Pengecaman Pertuturan Vokal Daripada Elektroensefalografi Tikus Menggunakan Rangkaian Neural Memori Jangka Pendek Panjang Bahagian 3

Pengelas pembelajaran mesin

Prestasi BiLSTM dibandingkan dengan pengelas pembelajaran mesin konvensional:SVM dengan kernel linear (SVM_lin), SVM dengan kernel fungsi asas jejari (SVM_rbf), rawak hutan (RF), NB dan KNN.

Hutan rawak ialah algoritma pembelajaran mesin yang kini digunakan secara meluas dalam pelbagai analisis data dan medan ramalan. Berbanding dengan algoritma pembelajaran mesin lain, ia mempunyai keteguhan dan ketepatan yang lebih baik, di samping mengurangkan pemasangan berlebihan dengan berkesan. Dalam beberapa tahun kebelakangan ini, skop aplikasi hutan rawak telah berkembang, malah ia boleh digunakan untuk meramalkan kebolehan ingatan manusia tertentu.

Dalam bidang psikologi kognitif, ingatan adalah hala tuju penyelidikan yang sangat penting. Para saintis telah mencari cara yang mudah dan berkesan untuk menilai tahap ingatan manusia. Dalam beberapa tahun kebelakangan ini, kemunculan hutan rawak telah membawa idea dan kaedah baharu kepada bidang ini.

Random Forest boleh melatih model untuk meramalkan pembolehubah, yang boleh menjadi apa sahaja yang anda mahu ramalkan, termasuk keupayaan ingatan. Para saintis boleh memasukkan faktor yang berkaitan ke dalam model hutan rawak untuk meramalkan sejauh mana seseorang itu akan mendapat markah pada ujian ingatan. Faktor ini boleh menjadi faktor seperti umur, tahap pendidikan, jantina, berat badan, dsb., atau penunjuk biologi seperti struktur otak. Menurut penyelidikan, terdapat hubungan tertentu antara faktor-faktor ini dan keupayaan ingatan manusia.

Dengan mengumpul dan menganalisis sejumlah besar data ujian daripada subjek, saintis boleh membina model yang meramalkan keupayaan ingatan dalam model hutan rawak. Meramalkan keputusan boleh memberikan maklumat berharga tentang prestasi masa depan subjek pada ujian ingatan tertentu.

Ringkasnya, algoritma hutan rawak menyediakan para saintis cara baharu untuk menilai tahap ingatan manusia. Pada masa hadapan, aplikasinya mungkin memainkan peranan penting dalam psikologi kognitif, neurosains, dan bidang lain. Kami mempunyai sebab untuk mempercayai bahawa gabungan hutan rawak dan teknik lain boleh memberikan perspektif yang lebih luas dan pemahaman yang lebih mendalam tentang penyelidikan fungsi otak manusia. Ia boleh dilihat bahawa kita perlu meningkatkan ingatan, dan Cistanche deserticola boleh meningkatkan memori dengan ketara, kerana Cistanche deserticola juga boleh mengawal keseimbangan neurotransmitter, seperti meningkatkan tahap asetilkolin dan faktor pertumbuhan. Bahan-bahan ini sangat penting untuk ingatan dan pembelajaran. Selain itu, Daging juga boleh meningkatkan aliran darah dan menggalakkan penghantaran oksigen, yang dapat memastikan otak menerima nutrien dan tenaga yang mencukupi, seterusnya meningkatkan daya hidup dan daya tahan otak.

Klik tahu cara untuk meningkatkan fungsi otak

SVM [74] bertujuan untuk menentukan hyperplane yang dipisahkan secara optimum dengan memaksimumkan margin, iaitu jarak antara vektor sokongan. Dengan menggunakan helah kernel, SVM mampu memetakan ruang ciri dari dimensi rendah ke tinggi; oleh itu, ia boleh melaksanakan pengelasan linear dan klasifikasi bukan linear dengan cekap.

