面向EEG信号中感知、发声与想象语音的统一神经解码

脑信号伴随与人类动作和心理意象相关的各种信息，使其对于解释和理解人类意图至关重要。脑机接口技术利用这种脑活动生成控制环境的外部指令，为瘫痪或闭锁综合征患者提供了关键优势。在脑机接口领域，脑到语音的研究备受关注，侧重于直接从脑信号合成可听语音。目前的大多数研究使用侵入性技术从脑活动中解码语音，并侧重于发声语音数据。然而，人类表达各种语音状态，通过非侵入性方法区分这些状态仍然是一项重大而具有挑战性的任务。本研究调查了深度学习模型在基于非侵入性的神经信号解码中的有效性，重点是在多个频段上区分不同的语音范式，包括感知语音、大声发音、耳语和想象语音。利用空间卷积神经网络模块的模型表现出优于其他模型的性能，尤其是在gamma频段。此外，深度学习也表现出强效果的theta频段中的想象语音，与其他语音范式相比表现出统计学上的显著差异。