論文の概要: Physiological Noise Augmentation Improves Non-Invasive Brain-to-Speech
- arxiv url: http://arxiv.org/abs/2607.05165v1
- Date: Mon, 06 Jul 2026 14:47:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.196478
- Title: Physiological Noise Augmentation Improves Non-Invasive Brain-to-Speech
- Title（参考訳）: 生理的騒音増強による非侵襲的脳音声合成の改善
- Abstract要約: 非侵襲的脳音声復号法は神経変性疾患患者のコミュニケーションを回復することを目的としている。
既存のMEGおよびEEGベースの手法は、拡張性はあるものの、比較的低い信号対雑音比で駆動される高い単語誤り率に悩まされ続けている。
本稿では,デコーダをタスクに依存しないアーティファクトに不変であるように明示的に訓練するデータ拡張手法であるPNAを提案する。
- 参考スコア（独自算出の注目度）: 1.497166779417398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-invasive brain-to-speech decoding aims to restore communication to patients suffering from neurodegenerative disease, without the risks of neurosurgery. Existing MEG- and EEG-based methods, while scalable, continue to suffer from high word error rates driven by relatively low signal-to-noise ratios compared to invasive recordings. We propose physiological noise augmentation (PNA), a data augmentation method that explicitly trains decoders to become invariant to task-agnostic artifacts (e.g. ocular and cardiac activity). PNA draws inspiration from automatic speech recognition systems, where environmental noise (e.g. dogs barking, city traffic) is added to clean speech to improve robustness. Analogously, we decompose brain recordings into clean data and noise artifacts using independent component analysis (ICA), before scaling and remixing to generate biophysically realistic, label-preserving training examples. We show that PNA approximates anisotropic regularization, penalizing decoder sensitivity along artifact-dominated directions. On MegNIST, a 12k-trial imagined-digit MEG dataset, PNA with 10-trial averaging improves EEGNet decoding accuracy by 4.7 percentage points (absolute) over training on real data alone. Our results suggest that artifact-aware augmentation and trial averaging are complementary tools for improving robustness in non-invasive speech BCIs.
- Abstract（参考訳）: 非侵襲的な脳から音声への復号は、神経外科のリスクを伴わずに、神経変性疾患の患者とのコミュニケーションを回復することを目的としている。
既存のMEG法とEEG法は、拡張性はあるものの、比較的低信号-雑音比で駆動される高い単語誤り率に悩まされ続けている。
本稿では,デコーダをタスク非依存アーティファクト(例えば,眼球運動や心臓活動)に不変であるように明示的に訓練するデータ拡張手法であるPNAを提案する。
PNAは、環境騒音(例えば犬のbarking、都市交通)をクリーンな音声に追加し、堅牢性を向上させる自動音声認識システムからインスピレーションを得ている。
独立成分分析(ICA)を用いて脳記録をクリーンなデータとノイズアーティファクトに分解し,スケーリングとリミックスを行い,生物物理学的にリアルなラベル保存トレーニング例を生成する。
PNAは異方性正則化を近似し, アーティファクトが支配する方向に沿ってデコーダの感度を低下させる。
MegNIST では、12k-trialimagd-digit MEG データセットにおいて、10-trial averaging の PNA により、実際のデータのみのトレーニングよりもEEGNet の復号精度が 4.7 ポイント向上している。
以上の結果から,非侵襲的音声BCIにおいて,アーチファクト・アウェアメントと試行平均化が堅牢性向上のための補完的ツールであることが示唆された。
関連論文リスト
- A Silent Speech Decoding System from EEG and EMG with Heterogenous Electrode Configurations [0.20075899678041528]
脳波/EMGを異種電極配置で処理できるニューラルネットワークを導入する。
大規模脳波/EMGデータセットを用いたマルチタスク学習によるサイレント音声復号における高い性能を示す。
論文 参考訳（メタデータ） (2025-06-16T07:57:35Z) - Decoding Phone Pairs from MEG Signals Across Speech Modalities [0.4054486015338004]
脳磁図信号を用いて、音声生成や知覚タスク中の脳活動から携帯電話を復号する方法について検討した。
その結果,受動聴取や再生モダリティと比較して,音声生成時の復号精度が有意に高かった。
論文 参考訳（メタデータ） (2025-05-21T10:31:34Z) - DeepSpeech models show Human-like Performance and Processing of Cochlear Implant Inputs [12.234206036041218]
我々は、ディープニューラルネットワーク(DNN)のDeepSpeech2をパラダイムとして、自然入力と人工内耳ベースの入力が時間の経過とともにどのように処理されるかを調べる。
音声文から自然言語および人工内耳のような入力を生成し、モデル性能と人的性能の類似性を検証した。
各レイヤにおける時間的ダイナミクスは、コンテキストや入力タイプの影響を受けます。
論文 参考訳（メタデータ） (2024-07-30T04:32:27Z) - Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。
ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
論文 参考訳（メタデータ） (2023-07-24T14:19:36Z) - Investigation of Data Augmentation Techniques for Disordered Speech
Recognition [69.50670302435174]
本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。
正常な音声と無秩序な音声の両方が増強過程に利用された。
UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
論文 参考訳（メタデータ） (2022-01-14T17:09:22Z) - Improving Noise Robustness of Contrastive Speech Representation Learning
with Speech Reconstruction [109.44933866397123]
実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。
雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。
ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
論文 参考訳（メタデータ） (2021-10-28T20:39:02Z) - Deep Metric Learning with Locality Sensitive Angular Loss for
Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。
本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。
このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文 参考訳（メタデータ） (2021-10-13T21:51:56Z) - Removing Noise from Extracellular Neural Recordings Using Fully
Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。
シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-09-18T14:51:24Z) - Deep Real-Time Decoding of bimanual grip force from EEG & fNIRS [3.0176686218359694]
非侵襲的移動脳画像から得られた皮質信号を用いて連続的な手力復号を実現する方法を示す。
以上の結果から,非侵襲的移動脳イメージングにより得られた皮質信号を用いた連続的な手力復号は,リハビリテーション,修復,消費者応用に直ちに影響を与えることが示唆された。
論文 参考訳（メタデータ） (2021-03-09T10:28:05Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - DeepBeat: A multi-task deep learning approach to assess signal quality
and arrhythmia detection in wearable devices [0.0]
我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。
我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。
2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
論文 参考訳（メタデータ） (2020-01-01T07:41:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。