최근에 발표된 논문  비침습적 뇌 녹음에서 직접 음성을 디코딩하는 흥미롭고 새로운 접근 방식을 제시합니다. 이는 신경학적 질환으로 인해 말할 수 있는 능력을 상실한 환자의 의사소통 능력을 회복할 수 있는 길을 열어줄 수 있습니다. 이 연구는 지속적인 연구를 통해 비침습적 뇌 해독이 무성한 사람들에게 목소리를 줄 수 있다는 희망을 제공합니다.   arXiv  그들은 뇌 녹음을 음성으로 바꾸는 방법을 어떻게 알아냈나요?  어디 보자.  언어 손실의 어려움  의사소통이 불가능하다는 것은 치명적일 수 있습니다. 매년 수천 명의 사람들이 뇌 손상, 뇌졸중, ALS 및 기타 신경학적 질환으로 인해 말을 할 수 있는 능력을 잃습니다. 환자는 자신의 생각, 감정, 필요, 욕구를 표현할 수 없는 자신의 마음 속에 갇혀 있습니다. 이는 그들의 삶의 질을 심각하게 저하시키고 그들의 자율성과 존엄성을 제거합니다.  말을 회복하는 것은 매우 어려운 일입니다. 뇌에 전극을 이식하는 침습적 뇌-컴퓨터 인터페이스를 통해 환자는 생각을 입력할 수 있습니다. 그러나 전극 없이 뇌 신호로부터 자연스러운 음성을 합성하는 것은 여전히 어려운 일입니다.  새로운 음성 디코딩 접근법  , 연구자들은 참가자들이 수동적으로 음성을 듣는 동안 비침습적 뇌 녹음을 분석하기 위해   모델을 사용했습니다. 뇌파검사(EEG)와 자기뇌파검사(MEG) 센서는 뇌 신호를 포착했습니다.   이 새로운 연구에서는 딥 러닝  모델은 해당 뇌 활동 패턴으로부터 음성 오디오 표현을 예측하도록 훈련되었습니다. 이를 통해 새로운 뇌 녹음을 가장 가능성 있는 음성 표현과 일치시켜 음성을 디코딩할 수 있었습니다.   세 가지 주요 혁신이 포함되었습니다.  훈련에   사용하는 것이 기존 지도 학습 접근 방식보다 더 효과적인 것으로 입증되었습니다. 이러한 손실은 모델이 뇌 잠재성과 최대한 일치하는 음성 잠재성을 식별하도록 장려했습니다. 대비 손실 함수를  wav2vec 2.0 모델의 강력한   활용하여 이전에 사용된 수작업 음성 기능보다 풍부한 음성 데이터를 제공했습니다. 사전 훈련된 음성 표현을  '주체 레이어'를 통해 각 참가자의 뇌 데이터에 맞춤화된   개인화를 향상시켰습니다. 컨볼루셔널 신경망은  이 모델은 169명의 참가자로부터 얻은 15,000시간 분량의 음성 데이터로 구성된 공개 데이터세트에서 훈련되었습니다. 또한 주목할 점: 보이지 않는 새로운 문장에 대한 테스트는 인상적인 제로샷 디코딩 능력을 보여주었습니다.  정확도의 대폭 개선  3초 길이의 음성 세그먼트에 대해 모델은 다음을 통해 1,500개 이상의 가능성 중에서 일치하는 세그먼트를 식별할 수 있습니다.  MEG 기록의 정확도는 최대 73%입니다.  EEG 기록의 정확도는 최대 19%입니다.  이는 비침투성 센서를 사용한 이전의 음성 디코딩 시도에 비해 극적인 개선을 나타냅니다. 또한 침습적 뇌 임플란트를 사용한 연구에서 얻은 정확도에 접근합니다.  단어 수준에서 이 모델은 MEG 신호에서 개별 단어를 식별하는 데 있어 44%의 최고 정확도를 달성했습니다. 신경 활동의 비침습적 기록에서 직접 단어를 해독하는 이러한 능력은 효율성이 44%에 달하는 중요한 이정표입니다.  자연스러운 언어를 회복할 수 있는 가능성  이 연구는 충분한 진전이 있으면 음성 디코딩 알고리즘이 언젠가 신경 질환이 있는 환자의 의사소통을 유창하게 도울 수 있다는 희망을 제공합니다.  외과적으로 이식된 전극 대신 EEG 및 MEG 센서는 잠재적으로 뇌의 말하려는 의도를 들을 수 있습니다. 그러면 고급 AI가 단어와 문장을 즉석에서 합성하여 말 못하는 사람에게 목소리를 줄 수 있습니다.  독특하고 참신한 생각과 감정을 표현하는 자신의 목소리를 듣는 것은 환자의 정체성과 자율성을 회복하는 데 도움이 될 수 있습니다. 이는 사회적 상호 작용, 정서적 건강 및 삶의 질을 실제로 향상시킬 수 있습니다.  남은 과제  매우 유망하지만, 이 기술이 의료에 적용되기까지는 많은 과제가 남아 있습니다. 가장 큰 문제는 이전 시도에 비해 현재 정확도가 훨씬 낮지만 자연스러운 대화를 하기에는 여전히 너무 낮다는 것입니다.  게다가 능동적 음성 생성 중 뇌 신호는 여기서 테스트한 수동적 청취 시나리오와 상당히 다를 수 있습니다. 모델이 정확한지 확인하려면 참가자가 말하거나 말하는 것을 상상하는 동안 기록된 데이터 세트에 대한 추가 연구가 필요할 것입니다.  마지막으로 EEG 및 MEG 신호는 근육 움직임 및 기타 인공물로 인한 간섭을 받기 쉽습니다. 음성 관련 신경 신호를 분리하려면 강력한 알고리즘이 필요합니다.  중요한 개척지의 이정표  이번 연구는 신경과학과 인공지능의 교차점에서 획기적인 이정표를 제시합니다. 강력한 딥 러닝 접근 방식과 대규모 데이터 세트를 활용하여 연구원들은 비침습적 뇌 신호에서 음성을 해독하는 데 가능한 범위를 넓혔습니다.  그들의 기술은 향후 발전을 위한 견고한 기반을 제공합니다. 엄격한 연구와 책임감 있는 개발을 통해 이 기술은 언젠가 신경 질환 및 언어 상실로 고통받는 환자의 자연스러운 의사소통 능력을 회복하는 데 도움이 될 수 있습니다. 이는 목소리 없는 사람들에게 목소리를 돌려주기 위한 긴 여정의 중요한 이정표입니다.  여기에도 게시되었습니다  .       구독하다 아니면 나를 따라오세요   트위터 이런 콘텐츠를 더 보려면!

This story contains new, firsthand information uncovered by the writer.

Hot off the press! This story contains factual information about a recent event.

Tell me why my site sucks so I can make it better. Be mean.

Read My Stories

이 오디오는 이야기의 원래 언어로 제작되었습니다!

연구자들은 뇌파로 음성을 해독합니다: AI가 이제 마음을 읽을 수 있습니까?

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

볼츠만 뇌 이론에 대한 간략한 소개

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

볼츠만 뇌 이론에 대한 간략한 소개

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps