基于脑电图（EEG）的想象语音解码：创新数据增强技术与优化人工神经网络模型的研究突破

研究人员针对脑机接口（BCI）中想象语音解码的挑战，提出七种数据增强技术和新型人工神经网络（ANN）架构，显著提升模型鲁棒性和分类准确率，在长单词识别中达到91%的准确度，为神经康复领域提供重要技术支撑。

　　

基于脑电图（Electroencephalogram, EEG）的脑机接口（Brain Computer Interface, BCI）正成为神经科学与康复领域的一项变革性技术。想象语音（Imagined Speech）是指个体在思维中构建词语却未通过发音器官实际发声的心理过程。利用EEG信号解析想象语音，可帮助神经功能损伤患者无障碍表达思想，但面临EEG信号非平稳性、特征提取困难以及数据集稀缺等挑战。

本研究旨在通过EEG数据增强技术缓解数据匮乏问题，引入多种变异以提升模型鲁棒性，并提出一种新型神经网络架构，专门用于检测想象语音EEG信号中的变异模式。研究探讨了七种不同的数据增强方法（包括高斯噪声增强等），并从准确率、F1-score和Kappa值等指标评估模型性能。结果显示，在使用高斯噪声增强后，模型对长单词的分类准确率高达91%，显著优于未使用数据增强的基线，凸显了所提方法在提升BCI系统解码能力方面的潜力。