@HuggingPapers: LISA:一种紧凑、可解释的MEG解码器,用于听到的语音 它从非侵入性脑记录中检索感知语音……

X AI KOLs Timeline 论文

摘要

LISA是一种紧凑、可解释的MEG解码器,能够从非侵入性脑记录中检索感知到的语音,在1005个候选项中达到39.75%的Top-1准确率,使用的解码器参数减少约20倍,同时揭示皮层来源和语音特征。

LISA:一种用于听到的语音的紧凑、可解释的MEG解码器 它从非侵入性脑记录中检索感知到的语音,在1005个候选项中达到39.75%的Top-1准确率——使用的解码器参数减少约20倍,并揭示背后的皮层来源和语音特征 https://t.co/gq1Zu1bDUC
查看原文
查看缓存全文

缓存时间: 2026/08/09 23:22

LISA:一种紧凑、可解释的MEG解码器,用于听到的语音

它能从非侵入性脑记录中检索感知到的语音,在1,005个候选项中达到39.75%的Top-1准确率——使用的解码器参数减少约20倍,并揭示了背后的皮层来源和语音特征 https://t.co/gq1Zu1bDUC

相似文章

Brain-CLIPLM:基于脑电压缩语义表征的语言重建解码

arXiv cs.CL

研究人员提出Brain-CLIPLM,一个两阶段脑电到文本解码框架,利用对比学习提取语义锚点,并结合基于检索的大语言模型(LLM)及思维链(CoT)推理进行句子重建。该方法在测试中达到67.55%的Top-5句子检索准确率和85.00%的Top-25准确率,显著优于直接解码基线模型,跨被试评估证实了其良好的泛化能力。研究结果表明,脑电到文本解码应聚焦于恢复压缩后的语义内容,而非完整句子重建。

非侵入式EEG解码默读

Hacker News Top

这项研究使用非侵入式EEG和对比学习来解码默读过程中的单词,展示了可扩展的词汇信息恢复,其性能随数据量增加而提升。