικότητα και την αντοχή του εγκεφάλου.

Κάντε κλικ στο Γνωρίζω για να βελτιώσετε τη βραχυπρόθεσμη μνήμη

Η ηλεκτροεγκεφαλογραφία (EEG) είναι ένα ισχυρό εργαλείο για την αναγνώριση της εγκεφαλικής δραστηριότητας. Ως εκ τούτου, έχει χρησιμοποιηθεί ευρέως για τον προσδιορισμό της νευρικής βάσης της αναγνώρισης ομιλίας.

Ειδικότερα, για την ταξινόμηση της αναγνώρισης ομιλίας, οι προσεγγίσεις που βασίζονται στη βαθιά μάθηση βρίσκονται στο προσκήνιο επειδή μπορούν αυτόματα να μαθαίνουν και να εξάγουν αντιπροσωπευτικά χαρακτηριστικά μέσω της μάθησης από άκρο σε άκρο.

Αυτή η μελέτη στόχευε στον εντοπισμό συγκεκριμένων συστατικών που σχετίζονται δυνητικά με την αναπαράσταση φωνημάτων στον εγκέφαλο του αρουραίου και να διακρίνουν την εγκεφαλική δραστηριότητα για κάθε ερέθισμα φωνήεντος σε βάση μίας δοκιμής χρησιμοποιώντας ένα αμφίδρομο δίκτυο βραχυπρόθεσμης μνήμης (BiLSTM) και κλασικές μεθόδους μηχανικής μάθησης.

Χρησιμοποιήθηκαν δεκαεννέα αρσενικοί αρουραίοι Sprague-Dawley που υποβλήθηκαν σε χειρουργική επέμβαση εμφύτευσης μικροηλεκτροδίων για την καταγραφή σημάτων EEG από τα αμφοτερόπλευρα πρόσθια ακουστικά πεδία. Επιλέχθηκαν πέντε διαφορετικά ερεθίσματα φωνήεντος, τα /a/, /e/, /i/, /o/ και /u/, τα οποία έχουν πολύ διαφορετικές συχνότητες μορφοποίησης. Το ΗΕΓ που καταγράφηκε κάτω από τυχαία δοσμένα ερεθίσματα φωνηέντων υποβλήθηκε σε ελάχιστη προεπεξεργασία και κανονικοποιήθηκε με έναν μετασχηματισμό βαθμολογίας z για να χρησιμοποιηθεί ως είσοδος για την ταξινόμηση της αναγνώρισης ομιλίας.

Το δίκτυο BiLSTM έδειξε την καλύτερη απόδοση μεταξύ των ταξινομητών επιτυγχάνοντας συνολική ακρίβεια, βαθμολογία f{{0}}και τιμές κ του Cohen 75,18%, 0,75 και 0,68, αντίστοιχα, χρησιμοποιώντας μια προσέγγιση πολλαπλής επικύρωσης 10-.

Αυτά τα αποτελέσματα δείχνουν ότι τα στρώματα LSTM μπορούν να μοντελοποιήσουν αποτελεσματικά διαδοχικά δεδομένα, όπως το EEG. Ως εκ τούτου, τα ενημερωτικά χαρακτηριστικά μπορούν να προκύψουν μέσω του BiLSTM που εκπαιδεύεται με εκμάθηση από άκρο σε άκρο χωρίς πρόσθετες μεθόδους εξαγωγής χαρακτηριστικών κατασκευασμένων με το χέρι.

Εισαγωγή

Η ομιλία μεταφέρει τεράστιες ποσότητες πληροφοριών στον εγκέφαλο και είναι ένα από τα τυπικά χαρακτηριστικά του εγκεφάλου να αναγνωρίζει και να κατηγοριοποιεί τους ήχους των ζώων που συμπεριφέρονται.

Δεδομένης της σημασίας του, έχουν γίνει προσπάθειες για τη διερεύνηση των μηχανισμών αναγνώρισης ήχου ομιλίας για πάνω από 100 χρόνια. Μια από τις πρώτες νευρογλωσσικές μελέτες αναγνώρισης ομιλίας διεξήχθη μέσω μιας μελέτης παρατήρησης τη δεκαετία του 1870 από έναν Γερμανό νευροψυχίατρο που βρήκε τον κρίσιμο ρόλο της ανώτερης κροταφικής έλικας στην αντίληψη της ομιλίας, συμπεραίνοντας ότι τα ελλείμματα αναγνώρισης της ομιλίας σχετίζονταν με βλάβη στην αριστερή άνω κροταφική έλικα. 1].

