卷积神经网络与计算神经科学的结合

CoNNear是具有卷积和跳过连接的全卷积编码器-解码器NN，可将音频输入映射到时域中不同耳蜗部分（N CF）的201 BM振动输出。

a，b，具有（a）和不具有（b）上下文的CoNNear体系结构。最终的CoNNear模型具有四个编码器和解码器层，使用上下文，并且在CNN层之间包括tanh激活功能。c，模型训练和评估程序的概述。作为参考，对语音语料库的分析性TL模型仿真用于训练CoNNear参数，而模型的评估是使用耳蜗力学研究中普遍采用的简单声学刺激进行的。

将卷积神经网络与计算神经科学相结合，创建了一个模拟人类耳蜗力学的模型。在过去的几十年中，语音和语音识别技术取得了长足的进步。例如，通常由基于电话的代理为客户提供服务。而且，智能手机上的语音识别和响应系统已经无处不在。但是它们都具有一个共同点，那就是尽管它们看起来很像，但它们都不是实时操作的。每个都基于处理所听到内容的硬件和软件。在这项新的工作中，研究人员建议当前设备的问题在于必须完成的计算所涉及的复杂性。

为了解决这个问题，他们创建了一个模拟人类听力的模型，该模型基于将卷积神经网络的最佳功能与计算神经科学融合在一起。人类的听力来自耳朵的各个部位。声音进入耳道并撞击鼓膜。耳膜响应振动，将信号发送到内耳的骨骼，从而在耳蜗内的液体中产生波纹。那种液体搅动着耳蜗内的毛细胞。毛细胞的运动会刺激离子通道，进而产生发送到脑干的信号。

研究人员创建了一个AI系统，该系统被教给识别声音，然后以类似的方式对其进行解码。然后，他们将系统连接到基于人体解剖学的模型。他们将他们的系统命名为CoNNear-耳蜗的工作模型。测试表明，该系统能够将20 kHz采样的声波波形实时转换为耳蜗基底膜波形，大大超越了最先进的传统系统。CoNNear的耳蜗功能比目前的助听器技术快2000倍。研究人员认为，他们的发现可能为新一代类人听力或增强的听力和语音识别设备奠定基矗。
责任编辑：YYX

编码器计算解码器卷积神经网络

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。