初探：LibriBrain 数据集中的非侵入式神经关键词识别
机器学习
2025-10-31 v2
摘要
非侵入式脑机接口(BCI)正开始受益于大型公开基准数据集。然而，当前的基准测试针对的是相对简单的基础任务，如语音检测和音素分类，而在脑到文本等任务上，应用级的结果仍然难以实现。我们提出将关键词识别(KWS)作为一个实用性强、注重隐私的中间任务。利用深度为52小时的受试者内 LibriBrain 语料库，我们提供了标准化的训练/验证/测试划分，以实现可复现的基准测试，并采用了针对极端类别不平衡定制的评估协议。具体来说，我们使用精确率-召回率曲线下面积(AUPRC)作为稳健的评估指标，并辅以固定召回率下的每小时误报数(FA/h)来捕捉面向用户的权衡。为了简化研究社区内的部署和进一步实验，我们发布了 pnpl 库的更新版本，其中包含词级数据加载器和 Colab 就绪教程。作为初始参考模型，我们提出了一个紧凑的一维卷积/残差网络基线，采用焦点损失和 top-k 池化，可在单块消费级 GPU 上训练。该参考模型在保留会话上的 AUPRC 达到了约13倍于排列基线，证明了该任务的可行性。探索性分析揭示：(i) 可预测的受试者内缩放——性能随训练时间增加呈对数线性提升——以及 (ii) 存在系统性地调节可检测性的词级因素(频率和时长)。
引用
@article{arxiv.2510.21038,
title = {Elementary, My Dear Watson: Non-Invasive Neural Keyword Spotting in the LibriBrain Dataset},
author = {Gereon Elvers and Gilad Landau and Oiwi Parker Jones},
journal= {arXiv preprint arXiv:2510.21038},
year = {2025}
}
备注
16 pages, 7 figures, 6 tables; updated acknowledgments