Είναι πλέον γνωστό ότι η αναγνώριση ομιλίας βασίζεται κυρίως στους ραχιαίους κροταφικούς λοβούς, συμπεριλαμβανομένης της άνω κροταφικής έλικας, η οποία περιέχει τον πρωτεύοντα ακουστικό φλοιό (A1) και το πρόσθιο ακουστικό πεδίο (AAF) [2].

Αν και ο τρόπος που τα φωνήματα κωδικοποιούνται και ερμηνεύονται στον εγκέφαλο παραμένει αμφιλεγόμενος, έχει γίνει ευρέως αποδεκτό ότι η αναγνώριση του ήχου είναι κατηγορηματική. Δηλαδή, η διάκριση είναι καλύτερη για ερεθίσματα που ανήκουν σε διαφορετικές φωνητικές κατηγορίες παρά για ερεθίσματα που ανήκουν στην ίδια κατηγορία, ακόμα κι αν οι ακουστικές διαφορές είναι ισοδύναμες [3, 4].

Όχι μόνο οι άνθρωποι αλλά και τα αντιληπτικά συστήματα των ζώων ταξινομούν τα συνεχώς μεταβαλλόμενα ηχητικά ερεθίσματα σε ένα σύνολο διακριτών κατηγοριών [5].

Με την πρόοδο στις νευροφυσιολογικές μελέτες, η ηλεκτροεγκεφαλογραφία (EEG) έχει χρησιμοποιηθεί ευρέως στην έρευνα που αφορά τη νευροεπιστήμη και τη νευρωνική μηχανική [6].

Η υψηλή χρονική ανάλυση και η ευαισθησία σε διαφορετικές λειτουργικές καταστάσεις του εγκεφάλου καθιστούν το ΗΕΓ ένα ισχυρό εργαλείο για τη διερεύνηση της εγκεφαλικής δραστηριότητας σε πραγματικό χρόνο και υπάρχει αυξανόμενο ενδιαφέρον για τη διαφώτιση της νευρικής βάσης για την κατηγορική αντίληψη. Παραδοσιακά, τα σήματα EEG καταγράφονται μη επεμβατικά από το τριχωτό της κεφαλής σε ανθρώπινες μελέτες. Στο επίπεδο της αντίληψης του ήχου ή της ομιλίας, η αρνητικότητα αναντιστοιχίας (MMN), ένα συστατικό του ακουστικού προκλητού δυναμικού (AEP), που προκαλείται από παράξενους ήχους, χρησιμοποιείται ευρέως για τη μελέτη των νευρικών συσχετισμών της κατηγορικής αντίληψης [7, 8]. Naatanen et al. θεμελιώδη στοιχεία για αναπαραστάσεις φωνηέντων που εξαρτώνται από τη γλώσσα στον ανθρώπινο εγκέφαλο [9].

Μια άλλη μελέτη εξέτασε την κατηγορική αντίληψη των λεξιλογικών τόνων και διαπίστωσε ότι η αντίθεση μεταξύ των κατηγοριών προκάλεσε μεγαλύτερο MMN από τη διάκριση εντός της κατηγορίας [10]. Σε πειράματα σε ζώα, λήφθηκαν ακριβέστερα σήματα ΗΕΓ μέσω επεμβατικών διαδικασιών.

Για παράδειγμα, οι νευρικές συσχετίσεις της κατηγορικής αντίληψης και οι νευρικές αναπαραστάσεις διαφόρων ήχων έχουν μελετηθεί χρησιμοποιώντας εξωκυτταρική καταγραφή του δυναμικού δράσης.

Οι νευρώνες των ωδικών πτηνών που προβάλλουν το ραβδωτό σώμα εμφανίζουν κατηγορικές ακουστικές αποκρίσεις και είναι ιδιαίτερα ευαίσθητοι στις αλλαγές στη διάρκεια της νότας [11]. Επιπλέον, οι Kilgard et al.μελέτησε διακριτές νευρικές αναπαραστάσεις συμφώνων και φωνηέντων ήχων χρησιμοποιώντας ενδοπαρεγχυματική εγγραφή στον εγκέφαλο του αρουραίου. Καταγράφοντας τις αποκρίσεις πολλαπλών και μονής μονάδας από το κατώτερο κολλίδιο και το Α1, πρότειναν ότι η ακίδα κωδικοποιεί ήχους φωνηέντων, ενώ ο χρονισμός της ακίδας κωδικοποιεί ήχους σύμφωνα [12, 13].