RF [75] beroperasi dengan membina berbilang pepohon keputusan semasa fasa latihan dan menjana kelas akhir yang menggabungkan keputusan setiap pepohon keputusan. NB [76, 77] ialah pengelas kebarangkalian berdasarkan teorem Bayes dan kebarangkalian bersyarat yang biasanya mengandaikan bahawa semua ciri adalah bebas antara satu sama lain.

KNN [78] ialah pendekatan bukan parametrik yang mengklasifikasikan input berdasarkan kelas majoriti jiran k-terdekatnya dalam ruang ciri. Biasanya, nilai k dipilih sebagai nombor ganjil untuk mengelakkan kelas terikat.

Untuk melatih dan menilai model pembelajaran mesin di atas, 10-CV yang sama telah digunakan seperti dalam BiLSTM. Semua model pembelajaran mesin telah dilaksanakan menggunakan perpustakaan Scikit-Learn [73] dalam Python.

Analisis statistik

Semua analisis statistik dilakukan menggunakan perisian SPSS (SPSS versi 20.0, SPSS Inc., Armonk, NY, USA) dan perisian MATLAB versi 2017b (Mathworks, Inc., MA, USA).

Data dianalisis dengan statistik parametrik kerana semua data dalam kajian menunjukkan taburan normal dalam ujian Shapiro–Wilk (p > 0.05). ANOVA digunakan untuk menganalisis kepentingan statistik TFR mengikut rangsangan vokal yang berbeza.
Di samping itu, langkah berulang ANOVA telah dijalankan untuk membandingkan prestasi setiap pengelas. Selepas itu, perbandingan berpasangan menggunakan ujian-t berpasangan telah dilakukan antara rangkaian BiLSTM dan pengelas pembelajaran mesin klasik yang lain, dan pembetulan Bonferroni telah dilakukan untuk melaraskan inflasi kadar ralat jenis I.

Kepentingan statistik bagi nilai-p ditetapkan pada 0.01 apabila membandingkan TFR bagi respons EEG, manakala tahap keertian nilai-p ditetapkan pada 0.05 apabila membandingkan prestasi antara rangkaian BiLSTM dan pengelas pembelajaran mesin lain.

Keputusan

Auditori membangkitkan potensi sebagai tindak balas kepada bunyi vokal

Sebanyak 19 tikus Sprague-Dawley menjalani pembedahan implantasi elektrod epidural, dan semua tikus terselamat daripada prosedur pembedahan. Akibatnya, tindak balas EEG kepada lima bunyi vokal Inggeris dirakam daripada 19 tikus bius isoflurane. Untuk mengekstrak bentuk gelombang AEP purata, semua tindak balas saraf dipuratakan ke atas subjek untuk setiap rangsangan. Rajah 4 membentangkan bentuk gelombang AEP purata untuk setiap bunyi vokal daripada AAF dua hala.

Seperti yang dijangkakan, setiap bunyi vokal kategori membangkitkan aktiviti saraf yang berbeza dalam AAF dua hala dengan amplitud dan latensi puncak yang berbeza-beza. Amplitud puncak AEP, yang ditakrifkan sebagai voltan tertinggi yang direkodkan selepas rangsangan vokal, adalah terkecil untuk /i/ (61.74 ㎶ di AAF kiri dan 61.27 ㎶ dalam AAF kanan), manakala AEP sebagai tindak balas kepada /a/ menunjukkan amplitud puncak terbesar. (92.12 ㎶ dalam AAF kiri dan 90.18 ㎶ dalam AAF kanan).

Kependaman puncak, yang ditakrifkan sebagai tempoh dari permulaan rangsangan kepada amplitud puncak ialah lebih kurang {{0}}.39 s hingga 0.5 s, terpendek dalam /i/(0. 39 s dalam AAF kiri dan kanan), dan paling lama dalam bunyi /o/ (0.51 s dalam AAF kiri dan kanan). Seperti yang ditunjukkan dalam Rajah 4, bentuk gelombang AEP yang serupa diperhatikan dari AAF kiri dan kanan.

