MEG-to-MEG 迁移学习与基于有限数据的跨任务语音/静音检测
机器学习
2026-02-23 v1
摘要
数据高效的神经解码是语音脑机接口的核心挑战。我们展示了首个MEG-based语音模型在感知与生产之间进行迁移学习和跨任务解码的演示。我们在50小时单主体听力数据上预训练Conformer-based模型，并在18名受试者每人仅5分钟数据上进行微调。迁移学习带来了一致的改进，任务内准确率提升1-4%，跨任务提升最高可达5-6%。不仅预训练在每个任务中提升性能，还能在感知与生产之间实现可靠的跨任务解码。关键的是，在语音生产上训练的模型能在被动听力中解码出高于随机的水平，表明所学表征反映的是共享的神经过程而非任务特定的运动活动。
引用
@article{arxiv.2602.18253,
title = {MEG-to-MEG Transfer Learning and Cross-Task Speech/Silence Detection with Limited Data},
author = {Xabier de Zuazo and Vincenzo Verbeni and Eva Navas and Ibon Saratxaga and Mathieu Bourguignon and Nicola Molinaro},
journal= {arXiv preprint arXiv:2602.18253},
year = {2026}
}
备注
6 pages, 3 figures, 3 tables, submitted to Interspeech 2026