机器关注时的人类大脑活动
本文针对脑电信号对自然语言处理的潜力进行了大规模研究,利用多模态机器学习体系结构,发现滤波后的脑电信号对情感分析任务的性能提升最为明显,特别是在训练数据有限的情况下。
Feb, 2021
应用脑电图 (EEG) 和自然语言处理 (NLP) 对教育进行研究以衡量学生在课堂讲座中的理解,本文提出了一个分类框架,用于预测学生在两个任务中的讲座理解情况: (i) 学生在听完模拟讲座后的困惑程度和 (ii) 学生对讲座后评估的回答的正确性。该框架包括脑电图和自然语言处理特征提取、处理和分类。通过提取脑电图信号和句子级句法分析获取的综合特征,可以衡量特定生物标记和句子结构方面的信息。采用集成堆叠分类方法 - 多个个体模型的组合,学习特征以准确预测。此外,还利用主观困惑评分作为另一个集成特征来提高分类性能。实验结果表明,该框架的表现优于基准线,对于预测困惑和正确性的 F1 值达到 0.65 和 0.78,突显利用这一框架有助于提高分类性能。
Nov, 2023
本研究探讨了语言处理的时间动态,通过研究预训练基于变压器的语言模型和脑电数据之间的单词表示的对准。使用时间响应函数 (TRF) 模型,我们调查了神经活动如何对应于不同层的模型表示,揭示了人工语言模型和大脑在语言理解过程中的相互作用的见解。我们的分析揭示了不同层中 TRF 的模式,突显了对词汇和构成处理的不同贡献。此外,我们使用线性判别分析 (LDA) 来分离词性 (POS) 表示,为神经响应和句法处理的基本机制提供了见解。这些发现强调了脑电图在高时间分辨率下探测语言处理动态方面的实用性。通过连接人工语言模型和神经活动,本研究推进了对它们在精细时间尺度上相互作用的理解。
Jun, 2024
本研究通过使用 SVM,KNN 和 RNN (LSTM) 等算法,对 DEAP 数据集中的 EEG 信号进行分类和测试,以探究如何使用脑信号来改进情绪识别的性能,并进一步研究情绪随时间变化的规律。
Jul, 2023
本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术,建立起一个单一的预训练模型,用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录,从而取得较好的脑机接口和脑电分类性能。
Jan, 2021
本文介绍了一种通过脑电波信号推断用户阅读文档的相关性和搜索意图的大脑信息接口,成功地应用于从英文维基百科语料库中检索新的相关文档,为信息推荐提供了一种不需要明示用户意愿的新方式。
Jul, 2016
本研究证明对 BERT 模型进行微调,可提高其对人们阅读文本时脑活动的预测能力,模型学习到的语言与脑活动之间的关系可以跨越多个参与者,同时不影响模型在自然语言处理任务方面的表现,这对于研究大脑中的语言理解具有显著意义。
Oct, 2019
通过利用从人类参与者的神经处理中测量得到的脑电图(EEG)从 FaceForensics++ 数据集的 Deepfake 刺激中检测深度伪造是这项研究的目标。初步结果表明,人类神经处理信号成功地整合到了 Deepfake 检测框架中,并且暗示了一种能够识别超越训练领域的 Deepfake 的广义神经表征的潜力。此外,我们的研究为理解数字真实主义如何嵌入人类认知系统提供了下一步的步骤,可能推动未来更逼真的数字化身的发展。
May, 2024