脑部计算机界面具有有希望的医学和科学应用,可在协助语音和研究大脑方面。在这项工作中,我们为大脑对文本解码器提供了基于信息的评估度量。使用此指标,我们检查了两种方法来增加现有的最新连续文本解码器。我们表明,与基线模型相比,这些方法一致地可以将大脑解码性能提高40%以上。我们进一步研究了大脑到文本解码器的信息特性,并从经验上证明它们具有Zipfian Power Law Dynamics。最后,我们为基于fMRI的文本解码器的理想化性能提供了估计。我们将此理想化的模型与当前模型进行了比较,并使用基于信息的度量标准来量化解码误差的主要来源。我们得出的结论是,在进一步的算法改进的情况下,实用的大脑到文本解码器可能是可能的。
![arxiv:2405.14055V1 [CS.CL] 2024年5月22日PDF文件第1页](/bimg/b/b3a9687a495278ef95371a69a889a2637cfbe3c3.webp)
![arxiv:2405.14055V1 [CS.CL] 2024年5月22日PDF文件第2页](/bimg/2/26135e84feae48eb7207bf4c893056202317766e.webp)
![arxiv:2405.14055V1 [CS.CL] 2024年5月22日PDF文件第3页](/bimg/0/0f32427a2c254b298d8f51246915596a423243c1.webp)
![arxiv:2405.14055V1 [CS.CL] 2024年5月22日PDF文件第4页](/bimg/8/8762b6260f20837ea669f57dc76604d585901bf3.webp)
![arxiv:2405.14055V1 [CS.CL] 2024年5月22日PDF文件第5页](/bimg/2/22a88fa23b681ee0ca1220802d03886569ae77f4.webp)
