德克萨斯大学奥斯汀的研究员大脑信号转换为使用小波和深度学习单词和短语
MATLAB是一种行业标准工具,你可以信任。比其他语言更容易学习,而且其工具箱帮助您开始在新的领域,因为你不必从头开始。”
小君王博士,但奥斯汀
分类相对应的大脑信号想象“再见”这个词使用特征提取和神经网络。
先进的肌萎缩性脊髓侧索硬化(ALS)患者,随着疾病的进展沟通变得越来越困难。在许多情况下,肌萎缩性侧索硬化症(也称为卢伽雷氏症)导致闭锁综合症患者的全身瘫痪,但仍认知完好无损。眼球追踪设备,最近,脑电图(EEG)的脑-机接口(bci),使ALS患者沟通通过拼写短语信信,但它可以花费几分钟甚至一个简单的信息交流。
脑磁图描记术(MEG)是一种非侵入性技术,检测电信号产生的磁场活动在大脑中自然发生的。德克萨斯大学奥斯汀分校的研究人员开发了一种非侵入性技术,利用小波和深层神经网络解码梅格信号和检测整个短语病人想象他们说话。MATLAB®使研究人员结合小波信号处理方法和各种机器学习和深度学习技巧。
“我们需要能够尝试的方法,可视化结果,然后往回走或尝试新事物如果不工作,“说Debadatta破折号,博士生在标准以内的言语障碍和技术实验室。”另一个编程语言,这些迭代可以耗费时间,但与MATLAB我们可以使用广泛的信号处理库工具箱迅速评估新的想法和立即看到他们是如何工作的。”
挑战
这个项目的目的是把大脑信号对应于想象或口语短语。标准以内的团队,包括保罗·法拉利博士,神经科学家和研究梅格实验室主任戴尔儿童医疗中心,梅格想用神经影像形态捕捉大脑信号因为梅格空间分辨率大于脑电图和时间分辨率大于功能性磁共振成像(fMRI)。提高整体梅格信号质量,他们需要去除噪声,同时保留整个信号特征。除了预处理和去噪数以百计的信号来自1000多个测试,团队需要分析和可视化的信号。
因为研究人员使用一种新的数据,他们需要一个工具,使他们能够迅速评估不同的方法,包括深度学习。
解决方案
德克萨斯大学奥斯汀的研究员用MATLAB整个短语来自梅格信号作为第一步开发脑机接口,使肌萎缩性侧索硬化症患者沟通。
与他们去噪和小波工具箱™,梅格信号分解到特定的神经振荡乐队(高伽马、伽马、α,β,θ,和δ脑电波)通过使用小波多分辨率分析技术。
研究人员然后从去噪和分解信号提取特征。他们用统计和机器学习工具箱™来计算各种统计特性,包括的意思是,中位数,标准差,四分位数和均方根。他们利用提取的特征来训练支持向量机(SVM)分类器和一个浅人工神经网络(ANN)分类器,获得的基线精度分类神经信号对应五个短语。
获取并代表富人梅格信号在时频域特性,他们用小波量图梅格信号卷积神经网络作为输入。(一个小波量图捕捉信号谱组件如何演变作为时间的函数)。团队定制三pretrained深卷积神经networks-AlexNet ResNet,梅格Inception-ResNet-for语音解码信号。所有为多个学科整体精度高。加快培训,团队进行培训seven-GPU并行计算服务器上使用并行计算工具箱™。
UT奥斯汀的研究人员发表了他们的发现,现在他们的研究工作在接下来的步骤:扩展分类的数量短语从5到数百,解码语音音位层面,并将梅格信号直接转换为合成讲话。
结果
- 分类精度达到96%。“支持向量机和ANN方法我们尝试产生一个分类精度约为80%,但当我们结合了小波和深度学习,我们发现增加超过96%,“小君王博士说,沟通科学与障碍和神经学副教授和言语障碍和技术实验室主任在标准以内。
- 小波技术和深度学习网络迅速的总和。MATLAB,我们花了几分钟来实现量图的深度学习网络,”说。“当然,培训和解释结果需要额外的时间,但是我完成AlexNet的实现,例如,在minutes-significantly更少的时间比我需要与另一个编程语言。”
- 培训时间加速十倍。“从训练在一个跨多个gpu职工培训,我们只有改变一行MATLAB代码,”说。“七gpu并行计算工具箱和一个服务器,小改变让我们训练网络约10倍。”
您可以在欧什一张网站来自der folgenden Liste auswahlen: