Reconnaissance vocale des voyelles à partir de l'électroencéphalographie de rat à l'aide d'un réseau neuronal à mémoire longue et à court terme, partie 2

Matériels et méthodes

Animaux

La taille minimale requise de l'échantillon a été calculée entre 11 et 19, en référence à des études animales antérieures qui caractérisaient les réponses neuronales à différentes syllabes humaines (12, 13, 49).

La réponse nerveuse et la mémoire sont deux aspects indissociables de l'activité intellectuelle humaine. La réponse neuronale fait référence à la vitesse de réaction et à la précision du cerveau humain lors de la réception et du traitement de diverses informations sensorielles. La mémoire fait référence à la capacité du cerveau humain à préserver et à se souvenir des expériences passées.

Beaucoup de gens pensent que la relation entre les réponses neuronales et la mémoire est très faible, mais en réalité, il existe un lien étroit entre elles. Pour une personne, dans certaines situations, il est non seulement important de pouvoir réagir rapidement, mais surtout de faire preuve de mémoire. Pour prendre un exemple, lorsque nous sommes confrontés à quelque chose de similaire à une urgence, nos réponses neuronales nous permettent de réagir rapidement et d'agir. À ce moment-là, notre mémoire aura un impact fatal sur la sécurité de nos vies. Par conséquent, on peut dire que la réponse neuronale et la mémoire sont liées l’une à l’autre et que les deux sont indispensables.

Alors, comment améliorer la réponse neuronale et la mémoire ? Tout d'abord, pour améliorer les réponses neurologiques, nous pouvons effectuer de nombreux entraînements, tels qu'une variété de sports, un entraînement à la réponse de tout le corps, un entraînement visuel et auditif, etc. De plus, les réponses neurologiques peuvent également être améliorées grâce à une bonne alimentation et habitudes de sommeil. Pour améliorer la mémoire, vous devez étudier beaucoup de lecture et renforcer la pensée logique et l'entraînement de la mémoire, comme jouer à des jeux intellectuellement stimulants ou communiquer avec les autres pour favoriser le développement de votre réflexion.

Enfin, il est important de noter que les réponses neuronales et la mémoire peuvent être améliorées. Tant que nous déployons des efforts et une formation et un développement réfléchis, nous pouvons nous améliorer dans ce domaine. Par conséquent, adoptons une approche positive du développement des réponses neurologiques et de la mémoire, et obtenons plus de progrès et de réussite dans nos vies. On voit que nous devons améliorer notre mémoire. La Cistanche deserticola peut améliorer considérablement la mémoire car la Cistanche deserticola est une matière médicinale traditionnelle chinoise avec de nombreux effets uniques, dont l'un est d'améliorer la mémoire. L’efficacité de la viande hachée vient des différents ingrédients actifs qu’elle contient, notamment des acides, des polysaccharides, des flavonoïdes, etc. Ces ingrédients peuvent favoriser la santé cérébrale de diverses manières.

Cliquez sur connaître les suppléments pour améliorer la mémoire

Compte tenu à la fois de la validité scientifique et de l'éthique animale, un total de 19 rats Sprague-Dawley mâles (325 à 400 g, âgés de 11 à 13 semaines au moment de l'expérience, Orient Bio Inc., Seongnam, Corée) ont été inscrits à l'étude.

Seuls les rats mâles ont été inclus dans cette étude pour éviter les effets potentiels des œstrogènes sur l'EEG [50]. Les animaux ont été hébergés individuellement dans des cages en plastique standard avec accès libre à la nourriture et à l'eau et ont été maintenus à une température constante (21 ± 1 °C) avec un cycle lumière/obscurité de 12 h.

Tous les protocoles et procédures expérimentaux ont été approuvés par le Comité institutionnel de protection et d'utilisation des animaux (IACUC) de l'Institut des sciences et technologies de Gwangju (GIST).

Selon le comité, l'étude appartenait à la catégorie D du Département de l'Agriculture des États-Unis ; la douleur ou la détresse a été soulagée de manière appropriée avec des anesthésiques, des analgésiques et/ou des tranquillisants ou d'autres méthodes de soulagement de la douleur et de la détresse.

