基于 EEG Hilbert 包络和时间细节的隐蔽语音分类迁移学习
机器学习
2025-02-07 v1
摘要
脑机接口（BCI）可以从神经活动中解码想象语音。然而，这些系统通常需要大量训练，其中受试者重复想象单词，导致精神疲劳，尤其在想象一系列单词时，难以确定单词的起始。本文通过将在敞开语音数据上训练的分类器迁移到隐蔽语音分类中，以解决这些挑战。我们使用由 Hilbert 包络和时间细节导出的脑电图（EEG）特征，并用于训练双向长短期记忆（BiLSTM）模型进行分类。该方法减少了大量训练的负担，并实现了最先进的分类准确率：86.44% for overt speech，79.82% for covert speech。
引用
@article{arxiv.2502.04132,
title = {Transfer Learning for Covert Speech Classification Using EEG Hilbert Envelope and Temporal Fine Structure},
author = {Saravanakumar Duraisamy and Mateusz Dubiel and Maurice Rekrut and Luis A. Leiva},
journal= {arXiv preprint arXiv:2502.04132},
year = {2025}
}
备注
Accepted to ICASSP 2025