Diepe neural netwerken als model voor spraakperceptie

 Het is reeds aangetoond dat wanneer spraaksignalen gepresenteerd worden aan iemand dat ze kunnen gedecodeerd worden uit het elektro-encefalografie (EEG) door middel van lineaire regressie. Jammer genoeg zijn onze hersenen complex en niet-lineair waardoor de correlatie tussen het werkelijke en gedecodeerde signaal laag en variabel is. In dit project proberen we dit te verbeteren door gebruik te maken van deep learning architecturen voor automatische spraakherkenning. Ten eerste (1) gaan we een architectuur bouwen en verbeteren om EEG accuraat te classificeren op basis van de gepresenteerde stimulus. Vervolgens (2) zullen we de accuraatheid linken aan het spraakverstaan van de deelnemers. We zullen ook onderzoeken welke eigenschappen van spraak het belangrijkst zijn om het niveau van spraakverstaan te voorspellen. Tenslotte (3), zullen we het neurale netwerk evalueren als een model voor menselijk spraakverstaan. Door het nagaan van de effecten van de verschillende eigenschappen van spraak op de accuraatheid, kunnen we een model voor spraakverstaan meten. Deze resultaten hebben toepassingen in hoorapparaten en de diagnose van spraak- en taalstoornissen. Buiten de inzichten in neurowetenschappen zullen we ook de basis leggen van hersendecoders door middel van deep learning. In de toekomst zijn toepassingen zoals hersen-computer systemen mogelijk die gedachten kunnen lezen en hierop reageren.