Par conséquent, toutes les interventions chirurgicales et les soins aux animaux ont été effectués conformément à leurs directives afin de garantir un inconfort minimal pour les animaux (numéro d'approbation : GIST-2019-047).

Interventions chirurgicales

Tous les rats ont subi une intervention chirurgicale d'implantation de microélectrodes pour acquérir des signaux EEG en réponse aux stimuli sonores de la parole. Avant l'intervention chirurgicale, les rats ont été anesthésiés avec de l'isoflurane (5 %) mélangé à de l'oxygène gazeux (débit 0,6 L/min) dans une chambre d'induction.

Une fois que les rats ont perdu le réflexe de redressement, ils ont été placés dans un cadre stéréotaxique et on leur a appliqué un nez anesthésique. Du gaz isoflurane (dose d'entretien de 1,5 %) mélangé à de l'oxygène a été redirigé vers le nez.

Ensuite, des barres auriculaires ont été insérées dans les conduits auditifs pour fixer la tête. Nous avons ensuite rasé la fourrure des oreilles jusqu'entre les yeux. Un bloc de ligne avec 2 % de lidocaïne a été réalisé sur le cuir chevelu et une incision a été pratiquée pour exposer le crâne.

Ensuite, les muscles temporaux bilatéraux ont été partiellement retirés et une durotomie a été réalisée sur chaque AAF avec une fraise dentaire pour insérer les électrodes EEG épidurales. L'électrode était une micro-électrode unique fabriquée sur mesure à l'aide d'une micro-vis, d'un fil d'argent et d'un connecteur. Les coordonnées de l'AAF étaient les suivantes : 4 mm postérieures, 7,6 mm latérales et 4 mm ventrales au bregma [51].

Enfin, les électrodes implantées ont été connectées à un connecteur multibroches et fixées au crâne à l'aide de ciment osseux. Après avoir terminé toutes les procédures chirurgicales, les rats ont reçu une injection d'un antibiotique (ceftazol 20 mg/kg, Guju Pharma Co, Corée) et d'un agent analgésique (kétoprofène 2,5 mg/kg, Uni Biotech, Corée) par voie intramusculaire pendant trois jours consécutifs.

Tous les animaux ont été autorisés à récupérer pendant une semaine et étroitement surveillés pour déceler tout signe de douleur tel qu'une perte d'appétit, une posture voûtée ou une horripilation.

Stimulation de la parole

Les informations sur la fréquence des sons de la parole sont connues pour être essentielles à la perception catégorique et à la reconnaissance des différentes voyelles [52]. De plus, les composants de l'AEP varient en fonction de sons de fréquences variables, et ces différentes réponses cérébrales peuvent être utilisées pour étudier les mécanismes de reconnaissance des sons [9]. Par conséquent, cinq voyelles différentes, /a/, /e/, /i/,/o/ et /u/, qui ont des fréquences de formants très distinctes pour chaque stimulus vocal ont été choisies [53].

Tous les stimuli vocaux ont été générés à l'aide d'un programme de synthèse vocale fourni par Google et la hauteur sonore a été augmentée d'une octave à l'aide de la fonction Shift Pitch de MATLAB 2017b (Mathworks, Inc., MA, USA) pour s'adapter à la plage d'audition du rat et appliqués. normalisation quadratique moyenne.

Les stimuli étaient délivrés par un haut-parleur (SRS-X88, SONY Co., Japon), situé au-dessus d'un côté de la cage, à environ 15 cm de la tête du rat, et l'intensité maximale du son était calibrée à 60 dB SPL. Le son de la voyelle a été analysé en fonction de l'évolution temporelle, des spectres du coefficient de prédiction linéaire (LPC) et des spectrogrammes afin de vérifier que chaque stimulus possède sa propriété sonore (voir Fig 1).

Bien que le système auditif du rat ne soit pas optimisé pour la perception des voyelles humaines, nous avons supposé qu'il pouvait détecter la plupart des stimuli sonores puisque la fréquence du son appartient à la plage auditive du rat, c'est-à-dire de 0,5 kHz à 64 kHz. à 60 dB SPL [54].

