Research output: Contribution to conference › Abstract › peer-review
Гибридные нейросети для изучения физиологических механизмов порождения речи. / Горбунов, Иван Анатольевич.
2017. 41 Abstract from Ананьевские чтения - 2017: , Санкт-Петербург, Russian Federation.Research output: Contribution to conference › Abstract › peer-review
}
TY - CONF
T1 - Гибридные нейросети для изучения физиологических механизмов порождения речи
AU - Горбунов, Иван Анатольевич
N1 - Горбунов И. А. Гибридные нейросети для изучения физиологических механизмов порождения речи //Ананьевские чтения-2017: Преемственность в психологической науке: ВМ Бехтерев, БГ Ананьев, БФ Ломов. – 2017. – С. 41-42.
PY - 2017/10/24
Y1 - 2017/10/24
N2 - Для изучения механизмов взаимодействия различных участков мозга в процессе порождения речи по биоэлектрической активности, мы предполагаем использование модели BCNN. Данная модель является оригинальной deep learning нейронной сетью, в процессе обучения которой на множестве электрофизиологических сигналов измеренных у конкретного человека возможен подбор оптимальной матрицы связей между различными мозговыми центрами, предсказывающей вектор потенциалов мозга. Использование этой математической модели в психофизиологии не исчерпывается только данными электрофизиологии. Мы использовали ее также для построения модели речепорождения по данным порожденных испытуемыми текстов. Важной проблемой построения данных моделей на основе речевых стимулов была трудность кодирования текстов в последовательности векторов речевых признаков слов. На наш взгляд, хорошим решением данной проблемы является использование математической модели Word2vec (Tomas Mikolov et al. 2013).
AB - Для изучения механизмов взаимодействия различных участков мозга в процессе порождения речи по биоэлектрической активности, мы предполагаем использование модели BCNN. Данная модель является оригинальной deep learning нейронной сетью, в процессе обучения которой на множестве электрофизиологических сигналов измеренных у конкретного человека возможен подбор оптимальной матрицы связей между различными мозговыми центрами, предсказывающей вектор потенциалов мозга. Использование этой математической модели в психофизиологии не исчерпывается только данными электрофизиологии. Мы использовали ее также для построения модели речепорождения по данным порожденных испытуемыми текстов. Важной проблемой построения данных моделей на основе речевых стимулов была трудность кодирования текстов в последовательности векторов речевых признаков слов. На наш взгляд, хорошим решением данной проблемы является использование математической модели Word2vec (Tomas Mikolov et al. 2013).
M3 - тезисы
SP - 41
T2 - Ананьевские чтения - 2017:
Y2 - 24 October 2017 through 26 October 2017
ER -
ID: 60236191