采用长短期记忆（LSTM）神经网络和独立成分分析（ICA）相结合的新方法，解决了污染的脑电图（EEG）信号中眼电图（EOG）伪迹的去除问题。

Aug, 2023

通过在频域操作，并针对噪声进行卷积滤波来实现脑电信号的去噪，可以有效地去除神经活动中的噪声源和生理性伪迹。

Oct, 2023

本研究提出了一种新颖的双向长短期记忆（BiLSTM）深度学习模型，结合基于小波同步挤压变换（WSST）的高度局部化时频系数特征提取，能够有效去除眼球伪迹，相比传统的时间 - 频率分析和原始信号方法，该方法可以显著提高伪迹去除性能。

Sep, 2022

提出了一种名为 VGG-optiVMD 的方法，通过对情感识别中的语音信号进行分解和特征提取，结合信号采样率和分解参数的精细调整，实现了在 Berlin EMO-DB 数据库上预测七种情绪的最新技术，达到了 96.09% 的准确率。

Dec, 2023

通过对大量受试者进行对比学习，使用自我监督方法设计的神经网络可以从无创脑电图数据中有效识别自由自然语言，为实现从脑电图中实时解码自然语音处理提供了有前途的途径。

Aug, 2022

研究目的是调查言语知觉的复杂机制，并最终解码在听取言语时发生的大脑电生理学变化。我们尝试使用深度学习方法从颅内脑电数据中解码听到的言语，目标是促进言语合成的脑 - 机接口技术的发展，并为言语知觉的认知过程提供额外的视角。这一方法不同于传统的言语产生焦点，而选择调查感知言语的神经表达。通过利用深度学习模型的能力，研究旨在建立这些复杂神经活动与相应言语声音之间的联系。尽管该方法尚未取得突破，但研究揭示了解码言语知觉期间神经活动的潜力。我们目前的努力可以作为基础，并且我们对拓展和改进这项工作以更接近先进的脑 - 机接口、更好地理解言语知觉过程及其与口语之间的关系的潜力持乐观态度。

Feb, 2024

本研究评估了利用多分辨率频谱时间特征作为声学特征对语音信号进行表达，从而从听觉皮层表征语音信号的好处，以推测相应信号的发音学特征。研究使用了威斯康辛大学 X 光微束（XRMB）数据库的语音信号来训练前馈深度神经网络（DNN）以估计 6 个道路变量的发音轨迹。实验结果表明，该方法与利用 Mel 频率倒谱系数的先前实验相比，能达到更高的相关性（0.675）。

Mar, 2022

使用预训练语言模型对无创脑机接口（BCI）通过脑电图（EEG）信号进行解码的潜力进行了研究，提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架，并使用新的评估指标验证了该框架在解码效果方面的优越性。

Nov, 2023

在该论文中，我们首次探索了基于跨注意力的 “whisper” 模型，通过 MEG 信号直接生成文本，而无需教师强制，实现了令人印象深刻的 60.30 和 52.89 的 BLEU-1 得分，该论文还对有关神经解码任务的语音解码形成进行了全面的回顾。

Mar, 2024

近期关于颅内脑机接口的研究表明，通过将问题视为监督学习的一个实例并使用深度神经网络将神经活动映射到文本，口述语言可以被高精度地解码。然而，这些网络以需要大量标记数据作为代价，这对于从人类患者获取到的侵入性神经记录来说特别繁重。通过改造波形向量编码器 (wav2vec) 并利用其他患者的数据，我们证明了可以利用外部数据来改善解码，降低数据收集的负担。最佳情况下，wav2vec 的表示相较原始数据可以将单词错误率提高超过 50%。

May, 2024