北京
由德克薩斯大學健康休斯頓分校研究人員領導的一項新研究，使科學家們距離研制一種更高效的設備又近了一步，這種設備可以直接從大腦中理解和翻譯人類的語音。
該研究成果發表在《自然通訊》雜志上。
在該團隊開展研究之前，他們調查了腦機接口的技術存在的局限性，比如它需要患者花費數小時或數周的時間進行訓練，并且需要來自特定完整大腦區域的記錄才能準確工作。對于那些因中風、腦損傷或其他疾病而失去說話能力（即失語癥）的患者來說，這并不友好。
腦機接口的工作原理是讀取患者在嘗試說話時產生的腦信號，并將其轉化為文字，無論是以屏幕上的文本形式還是通過語音合成器進行顯示。
實驗概述。A. 繞口令范例和語音記錄，包含言語不流暢癥和不包含言語不流暢癥的試驗。
為了提高這項技術的效率，首席研究員、德克薩斯大學健康休斯頓分校麥戈文醫學院神經外科教授兼德克薩斯大學健康休斯頓分校德克薩斯修復神經技術研究所所長、醫學博士尼廷·坦登 (Nitin Tandon) 及其團隊采用了跨受試者遷移學習技術。該技術允許基于一個人的大腦數據訓練的模型適應另一個人的數據，而不是為每個患者從頭開始。
研究人員使用深部電極（一種通過手術植入的薄型腦電波監測裝置）記錄了 25 名癲癇患者的腦活動，同時患者還說出頗具挑戰性的繞口令。隨后，腦機接口能夠將腦活動轉化為音素，即聲音的最小單位，例如“p”或“sh”。
用于音素神經解碼的 Seq2Seq 模型
“由于這是一項復雜的繞口令任務，你的語音系統會高度警惕，以盡量減少錯誤，”坦登說道。他是德克薩斯州綜合癲癇項目主任，同時也是維維安·L·史密斯神經病學研究中心的南希、克萊夫和皮爾斯·魯內爾斯杰出神經科學講席教授，以及麥戈文醫學院的BCMS神經疾病和神經外科杰出教授。“這意味著語音系統能夠最大限度地參與，我們可以利用大量的神經活動來解碼他們正在說或試圖說的內容。”
研究人員利用這些會話中的數據構建了一種共享的腦信號“語言”，這使得腦機接口能夠通過來自每個新受試者的少量數據進行微調。
與遷移學習方法相結合的多學科模型
研究表明，即使一個人的大腦覆蓋范圍有限或只有很短的錄音會話，共享模型解碼語音的準確性仍然比單獨訓練該人模型更高。
雖然腦機接口技術在過去幾年中發展迅速，但研究表明，通過利用來自許多人的數據，未來的腦機接口即使對于數據量極少或大腦語言區域受損的新患者也能可靠地工作。
“這使我們能夠創建一個數據庫，當腦損傷患者試圖復制正常語言時，你可以從中讀取數據，”Tandon 說。“這是幫助失語癥患者邁出的真正基礎性的一步。”
僅用于學術分享，若侵權請留言，即時刪侵！
歡迎加入腦機接口AI星球
獲取更多腦機接口+AI等領域的知識和資源。
歡迎來稿
1.歡迎來稿。投稿咨詢，請聯系微信：RoseBCI
點擊投稿：
2.加入社區成為兼職創作者，請聯系微信：RoseBCI
一鍵三連「分享」、「點贊」和「在看」
不錯過每一條腦機前沿進展
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
