EffortNet:一种深度学习框架,用于利用基于脑电图(EEG)的α振荡客观评估语音增强技术
《IEEE Transactions on Neural Systems and Rehabilitation Engineering》:EffortNet: A Deep Learning Framework for Objective Assessment of Speech Enhancement Technologies Using EEG-Based Alpha Oscillations
【字体:
大
中
小
】
时间:2026年05月20日
来源:IEEE Transactions on Neural Systems and Rehabilitation Engineering 5.2
编辑推荐:
摘要:本文提出了EffortNet,这是一种新颖的深度学习框架,用于从脑电图(EEG)数据中解码个体在言语理解过程中的听觉努力程度。在言语-听觉研究中,量化听觉努力仍然是一个重大挑战。我们收集了122名参与者在四种条件下的64通道EEG数据:安静环境、嘈杂环境、MMSE增强环境
摘要:
本文提出了EffortNet,这是一种新颖的深度学习框架,用于从脑电图(EEG)数据中解码个体在言语理解过程中的听觉努力程度。在言语-听觉研究中,量化听觉努力仍然是一个重大挑战。我们收集了122名参与者在四种条件下的64通道EEG数据:安静环境、嘈杂环境、MMSE增强环境和Transformer增强环境下的言语数据。统计分析表明,在嘈杂环境下处理言语时,α波功率(8–13 Hz)显著高于安静或增强环境,这证实了其作为听觉努力客观生物标志物的有效性。为了解决EEG信号中的显著个体差异,EffortNet整合了三种互补的学习范式:自监督学习以利用未标记数据、增量学习以逐步适应个体特征,以及迁移学习以高效地将知识传递给新受试者。实验结果表明,EffortNet仅使用新受试者40%的训练数据即可达到80.9%的分类准确率,显著优于传统的CNN(62.3%)和STAnet(61.1%)模型。我们模型得出的基于概率的指标显示,Transformer增强环境下的言语引发的神经反应与安静环境下的言语更为相似。这种神经模式与客观指标一致,但与主观可懂度评分存在差异。这种差异突显了客观神经标志物在评估听力技术(如耳机、可穿戴听音设备和辅助听力设备)方面的价值。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号