Analisis kekerapan masa bagi isyarat EEG

Analisis kekerapan masa ialah kaedah yang berkuasa untuk menganalisis isyarat EEG tidak pegun pada satah frekuensi masa dan digunakan untuk menyediakan maklumat kualitatif untuk klasifikasi EEG [79, 80]. Oleh itu, TFR EEG purata besar dikira untuk setiap bunyi untuk mengenal pasti perubahan berkaitan pengecaman vokal dalam magnitud dan fasa ayunan EEG pada frekuensi tertentu (Rajah 5A).

Daripada analisis TFR, pengaktifan kuasa tinggi diperhatikan di sekitar jalur delta (1–4 Hz), theta (4–8 Hz) dan alfa (8–12 Hz) pada 0.3–{{8} }.6 s dari permulaan rangsangan, tanpa mengira rangsangan bunyi pertuturan.

Di samping itu, ujian ANOVA dengan pembetulan Bonferroni telah dijalankan untuk menganalisis komponen TFR yang signifikan secara statistik mengikut setiap rangsangan vokal.

Selepas itu, kuasa kawasan ketara secara statistik (p < {{0}}.01) diwakili oleh nilai-F (Rajah 5B). Dalam analisis, kebanyakan jalur frekuensi EEG dari 0.2-0.8 s adalah berbeza dengan ketara mengikut rangsangan vokal.

Selain itu, sebahagian daripada TFR daripada {{0}}.8–1 s juga berbeza secara statistik untuk setiap rangsangan. Memandangkan bentuk gelombang AEP dan keputusan ujian ANOVA, telah disimpulkan bahawa AEP daripada 0.2–0.8 s selepas rangsangan vokal adalah tindak balas saraf yang paling bermaklumat dan berkaitan dengan pengecaman bunyi vokal.

Latihan model dan penilaian rangkaian BiLSTM

Berdasarkan keputusan Rajah 5B, data EEG yang ditapis laluan jalur antara 1–60 Hz dengan tetingkap masa 0.2–0.8 s telah dipilih. Kemudian, skor z bagi data EEG yang dipilih telah digunakan sebagai input kepada rangkaian BiLSTM.

Semua data EEG dibahagikan kepada 10 lipatan dalam setiap subjek untuk menilai rangkaian BiLSTM. Oleh itu, prestasi ujian diperolehi setiap lipatan menggunakan model terlatih dengan lipatan yang tinggal dalam 10-skim CV.

Prestasi rangkaian tersebut telah dinilai menggunakan metrik ketepatan, skor f{{0}}, dan statistik kappa Cohen κ (Rajah 6dan Jadual 1). Purata ketepatan diskriminasi EEG lima kelas bagi rangkaian BiLSTM ialah75.18 ± 7.06% dan skor f1- ialah 0.74 ± 0.08 . Cohen's κ ialah 0.68 ± 0.09, yang ditafsirkan sebagai perjanjian sederhana [81].

Untuk menganalisis prestasi rangkaian BiLSTM dengan lebih terperinci, matriks kekeliruan dalam Rajah 7 telah diplot. Ini menunjukkan bahawa banyak ralat adalah disebabkan oleh salah klasifikasi tindak balas EEG kepada /u/ sebagai /a/ dan /e/ sebagai /o/. Walau bagaimanapun, rangkaian BiLSTM mengklasifikasikan kebanyakan tindak balas EEG dengan lebih daripada 50% ketepatan, ketepatan yang tinggi dalam klasifikasi EEG lima kelas.

Perbandingan rangkaian BiLSTM dengan kaedah pembelajaran mesin yang lain

Untuk mengesahkan keberkesanan rangkaian BiLSTM dalam mengklasifikasikan EEG untuk pengecaman bunyi vokal, hasilnya dibandingkan dengan kaedah pembelajaran mesin konvensional yang lain. Rajah 6 dan Jadual 1 menunjukkan prestasi pengelas pembelajaran mesin.