Τα αποτελέσματα της εκπαίδευσης διάκρισης ήχου σε ένα μοντέλο αυτισμού σε αρουραίους διερευνήθηκαν επίσης με βάση προηγούμενα ευρήματα που συσχετίζουν τις νευρικές αποκρίσεις σε ηχητικά ερεθίσματα με την ικανότητα αντίληψης ήχου [14].

Επιπλέον, μια πρόσφατη μελέτη έδειξε ότι η ηλεκτροκορτικογραφία που καταγράφεται με πολυκαναλική δέσμη συσχετίζεται με την παθητική έκθεση σε συγκεκριμένο ήχο ακόμη και στον ακουστικό φλοιό αναισθητοποιημένων αρουραίων [15].

Οι προσεγγίσεις μηχανικής μάθησης έχουν χρησιμοποιηθεί για την πρακτική χρήση του ΗΕΓ σε μια μεγάλη ποικιλία μελετών. Η χρήση μεθόδων μηχανικής μάθησης επιτρέπει τη διερεύνηση πλούσιων πληροφοριών που είναι εγγενείς και δύσκολο να αποκαλυφθούν από τα σήματα EEG [6].

Επομένως, η ταξινόμηση βάσει ΗΕΓ μπορεί να πραγματοποιηθεί στα ακόλουθα πεδία μέσω συμβατικών αλγορίθμων μηχανικής μάθησης (π.χ. μηχανή υποστήριξης διανυσμάτων (SVM), k-πλησιέστεροι γείτονες (KNN) και αφελής Bayes (NB)): κινητικές εικόνες, αναγνώριση συναισθημάτων, ανίχνευση ψυχικών ασθενειών, ανίχνευση δυναμικού που σχετίζεται με συμβάντα (ERP) και ούτω καθεξής [16, 17].

Επιπλέον, τα τελευταία χρόνια, λόγω της αυξανόμενης προόδου στις μονάδες επεξεργασίας γραφικών και της διαθεσιμότητας μεγάλων συνόλων δεδομένων, κατέστη δυνατή η διεξαγωγή ταξινόμησης βάσει EEG χρησιμοποιώντας διάφορα δίκτυα βαθιάς μάθησης [6, 18, 19]. Σε σύγκριση με τις συμβατικές μεθόδους μηχανικής μάθησης , τα δίκτυα βαθιάς μάθησης μπορούν αυτόματα να ανιχνεύουν και να εξάγουν κατάλληλες αναπαραστάσεις από δεδομένα εισόδου [20, 21].

Ως εκ τούτου, ακόμη και με ανεπαρκή προηγούμενη γνώση των ειδικών, μπορούν να ληφθούν πολλά υποσχόμενα αποτελέσματα μέσω αλγορίθμων βαθιάς μάθησης που δεν απαιτούν μια πρόσθετη χειροποίητη διαδικασία εξαγωγής χαρακτηριστικών [22, 23].

Για παράδειγμα, στα πεδία του λόγου, των εικόνων και του βίντεο, τα αποτελέσματα βελτιώθηκαν σημαντικά με την εφαρμογή αλγορίθμων βαθιάς μάθησης [24-26]. Ωστόσο, δεν είναι σαφές εάν τέτοια αποτελέσματα με καλύτερη απόδοση συνοδεύουν πάντα τον τομέα ταξινόμησης που βασίζεται στο ΗΕΓ όταν χρησιμοποιούνται προσεγγίσεις βαθιάς μάθησης αντί των παραδοσιακών μεθόδων μηχανικής μάθησης [27].

Οι Roy et al. έδειξαν ότι στις περισσότερες από τις μελέτες (εξαιρουμένων των τεσσάρων από τις 102 μελέτες), η προσέγγιση βαθιάς μάθησης οδήγησε σε υψηλότερη απόδοση από την παραδοσιακή προσέγγιση μηχανικής μάθησης και η υψηλότερη βελτίωση στην ακρίβεια ήταν 35,3% [18, 28].

Επιπλέον, μεταξύ των διαφόρων τομέων των μελετών ταξινόμησης που βασίζονται σε EEG, οι μελέτες ταξινόμησης ERP διεξάγονται ενεργά με την εφαρμογή τόσο της συμβατικής μηχανικής μάθησης όσο και μεθόδων βαθιάς μάθησης.

