.png){kind=icon}
返回
Adaptive Multi-Granularity Information Exploration for EEG-Based Speech Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/LSP.2025.3592109.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
语音相关的脑机接口（BCIs）已成为人与外部设备之间实现直观交流的一种有前景的范式，尤其适用于语言障碍患者。然而，当前的基于脑电图（EEG）的语音识别性能仍无法满足实际应用需求，这主要源于两大挑战。一是语音产生涉及多个脑网络，导致单一领域特征不足以进行全面表征；二是脑电数据固有的信噪比较低，加之数据质量波动，增加了解码难度。为解决上述问题，我们提出了一种自适应多粒度信息探索（AMIE）模型，用于提升基于EEG的语音解码性能。该模型利用跨多个特征领域的互补信息，并引入一种三重动态加权机制，综合考虑领域、样本和特征的重要性，以增强模型鲁棒性并突出判别性特征。在两个公开EEG数据集上的实验结果表明，该模型在语音识别方面表现出有竞争力的性能，同时验证了多粒度重要性探索的有效性。
Keyword:
BCI
EEG
multi-granularity
speech recognition
domain-sample-feature importance
期刊
IF:
9.6
论文数:
1.1W
被引数:
1.7W
机构
引用论文
.png){kind=icon}
Enhanced performance of EEG-based brain–computer interfaces by joint sample and feature importance assessment基于脑电的脑机接口通过联合样本和特征重要性评估实现性能提升
PREAI
分享收藏
查看更多内容