RF menunjukkan ketepatan pengelasan tertinggi antara algoritma pembelajaran mesin konvensional (ketepatan: 63.21 ± 7.41%, f1-skor: 0.62 ± 0.09, dan Cohen's : 0.52 ± 0.1). Dalam analisis statistik, prestasi pengelasan RF tidak jauh lebih tinggi daripada SVM_lin dan SVM_rbf, sementara prestasi tersebut menunjukkan prestasi yang lebih tinggi jika dibandingkan dengan NB dan KNN.

Walau bagaimanapun, apabila prestasi algoritma pembelajaran mesin konvensional, termasuk RF, dibandingkan dengan BiLSTM, adalah jelas bahawa rangkaian BiLSTM adalah lebih unggul untuk semua metrik yang digunakan dalam kajian (p < 0.01).

Dalam matriks kekeliruan, algoritma pembelajaran mesin konvensional tidak dapat mendiskriminasi tindak balas EEG tertentu dengan baik. Khususnya, semua algoritma pembelajaran mesin konvensional mengalami kesukaran untuk membezakan bunyi /u/. Telah diperhatikan bahawa algoritma menunjukkan kecenderungan untuk salah mengklasifikasikan bunyi /u/ sebagai /a/ secara purata 30% masa (25.96% dalam NB kepada 36.97% dalam KNN), mengakibatkan penurunan dalam prestasi pengelasan keseluruhan (Rajah 7) .

Perbincangan

Dalam kajian ini, tindak balas EEG epidural tikus kepada lima bunyi vokal kategori (/a/, /e/, /i/, /o/, dan/u/) telah didiskriminasi menggunakan rangkaian BiLSTM. Klasifikasi lima kelas isyarat EEG epidural dilakukan pada asas percubaan tunggal, yang diketahui mencabar. Untuk memaksimumkan prestasi pembelajaran, kajian ini cuba menentukan komponen EEG tertentu yang mungkin berkaitan dengan pengecaman bunyi pertuturan dalam otak tikus dan menggunakan komponen EEG ini sebagai ciri input. Hasilnya, prestasi yang agak tinggi dalam mengklasifikasikan AEP kepada lima bunyi vokal yang berbeza telah dicapai menggunakan BiLSTM. Perbandingan prestasi pengelasan rangkaian BiLSTM dengan algoritma pembelajaran mesin lain menunjukkan bahawa rangkaian BiLSTM mengatasi pengelas klasik yang lain. Keputusan ini menunjukkan bahawa rangkaian BiLSTM yang dilatih dengan komponen EEG berkaitan pengecaman pertuturan boleh mengklasifikasikan AEP kepada setiap bunyi vokal kategori dengan tahap ketepatan yang tinggi. Untuk pengetahuan kami, rangkaian LSTM belum digunakan untuk klasifikasi tindak balas EEG kepada rangsangan pendengaran, dan ini adalah kajian pertama menggunakan algoritma pembelajaran mendalam untuk menganalisis isyarat EEG daripada AAF tikus.

Pada masa ini, hanya beberapa kajian telah menggunakan seni bina LSTM untuk mencapai keputusan terkini dalam pengelasan berasaskan EEG. Seni bina LSTM sesuai untuk pengelasan berasaskan EEG kerana struktur seperti rantainya boleh menangkap jujukan temporal data EEG [82]. Pada permulaannya, penyelidikan tertumpu kepada penambahbaikan keputusan klasifikasi melalui pelbagai LSTMarchitectures; bagaimanapun, ciri input masih diekstrak secara manual, seperti dalam kaedah pembelajaran mesin konvensional [83, 84].