Σε μια πρώιμη μελέτη, η παραδοσιακή μέθοδος γενικού μέσου όρου χρησιμοποιήθηκε για τη βελτίωση της χαμηλής αναλογίας σήματος προς θόρυβο (SNR), έναν από τους περιορισμούς των σημάτων EEG, και για τη λήψη σημάτων ERP.

Σε αυτές τις μελέτες, αρκετά στοιχεία ERP αντιμετωπίστηκαν ως σύνολα χαρακτηριστικών για την ταξινόμηση [29, 30]. Σε μελέτες σε ζώα, χαρακτηριστικά ERP όπως το μέγιστο πλάτος και η καθυστέρηση χρησιμοποιούνται επίσης για τη διάκριση των σημάτων ERP [31, 32].

Ωστόσο, η ταξινόμηση με βάση το EEG μίας δοκιμής έχει επίσης λάβει μεγάλη προσοχή, καθώς είναι γνωστό ότι τα δεδομένα EEG σε επίπεδο μίας δοκιμής διαθέτουν πιο λειτουργικές και πλούσιες πληροφορίες από τα σήματα ERP που λαμβάνονται μέσω της παραδοσιακής μεθόδου γενικού μέσου όρου [33, 34].

Επομένως, σε μεταγενέστερες μελέτες, τα χαρακτηριστικά εξήχθησαν από διάφορους αλγόριθμους όπως αλγόριθμοι βασισμένοι σε wavelet [35], μοντέλα μείγματος Gauss [36] και χωρικό φιλτράρισμα [37] για ταξινόμηση με χρήση συμβατικών μεθόδων μηχανικής μάθησης [38, 39]. Ωστόσο, η εξαγωγή της βέλτιστης Τα χειροποίητα χαρακτηριστικά από το ΗΕΓ μίας δοκιμής είναι χρονοβόρα και εντατική, επειδή πρέπει να εκτελεστούν πρόσθετα βήματα επεξεργασίας. Σε αυτό το πλαίσιο, οι μέθοδοι βαθιάς μάθησης μπορούν να ανακουφίσουν αυτό το πρόβλημα επιτρέποντας τη μάθηση από άκρο σε άκρο.

Η πιο διαδεδομένη αρχιτεκτονική βαθιάς μάθησης είναι ένα συνελικτικό νευρωνικό δίκτυο (CNN), ακολουθούμενο από ένα επαναλαμβανόμενο νευρωνικό δίκτυο (RNN). Το CNN είναι ένας ειδικός τύπος αρχιτεκτονικής βαθιάς μάθησης που χρησιμοποιείται ευρέως για ταξινόμηση με βάση το ΗΕΓ μιας δοκιμής [6]. Οι είσοδοι του CNN προέρχονται από ακατέργαστα ή προεπεξεργασμένα δεδομένα EEG, κυρίως με την ακόλουθη μορφή: αριθμός καναλιών × αριθμός χρονικών σημείων σε μία μόνο δοκιμή.

Επιπλέον, έχουν αποδειχθεί σημαντικά αποτελέσματα ταξινόμησης και είναι γνωστό ότι αποδίδει καλύτερα όταν χρησιμοποιούνται εικόνες φασματογράμματος ως είσοδοι [40-44]. Σε αντίθεση με το CNN, το RNN είναι μια ιδιαίτερα προτιμώμενη αρχιτεκτονική, ειδικά όταν χειρίζεται διαδοχικά δεδομένα (όπως στις εφαρμογές επεξεργασίας φυσικής γλώσσας), επειδή η επαναλαμβανόμενη σύνδεση της αρχιτεκτονικής εκμάθησης RNN καθιστά δυνατή τη χρήση των προηγούμενων πληροφοριών του δικτύου αναδρομικά ως τρέχοντα δεδομένα εισόδου [45. ].

Η μακροπρόθεσμη βραχυπρόθεσμη μνήμη (LSTM) είναι ένα είδος αρχιτεκτονικής RNN που προτάθηκε από τους Hochreiter και Schmidhuber για να ξεπεραστούν τα προβλήματα έκρηξης και εξαφάνισης της κλίσης του RNN [46]. Το αμφίδρομο LSTM (BiLSTM) είναι μια περαιτέρω ανάπτυξη του LSTM που συνδυάζει το εμπρός και το πίσω κρυφό στρώμα για πρόσβαση τόσο στις προηγούμενες όσο και στις επόμενες πληροφορίες.

Αν και το μοντέλο BiLSTM είναι πολύ πιο περίπλοκο και μπορεί να χρειάζεται πρόσθετη υπολογιστική ισχύ, αναμένεται να λύσει την εργασία διαδοχικής μοντελοποίησης και ταξινόμησης καλύτερα από το LSTM [47].