L'acquisition des données

Les réponses aux signaux EEG à chaque stimulus sonore de voyelle ont été acquises à partir de l'AAF bilatéral après la période de récupération d'une semaine. Tout d’abord, les rats ont été anesthésiés avec de l’isoflurane (5 %) mélangé à de l’oxygène gazeux (débit 0,6 L/min) pour l’induction.

Après que les rats ont perdu le réflexe de redressement, l'anesthésie a été maintenue avec de l'isoflurane (1,5 %) via le nez pendant l'enregistrement pour éviter la contamination des signaux EEG par des artefacts de mouvement. Ensuite, un connecteur multibroches a été connecté à un appareil d'enregistrement (g.USBamp et g.HEADstage, g.tec Medical Engineering GmbH, Graz, Autriche), qui a acquis des signaux à une fréquence d'échantillonnage de 1 200 Hz.

L'enregistrement épiduralEEG a été réalisé pendant 1 500 s par session, au cours desquelles les cinq voyelles verbales ont été présentées de manière aléatoire à chaque rat par l'intermédiaire du locuteur expérimental. Chaque stimulus vocal est apparu 130 à 150 fois par stimulus au cours d'une session.

Pour obtenir suffisamment de données EEG, la session d'enregistrement a été répétée pendant cinq jours consécutifs. Tous les enregistrements ont été réalisés dans une cabine insonorisée pour maximiser le SNR. Un diagramme schématique de l'expérience est présenté sur la figure 2.

Prétraitement et analyse du signal EEG

Les signaux EEG acquis ont été analysés en réponse à chaque voyelle à l'aide de FieldTriptoolbox [55] dans MATLAB 2017b (Mathworks, Inc., MA, USA). Dans un premier temps, les données EEG brutes ont été sous-échantillonnées de 1 200 à 250 Hz et filtrées passe-bande dans la plage de fréquences de 1 à 60 Hz.

Ensuite, les données EEG continues ont été segmentées en essais spécifiques au stimulus avec une période pré-stimulus de 500 ms et une période post-stimulus de 1 500 ms. La correction de la ligne de base a été effectuée sur la base de la période précédant le stimulus. Pour éliminer les artefacts résiduels, les essais contaminés ont été rejetés manuellement à l'aide de méthodes d'inspection visuelle.

Après le prétraitement, les données EEG sans artefacts ont été moyennées pour chaque stimulus vocal afin de créer les formes d'onde AEP, et le TFR des formes d'onde moyennement grandes a été calculé.

L'analyse TFR a été réalisée sur la base des ondelettes de Morlet afin d'évaluer les changements dynamiques de la puissance spectrale au fil du temps pour chaque stimulus vocal. En utilisant les formes d'onde AEP à grande moyenne et leur TFR, la plage de temps ou de fréquence qui reflète principalement la réponse cérébrale aux stimuli de la parole a été déterminée. Dans le cas de l'analyse TFR, le test d'analyse de variance (ANOVA) et la correction de Bonferroni ont été réalisés pour identifier la signification statistique entre les TFR des signaux EEG pour chaque stimulus vocal [48].

Grâce à ces résultats, les données EEG prétraitées ont été réorganisées pour une utilisation ultérieure à des fins de classification. Pour garantir que les données reconstruites sont significatives, les plages de temps et de fréquence de tous les essais EEG ont été restreintes. La plage de temps a été réglée sur 0,2 à 0,8 s et la plage de fréquences a été réglée sur 1 à 60 Hz. Après avoir redéfini les plages de temps et de fréquence, tous les essais EEG ont été normalisés à l'aide de la normalisation du score z, une méthode couramment utilisée pour réduire la variabilité entre les essais tout en maintenant une tendance similaire au sein des essais (56, 57).

Il est bien connu que les performances globales de classification sont améliorées après la normalisation du z-score [56]. Après cela, l'ensemble de données normalisées z-score a été mélangé et séparé de manière aléatoire en un ensemble d'entraînement (90 %) et un ensemble de test (10 %) pour être utilisé comme entrées pour les classificateurs d'apprentissage profond et d'apprentissage automatique pour la classification de la reconnaissance vocale.