Tsiouris et al. menilai prestasi gabungan pelbagai elemen rangkaian LSTM untuk mencari seni bina LSTM yang paling cekap mengesan sawan epilepsi, sekali gus memperoleh keputusan hampir sempurna dalam ramalan sawan (100%kepekaan dan 99.86% kekhususan) [83]. Oleh kerana LSTM ialah struktur berkuasa untuk memproses data berurutan, sesetengah kajian menggunakan data EEG mentah sebagai ciri input dengan prapemprosesan yang minimum. Memandangkan rangkaian LSTM secara langsung mempelajari ciri daripada data EEG mentah, prestasi dalam kajian pengecaman emosi meningkat sekurang-kurangnya 12% [85], dan hasil kajian pengelasan imej motor juga bertambah baik [86], jika dibandingkan dengan tradisional lain. teknik pengekstrakan ciri.

Selain itu, seni bina BiLSTM telah digunakan untuk klasifikasi berasaskan EEG kerana ia boleh mengakses maklumat daripada keadaan masa lalu dan masa hadapan. Oleh itu, mengesan pelbagai keadaan otak yang dicerminkan dalam data EEG, seperti sawan, tidur, dsb. [63-67], rangkaian BiLSTM secara amnya mengatasi rangkaian LSTM yang hanya menangkap maklumat lalu daripada jujukan ke arah hadapan. Atas sebab ini, prestasi tinggi telah dilaporkan dalam klasifikasi berasaskan EEG baru-baru ini menggunakan rangkaian BiLSTM. Sharma et al. mencapai ketepatan klasifikasi 82.01% untuk empat jenis emosi berdasarkan algoritma BiLSTM dan statistik peringkat lebih tinggi [87]. Di samping itu, rangkaian BiLSTM berjaya mengklasifikasikan jenis epilepsi dan peringkat tidur [88, 89].

Sama seperti kajian terdahulu, kajian ini mencapai keputusan yang agak baik menggunakan rangkaian BiLSTM. Algoritma yang dicadangkan berjaya mendiskriminasikan respons EEG kepada lima bunyi vokal dengan nilai ketepatan yang tinggi, skor f{{0}} dan κ Cohen masing-masing sebanyak 75.18%, 74.43% dan 0.68. Nilai κ Cohen untuk klasifikasi lima kelas adalah lebih tinggi daripada yang dilihat dalam kebanyakan kajian semasa [90]. Seperti yang digambarkan dalam Rajah 6, kaedah BiLSTM menghasilkan nilai tertinggi untuk semua metrik berbanding dengan kaedah pembelajaran mesin yang lain. Di samping itu, untuk menentukan perbezaan statistik dalam prestasi klasifikasi, keputusan ANOVA yang diukur berulang telah dianalisis antara BiLSTM dan kaedah pembelajaran mesin klasik yang lain menggunakan semua nilai temetrik. Melalui analisis statistik, telah ditentukan bahawa prestasi klasifikasi rangkaian BiLSTM adalah jauh lebih tinggi daripada kaedah pembelajaran mesin klasik yang lain (p < 0.01). Keputusan ini juga konsisten dengan matriks kekeliruan. Seperti yang ditunjukkan dalam Rajah 7, rangkaian BiLSTM meramalkan label sebenar lima bunyi vokal dengan baik, manakala kaedah pembelajaran mesin klasik tidak.

Ramalan yang diperoleh melalui pengelas pembelajaran mesin konvensional adalah sangat lemah dalam mengelaskan bunyi /u/; bunyi /u/ terutamanya disalahtafsirkan sebagai /a/. Malah RF, yang menunjukkan prestasi terbaik antara lima pengelas pembelajaran mesin konvensional, mempunyai kadar pengelasan 34.48% untuk bunyi/u/, dengan 33.89% kadar salah klasifikasi bunyi /u/ sebagai bunyi /a/. Seperti yang dapat dilihat dalam Rajah 4, bunyi /a/ dan /u/ mempunyai kependaman puncak yang serupa, yang merupakan salah satu ciri utama bentuk gelombang AEP (pendaman puncak bunyi /a/: 0.448, puncak kependaman bunyi /u/: 0.444).Apabila pengelasan dilakukan berdasarkan isyarat EEG percubaan tunggal pra-diproses secara minimum, nampaknya persamaan tersebut tidak dapat dibezakan dengan algoritma pembelajaran mesin konvensional, manakala rangkaian BiLSTM dapat membezakan mereka.

