面向鲁棒脑机接口的想象语音状态分类
机器学习
2024-12-18 v1 人工智能
声音
音频与语音处理
摘要
本研究探讨了传统机器学习分类器与深度学习模型在使用脑电图数据检测想象语音时的有效性。具体而言，我们评估了 CSP-SVM 和 LDA-SVM 等传统机器学习技术，以及 EEGNet、ShallowConvNet 和 DeepConvNet 等深度学习架构。机器学习分类器的精确率和召回率显著较低，表明其特征提取能力有限，且在想象语音与空闲状态之间的泛化能力较差。相比之下，深度学习模型，尤其是 EEGNet，达到了 0.7080 的最高准确率和 0.6718 的 F1 分数，证明了其在自动特征提取和表征学习方面具有更强的能力，这对于捕获复杂的神经生理模式至关重要。这些发现凸显了传统机器学习方法在脑机接口（BCI）应用中的局限性，并提倡采用深度学习方法以实现对想象语音检测更精确、更可靠的分类。这项基础性研究有助于基于想象语音的 BCI 系统的开发。
引用
@article{arxiv.2412.12215,
title = {Imagined Speech State Classification for Robust Brain-Computer Interface},
author = {Byung-Kwan Ko and Jun-Young Kim and Seo-Hyun Lee},
journal= {arXiv preprint arXiv:2412.12215},
year = {2024}
}