Προηγουμένως, προσπαθήσαμε να ταξινομήσουμε τα σήματα EEG σε μία βάση δοκιμής για τρεις ήχους φωνηέντων, /a/,/o/ και /u/, χρησιμοποιώντας τεχνικές μηχανικής μάθησης για τον ανθρώπινο εγκέφαλο.

Μετά την εφαρμογή των κατάλληλων αλγορίθμων επεξεργασίας σήματος, συμπεριλαμβανομένης της πολυμεταβλητής εμπειρικής αποσύνθεσης (MEMD), οι αποκρίσεις EEG ταξινομήθηκαν αποτελεσματικά σύμφωνα με κάθε φωνήεν χρησιμοποιώντας έναν ταξινομητή γραμμικής διάκρισης ανάλυσης (LDA). Από την αναπαράσταση χρόνου-συχνότητας (TFR) των σημάτων EEG, καθορίστηκε επίσης ότι τα στοιχεία της ζώνης άλφα ήταν οι πιο σχετικές νευρικές αποκρίσεις της αντίληψης του ήχου των φωνηέντων [48].
Ωστόσο, λόγω των χαμηλών σημάτων EEG του ανθρώπινου SNRof, η αναπαράσταση φωνημάτων στον εγκέφαλο πρέπει να αξιολογηθεί περαιτέρω με μια πιο επεμβατική τεχνική εγγραφής, επιτρέποντας την απόκτηση πιο αξιόπιστων σημάτων ΗΕΓ.

Επιπλέον, είναι απαραίτητο να διεξαχθούν περαιτέρω μελέτες σχετικά με την απόδοση ταξινόμησης κάθε αλγόριθμου εκμάθησης μηχανής στην ταξινόμηση των αποκρίσεων EEG σε διαφορετικά φωνήματα.

Ο πρωταρχικός σκοπός αυτής της μελέτης ήταν να προσδιοριστούν συγκεκριμένα στοιχεία ΗΕΓ που μπορεί να σχετίζονται με την αναπαράσταση ομιλίας στον εγκέφαλο του αρουραίου για να φωτίσει περαιτέρω τις αποκρίσεις του εγκεφάλου στην αναγνώριση ήχου ομιλίας.

Για την απόκτηση ακριβέστερων σημάτων ΗΕΓ, καταγράφηκαν σήματα επισκληρίδιου ΗΕΓ που δεν ανταποκρίνονται σε ακουστικά ερεθίσματα στο AAF, το οποίο είναι γνωστό ότι παίζει ουσιαστικό ρόλο στην ακουστική αντίληψη και κατηγοριοποίηση [2]. Επιπλέον, αυτή η μελέτη προσπάθησε να διακρίνει διαφορετικές αποκρίσεις του εγκεφάλου για κάθε ήχο ομιλίας σε μία βάση δοκιμής χρησιμοποιώντας δίκτυα LSTM και άλλες συμβατικές τεχνικές μηχανικής μάθησης.

Υποτέθηκε ότι το δίκτυο BiLSTM θα ήταν κατάλληλο για την ταξινόμηση των αποκρίσεων EEG σε ερεθίσματα φωνηέντων και θα ξεπερνούσε άλλους κλασικούς ταξινομητές επειδή το δίκτυο μπορεί να αποδώσει ισχυρά στη μοντελοποίηση μακροπρόθεσμων εξαρτήσεων διαδοχικών δεδομένων όπως το ΗΕΓ. Εξ όσων γνωρίζει ο συγγραφέας, τα δίκτυα LSTM δεν έχουν εφαρμοστεί στην ταξινόμηση των αποκρίσεων EEG σε ακουστικά ερεθίσματα και αυτή είναι η πρώτη μελέτη που χρησιμοποιεί έναν αλγόριθμο βαθιάς μάθησης για την ανάλυση επισκληρίδιου σημάτων EEG από το AAF.

Επιπλέον, χρησιμοποιώντας τον αλγόριθμο βαθιάς μάθησης, οι αποκρίσεις EEG ταξινομήθηκαν ως ακουστικά ερεθίσματα χρησιμοποιώντας μάθηση από άκρο σε άκρο με ελάχιστα προεπεξεργασμένα σήματα EEG χωρίς πρόσθετες μεθόδους εξαγωγής χαρακτηριστικών.

For more information:1950477648nn@gmail.com