利用状态空间变分自编码器建模语音产生过程中的神经动态
神经与进化计算
2019-01-15 v1 人机交互
机器学习
摘要
在许多研究领域中，表征行为的神经编码仍是一项艰巨任务，部分原因在于诱发脑活动具有复杂且含噪的时空动态。对这些神经编码进行建模的一个重要方面，是将稳健的、与行为相关的信号与背景活动分离开来，后者常包含来自无关脑过程以及先前行为事件衰减信息的信号。为实现这种分离，我们提出了一种双分支状态空间变分自编码器（SSVAE）模型，分别描述瞬时的诱发前景信号与上下文相关的背景信号。我们使用平滑高斯混合模型对自发言语诱发的脑动态进行建模。通过将所提出的 SSVAE 模型应用于追踪一名被试数小时内的 ECoG 动态，我们发现该模型比其它潜因子推断算法能更准确地预测与言语相关的动态。我们的结果表明，分别建模瞬时言语诱发与缓慢上下文相关脑动态可提升追踪性能，这对各神经科学分支中先进神经编码与解码模型的发展具有重要意义。
引用
@article{arxiv.1901.04024,
title = {Modeling neural dynamics during speech production using a state space variational autoencoder},
author = {Pengfei Sun and David A. Moses and Edward Chang},
journal= {arXiv preprint arXiv:1901.04024},
year = {2019}
}
备注
5 pages