Memandangkan rangkaian BiLSTM boleh mengakses semua konteks masa lalu dan masa depan secara serentak, maklumat yang kaya boleh dipelajari melalui rangkaian ini. Di samping itu, walaupun ciri-ciri yang mencerminkan ciri-ciri tindak balas EEG kepada setiap bunyi vokal telah diekstrak terus dari arah hadapan dan belakang lapisan LSTM, prestasi klasifikasi telah dipertingkatkan. Dalam kajian ini, kita boleh memperoleh hasil pengelasan yang baik menggunakan seni bina BiLSTM yang ringkas tanpa proses pengekstrakan ciri buatan tangan tambahan.

Mengklasifikasikan tindak balas ERP kepada rangsangan pertuturan dalam satu percubaan adalah sangat mencabar kerana ciri-ciri SNR EEG yang rendah. Walaupun salah satu kelebihan utama kaedah pembelajaran mendalam ialah keupayaannya untuk mempelajari ciri peringkat tinggi tanpa pengekstrakan ciri teras tegar, kami cuba memilih isyarat EEG yang paling berkaitan yang berkaitan dengan pengecaman pertuturan untuk mencapai prestasi yang lebih baik. Dalam kajian ini, bentuk gelombang AEP berbeza yang sepadan dengan setiap rangsangan bunyi pertuturan diperhatikan dengan pengaktifan kuasa tinggi jalur frekuensi rendah, termasuk jalur delta, theta dan alfa, dalam analisis TFR. Ayunan saraf dalam jalur thealpha telah diiktiraf secara meluas memainkan peranan penting dalam pemprosesan pendengaran.Mazaheri et al. melaporkan bahawa pengecilan aktiviti alfa berkait rapat dengan diskriminasi sasaran pendengaran [91].

Staruß et al. membuktikan bahawa ayunan alfa kortikal adalah mekanisme pivotal untuk secara selektif menghalang pemprosesan hingar untuk meningkatkan perhatian terpilih auditori terhadap isyarat sasaran [92]. Sebelum ini, kami juga mendapati bahawa kuasa alfa sangat diaktifkan di kawasan temporal dua hala selepas rangsangan bunyi tertentu yang berbeza secara statistik dari segi jenis bunyi [48]. Di samping itu, jalur delta dan theta diketahui dikaitkan dengan membentuk segmentasi dan pengaruh persepsi maklumat akustik [93].

Walaupun kajian ini berdasarkan data eksperimen haiwan, komponen berkaitan pertuturan yang serupa, berbanding dengan kajian terdahulu mengenai subjek manusia, diperhatikan dalam analisis TFR. Selain itu, dalam analisis statistik, semua jalur EEG didapati signifikan dalam 1 selepas rangsangan dan mewakili komponen EEG yang berkaitan dengan persepsi bunyi. Keputusan ini agak berbeza daripada kajian terdahulu, menunjukkan bahawa hanya jalur EEG tertentu, seperti jalur alfa, berkaitan dengan persepsi bunyi. Perubahan halus merentasi semua aktiviti jalur EEG dijangkakan melalui rakaman EEG epidural kerana ia menyediakan SNR yang lebih tinggi dengan mengurangkan pengaliran volum dan menghapuskan artifak yang wujud pada rakaman EEG ekstrakranial.

