May, 2023

ElectrodeNet -- 一种基于深度学习的人工耳蜗声音编码策略

PDF
TL;DR提出了一种基于深度学习的听神经植入体 (CI) 声音编码策略 ElectrodeNet，通过使用各种人工神经网络替代传统的包络检测来模拟先进的组合编码器（ACE）策略。在电子模拟中，使用 CI 模拟评估了 ElectrodeNet 的客观语音理解能力和主观分数。与 ACE 相比，基于深度神经网络（DNN）、卷积神经网络（CNN）和长短时记忆（LSTM）的 ElectrodeNets 在客观和主观分数上表现出强相关性。ElectrodeNet-CS 策略通过使用修改后的 DNN 网络嵌入最大选择来产生 N-of-M 兼容的电极模式，并且在 STOI 和语句识别方面表现出与 ACE 相似或略高的平均水平，证明了在 CI 编码策略中使用深度学习的可行性和潜力。
electrodenetdeep learningcochlear implantneural networksspeech recognition
发现论文，激发创造
  • 基于相空间的几何神经网络用于 BCI 解码

    我们的研究旨在开发一个深度学习算法，它能在较少数量的电极上提供有效的结果，并通过使用 SPDNet 的增强协方差方法来分析其性能和计算影响以及结果的解释性。通过使用 Mother Of All BCI Benchmark（MOABB）框架在 5 折交叉验证上对方法进行评估，使用仅位于运动皮层上方的三个电极进行实验验证。结果表明，我们的 SPDNet 在 MI 解码方面明显优于所有当前最先进的深度学习架构。

    Mar, 2024

  • 基于浅层深层注意力网络将听觉语音和脑电信号相关联

    本篇论文提出了一种新的 Shallow-Deep Attention-based Network (SDANet) 来对不同刺激下的 EEG 信号进行正确分类，它采用了 Attention-based Correlation Module (ACM) 来全局地发现听觉语音和 EEG 信号之间的关系，并且使用了 Shallow-Deep Similarity Classification Module (SDSCM) 基于浅层和深层学习得到的嵌入来决定分类结果。同时，还使用了多种训练策略和数据增强来提高模型鲁棒性，并在 Auditory EEG challenge 提供的数据集上进行了实验验证，结果表明该模型在匹配 - 不匹配轨迹方面比基线模型有显著的提升。

    Mar, 2023

  • 使用深度神经网络最大化短时客观可懂度度量的单声道语音增强

    本文中我们提出了一种基于深度神经网络的语音增强系统，它的设计目的是最大化一个短时客观可懂度的近似度量，通过模拟实验，我们表明该系统在匹配和不匹配的多种信噪比下都取得了较大的提高，并且在使用近似 - STOI 代价函数进行训练的情况下，该系统与使用平均平方误差代价的系统表现相当。

    Feb, 2018

  • 基于 EEG 的脑 - 计算机接口的紧凑卷积网络 EEGNet

    本文主要介绍一种基于深度卷积神经网络的脑 - 计算机接口通信模型 EEGNet，该模型考虑到不同 BCI 范式中 EEG 信号的特点，成功解决了不同信号间的分类问题。

    Nov, 2016

  • 基于 EEG 的低占用和低延迟听觉注意力检测的 Corticomorphic 混合 CNN-SNN 结构

    本文提出了一种受听觉皮层启发的混合卷积神经网络 - 脉冲神经网络（CNN-SNN）器件，使用 EEG 数据及多说者语音包络成功计算出空间定位，并取得了 91.03% 的高精度，同时相较于传统方法，参数使用降低了 15%，存储空间降低了 57%，并具有较大的应用潜力，特别推荐应用于智能助听器等装置上。

    Jul, 2023

  • EEGNet 家族神经网络的深度比较

    本篇文章对五种神经网络进行了比较，旨在用各类公开数据库获取统计学显著结果，以排出最佳的神经网络，供未来脑机接口设计借鉴。

    Feb, 2023

  • 基于层次深度特征学习的 EEG 想象语音解码

    本文提出了一种混合深度神经网络策略，将卷积神经网络和递归神经网络并行组合，级联自编码器和全连接层，以自动识别 EEG 中的想象语音，并演示了相对于基线方法约 23.45％的准确度改进，展示了混合 DNN 方法在复杂时空分类问题上的潜力。

    Apr, 2019

  • 一种强大且简单的 BCI MI 解码的深度学习基线

    我们提出了一个简单的 1D 卷积神经网络 EEG-SimpleConv，用于脑机接口（BCI）中的运动想象解码。我们的主要动机是提出一个非常简单的基线进行比较，仅使用文献中的标准元素。我们在四个 EEG 脑机接口运动想象数据集上评估其性能，包括模拟的在线设置，并将其与最近的深度学习和机器学习方法进行比较。EEG-SimpleConv 至少与其他方法一样好，或者更高效，在不增加推理时间的情况下展示了强大的知识迁移能力。我们主张使用现成的元素而不是提供临时解决方案，可以显著帮助深度学习方法在 BCI 中的应用。我们提供了模型和实验代码的访问权限。

    Sep, 2023

  • EdgeSpeechNets: 边缘高效的深度神经网络语音识别

    本文探讨一种人机协同设计策略，通过人驱动的设计原则网络设计原型和机器驱动的设计探索来构建语音识别的低存储深度神经网络体系结构，实验证明此设计策略可以构建出一系列高效率的 DNNs，用于有限词汇的语音识别，更高的精度与更小的网络体积以及更低的计算成本使它们非常适合设备上的语音接口应用。

    Oct, 2018

  • 使用 U-Net 脉冲神经网络的单信道语音增强

    本文提出了一种基于脉冲神经网络（SNN）和 U-Net 架构的能量高效语音增强模型，该模型在处理带有时间维度的数据（例如语音）和应用于资源有限设备上具有良好的性能，实验结果表明所提出的 SNN 模型在能量高效性上优于 Intel Neuromorphic Deep Noise Suppression Challenge（Intel N-DNS Challenge）基准解决方案，并实现了与等效 ANN 模型相当的性能。

    Jul, 2023