Михаил Альбертович Лебедев (@lebedevmikhaila) — нейроученый. Индекс Хирша — 57 (Google scholar).
https://sites.google.com/site/lebedevneuro/curriculum-vitae
https://scholar.google.com/citations?user=cvd2xxcAAAAJ&hl=en
Post #15928
333
Главная сложность для речевых нейрокомпьютерных интерфейсов (НКИ) — огромные затраты времени и данных, необходимые для калибровки системы под конкретного пользователя.
Поскольку нейроанатомия и расположение электродов у всех индивидуальны, обучение подобных моделей на данных нескольких пациентов исторически оставалось огромной проблемой.
Новое исследование под руководством З. Сполдинга, С. Дурайвела, Г. Б. Когана и их команды предлагает перспективное решение.
Ключевые прорывы:
Общее латентное пространство: Использовав канонический корреляционный анализ (CCA) с высокоплотной микроэлектрокортикографией (микро-ЭКоГ), исследователи отобразили индивидуальные нейронные данные в общее латентное пространство, сохранив высокое разрешение речевых сигналов.
Превосходство над однопациентными моделями: Модели, обученные на данных нескольких пациентов, показали более высокое качество декодирования по сравнению с традиционными персонализированными моделями.
Быстрое внедрение: Объединение данных множества пациентов устраняет необходимость в долгих и утомительных сеансах сбора данных для каждого нового пользователя.
Этот подход открывает путь к созданию речевых НКИ, которые будут не только точнее, но и значительно быстрее и проще в настройке, что делает готовые к использованию («plug-and-play») коммуникативные устройства на шаг ближе для людей с тяжелыми нейромоторными нарушениями.
Читайте полное исследование в Nature Communications:
https://lnkd.in/e6dKsSH3
#BCI #Neurotech #BrainComputerInterface #MicroECoG #MachineLearning #Neuroscience #Innovation #Accessibility
lnkd.in LinkedIn This link will take you to a page that’s not on LinkedIn Поскольку нейроанатомия и расположение электродов у всех индивидуальны, обучение подобных моделей на данных нескольких пациентов исторически оставалось огромной проблемой.
Новое исследование под руководством З. Сполдинга, С. Дурайвела, Г. Б. Когана и их команды предлагает перспективное решение.
Ключевые прорывы:
Общее латентное пространство: Использовав канонический корреляционный анализ (CCA) с высокоплотной микроэлектрокортикографией (микро-ЭКоГ), исследователи отобразили индивидуальные нейронные данные в общее латентное пространство, сохранив высокое разрешение речевых сигналов.
Превосходство над однопациентными моделями: Модели, обученные на данных нескольких пациентов, показали более высокое качество декодирования по сравнению с традиционными персонализированными моделями.
Быстрое внедрение: Объединение данных множества пациентов устраняет необходимость в долгих и утомительных сеансах сбора данных для каждого нового пользователя.
Этот подход открывает путь к созданию речевых НКИ, которые будут не только точнее, но и значительно быстрее и проще в настройке, что делает готовые к использованию («plug-and-play») коммуникативные устройства на шаг ближе для людей с тяжелыми нейромоторными нарушениями.
Читайте полное исследование в Nature Communications:
https://lnkd.in/e6dKsSH3
#BCI #Neurotech #BrainComputerInterface #MicroECoG #MachineLearning #Neuroscience #Innovation #Accessibility