Dalam kajian ini, komponen EEG berkaitan pengecaman bunyi pertuturan dalam tikus telah ditentukan dan komponen AEP berjaya dikelaskan menggunakan rangkaian BiLSTM. Walau bagaimanapun, kajian ini mempunyai beberapa batasan. Pertama, bilangan subjek yang disertakan adalah terlalu kecil, terutamanya untuk pembelajaran mendalam. Selain itu, kajian ini tidak menilai setiap prestasi pengelas dengan pengesahan luaran, sebaliknya menggunakan 10-CV untuk mengatasi saiz sampel yang terhad. Selain itu, kita tidak boleh menolak kemungkinan bahawa sistem pendengaran tikus bertindak balas secara berterusan kepada bunyi kerana hanya satu sebutan bagi setiap bunyi vokal digunakan dalam kajian ini. Di samping itu, tindak balas EEG yang diperolehi dipengaruhi oleh kesan anestetik. Walaupun dos anestetik minimum telah digunakan, kekerapan yang perlahan dengan peningkatan kuasa delta adalah penemuan tipikal perubahan EEG selepas penyedutan isoflurane [94]. Oleh itu, komponen EEG pengecaman vokal yang dicadangkan dalam kajian ini mungkin berbeza daripada isyarat EEG yang diperoleh daripada tikus yang terjaga. Walau bagaimanapun, kami percaya bahawa kualiti isyarat EEG adalah cukup baik kerana kami merakam EEG melalui implantasi elektrod epidural, dan ia tidak tercemar oleh artifak gerakan.

Kesimpulan

Kesimpulannya, kajian ini mengekstrak komponen saraf yang bermakna berkaitan dengan persepsi pertuturan kategori. Tambahan pula, berdasarkan ciri-ciri rangkaian LSTM, telah terbukti bahawa rangkaian BiLSTM sesuai untuk mengklasifikasikan tindak balas EEG dengan AEP pra-diproses minima. Oleh kerana kajian ini adalah penyelidikan perintis dengan data haiwan, ia mungkin tidak boleh dipindahkan secara langsung kepada aplikasi praktikal lain seperti antara muka otak-komputer atau alat bantu komunikasi alternatif untuk manusia.

Oleh itu, kajian masa depan dengan data EEG manusia diperlukan untuk mengesahkan keberkesanan rangkaian BiLSTM dalam mengklasifikasikan pengecaman pertuturan berasaskan EEG pendengaran. Selain itu, ia perlu dinilai semula untuk penalaan parameter optimum dan pengekstrakan ciri. Kajian ini dijangka akan menyediakan pendekatan baru untuk menganalisis isyarat EEG serta maklumat berharga mengenai mekanisme persepsi pertuturan dan pengecaman dalam otak.

Rujukan

1. Wernicke C. Kompleks gejala afasia. Dalam: Cohen RS, Wartofsky MW, editor. Prosiding Kolokium Boston untuk Falsafah Sains 1966/1968. Dordrecht: Springer Belanda;1969. ms 34–97.

2. Shi Z, Yan S, Ding Y, Zhou C, Qian S, Wang Z, et al. Medan pendengaran anterior diperlukan untuk pengkategorian bunyi dalam tugas pelaziman ketakutan tikus dewasa. Neurosci hadapan. 2019; 13: 1374.

3. Liberman AM, Harris KS, Hoffman HS, Griffith BC. Diskriminasi bunyi pertuturan dalam dan merentasi sempadan fonem. J Exp Psychol. 1957; 54: 358–368.

4. Johnson K. Fonetik akustik dan pendengaran. Chichester: Wiley-Blackwell; 2012.

5. Green PA, Brandley NC, Nowicki S. Persepsi kategori dalam komunikasi haiwan dan membuat keputusan. Kelakuan Ecol. 2020; 31: 859–867.

6. Craik A, He Y, Contreras-Vidal JL. Pembelajaran mendalam untuk tugas klasifikasi electroencephalogram (EEG): Satu tinjauan. J Neural Eng. 2019; 16: 28.

7. Na¨a¨ta¨nen R, Paavilainen P, Rinne T, Alho K. Negativiti tidak sepadan (MMN) dalam penyelidikan asas pemprosesan auditori pusat: Kajian semula. Neurofisiologi Klinikal. Elsevier; 2007. ms 2544–2590.

8. Garrido MI, Kilner JM, Stephan KE, Friston KJ. Negativiti tidak sepadan: Kajian semula mekanisme asas. Neurofisiologi Klinikal. Elsevier; 2009. ms 453–463

For more information:1950477648nn@gmail.com