MARC

 008260126s2025        us                              c    eng  d
■001000017359160
■00520260202104843
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293892686
■035    ▼a(MiAaPQ)AAI32173285
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aLittlejohn,  Kaylo.
■24510▼aAI-Driven  Speech  Neuroprostheses  for  Restoring  Naturalistic  Communication  and  Embodiment
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a107  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Anumanchipalli,  Gopala;Chang,  Edward.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aCan  we  rebuild  the  bridge  between  brain  and  voice,  restoring  human  communication  for  people  with  paralysis?  This  thesis  outlines  our  translational  systems  that  restore  speech  to  individuals  with  vocal-tract  paralysis.Speech  neuroprostheses  have  the  potential  to  restore  communication  and  embodiment  to  individuals  living  with  paralysis,  but  achieving  naturalistic  speed  and  expressivity  has  remained  elusive.  The  advances  presented  in  this  thesis  enabled  a  clinical  trial  participant  with  severe  limb  and  vocal  paralysis  to  "speak  again"  for  the  first  time  in  18+  years  using  an  AI  "brain-to-voice"  decoder  that  restores  their  pre-injury  voice.  We  use  high-density  surface  recordings  of  the  speech  cortex  in  a  participant  to  achieve  high-performance,  large-vocabulary,  real-time  decoding  across  three  complementary  speech-related  output  modalities:  text,  speech  audio,  and  facial-avatar  animation.  Leveraging  advances  in  machine  learning  for  automatic  speech  recognition  and  synthesis,  we  trained  and  evaluated  deep-learning  models  using  neural  data  collected  as  participants  attempted  to  silently  speak  a  sentence,  enabling  decoding  speeds  approaching  natural  conversational  rates.  We  also  demonstrate  the  control  of  virtual  orofacial  movements  for  speech  and  non-speech  communicative  gestures  via  a  high-fidelity  "digital  talking  avatar"  controlled  by  the  participant's  brain.Building  on  the  above  advances  in  high-performance  brain-to-speech  decoding,  I  outline  our  findings  demonstrating  low-latency,  continuously  streaming  brain-to-voice  synthesis  with  neural  decoding  in  80-ms  increments.  The  recurrent  neural  network  transducer  models  demonstrated  implicit  speech  detection  capabilities  and  could  continuously  decode  speech  indefinitely,  enabling  uninterrupted  use  of  the  decoder  and  further  increasing  speed.  Our  framework  also  successfully  generalized  to  other  silent-speech  interfaces,  including  single-unit  recordings  and  electromyography.Together,  the  findings  in  this  thesis  introduce  a  multimodal,  low-latency  speech-neuroprosthetic  approach  with  substantial  promise  for  restoring  full,  embodied  communication  to  people  with  severe  paralysis. A  video  overview  of  our  brain  decoding  technique  and  impact  can  be  found  at  this  link.
■590    ▼aSchool  code:  0028.
■650  4▼aNeurosciences
■650  4▼aHealth  sciences
■653    ▼aBrain-to-speech  decoding
■653    ▼aMachine  learning
■653    ▼aAutomatic  speech  recognition
■690    ▼a0800
■690    ▼a0566
■690    ▼a0317
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359160▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서