Réseaux bidirectionnels de mémoire à long terme et à court terme

LSTM est une architecture spéciale de réseau neuronal récurrent (RNN) qui surmonte le problème du gradient de disparition/explosion en incorporant des structures de portes qui contrôlent l'état des cellules mémoire [46, 58].

Pour cette raison, LSTM a montré des performances stables et puissantes pour modéliser les dépendances à long terme dans une variété de tâches temporelles ou séquentielles [46, 58-61]. La structure du LSTM est illustrée à la figure 3A. La principale différence entre le RNN conventionnel et le LSTMi réside dans la cellule mémoire, ct, qui peut conserver les informations d'état qui sont modulées par trois types de portes auto-paramétrées : la porte d'entrée, la porte d'oubli ft et la porte de sortie.

La porte d'entrée décide si une nouvelle entrée sera accumulée dans la cellule mémoire ; la porte d'oubli ftpeut ignorer l'état passé de la cellule mémoire, ct-1 ; et la porte de sortie régule la propagation de la sortie de la cellule mémoire actuelle ct dans la réponse de sortie ht. Le traitement clé du LSTM est décrit par les équations suivantes :

ð6Þoù σ et tanh sont des fonctions d'activation non linéaires. La fonction sigmoïde logistique, définie comme σ(x)=1/(1+e−x) est utilisée comme fonction d'activation de porte, et la fonction tangente hyperbolique,tanh(x)=( ex−e−x)/(ex+e−x), est utilisé comme fonction d'activation d'entrée et de sortie du bloc. La multiplication élément par élément de deux vecteurs est notée � ; W, R représentent les matrices de poids et b désigne le vecteur de biais, qui sont des paramètres apprenables qui contrôlent chacun

te.LSTM est attesté comme une structure puissante pour gérer des données séquentielles [59] ; cependant, le LSTM standard capture uniquement les informations passées de la séquence dans le sens direct. BiLSTM a été implémenté pour améliorer la structure.

BiLSTM est un type de version LSTM du RNN bidirectionnel [47, 62]. Il comporte deux couches de LSTM, comme le montre la figure 3B ; l’un traite les informations vers l’avant tandis qu’un autre les traite vers l’arrière.

En accédant à la fois aux informations passées et futures, ces structures peuvent capturer des informations riches à partir d'une séquence. Par conséquent, la littérature existante montre que BiLSTM est plus performant que le LSTM standard dans la classification des signaux EEG en fonction de chaque tâche.

7].Dans cette étude, le réseau BiLSTM a été utilisé pour classer cinq voyelles différentes en utilisant des signaux EEG sur la base d'un seul essai. Une couche BiLSTM contenant 600 unités LSTM a été définie et pour éviter le surajustement, le taux d'abandon sur les couches LSTM a été fixé à 0,3 [68].

Après les couches LSTM, les états cachés ont été concaténés dans la couche entièrement connectée avec une fonction d'activation softmax, utilisée pour la classification multiclasse. L'entropie croisée catégorielle a été adoptée comme fonction de perte avec l'optimiseur ADAM [69] et le taux d'apprentissage initial et la décroissance du taux d'apprentissage ont été fixés à 1e-3 et 1e-6, respectivement. De plus, le modèle a été formé avec 500 époques et une taille de lot de 64. La courbe d'apprentissage a atteint un plateau stable en 500 époques.

hs.Ces hyper-paramètres ont été ajustés pour adapter au mieux le modèle aux données. Une 10-foldcross-validation (10-CV) stratifiée a été utilisée pour évaluer les performances du modèle. La validation croisée k fois est une méthode efficace pour tester le taux de réussite des modèles utilisés pour la classification et k=10 est généralement considéré comme le paramètre le plus raisonnable dans l'apprentissage automatique appliqué.

Le modèle a été implémenté à l'aide de la bibliothèque Keras [71] avec le backend TensorFlow [72] et de la bibliothèque Scikit-Learn [73] en Python.

For more information:1950477648nn@gmail.com