Spletna revija za znanstvenike, strokovnjake
in nevroznanstvene navdušence
Naslovnica Članki Intervjuji Mnenja Zdravje Korenine eSinapsa Številke
Prevajati možgane: rekonstrukcija besedila na podlagi elektrokortikograma
članki
eSinapsa, 2011-1
Zvezdan Pirtošek
Eksoskeleti – inteligentne bionske naprave
Marko Munih
O aktualnih dilemah draženja globokih možganskih struktur pri obsesivno - kompulzivni motnji
Nadja Jarc
Sledite svojo srečo ... z iPhone
Urban Kordeš
eSinapsa, 2011-2
Renata Salecl
Gašper Tkačik
Astrociti – spregledane zvezde nevrobiologije
Marko Kreft, Robert Zorec
Sašo Dolenc
Meditacija - malo truda, veliko koristi
Luka Dimic
eSinapsa, 2011-3
Mara Bresjanac
Martina Starc
Rok Berlot
Varnost uporabe generičnih protiepileptičnih zdravil
Mojca Kržan, Matevž Kržan
Možgani, računalniki - nekaj vmes
Miha Pelko
eSinapsa, 2012-4
Ali so moški in ženski možgani različni?
Gregor Majdič
O kognitivnih motnjah pri bolnikih s Parkinsonovo boleznijo
Dejan Georgiev
Akutno možgansko kap lahko uspešno zdravimo
Nina Vujasinovič, Bojana Žvan
Vloga nevropsihološke diagnostike pri odkrivanju zgodnjih znakov alzheimerjeve bolezni
Simon Brezovar
eSinapsa, 2013-5
Novo odkritje na področju sporadičnih prionskih bolezni
Jana Jerše, Nadja Jarc
Učinek placeba brez lažnih zdravil in zavajanja
Mara Bresjanac
Subarahnoidna krvavitev zaradi tromboze venskih sinusov
Mateja Repar, Anita Resman Gašperčič
Srečanje dveh velikanov: možganov in imunskega sistema
Matej Markota
eSinapsa, 2013-6
Odstranjevanje možganskih tumorjev pri budnem bolniku
Andrej Vranič, Jasmina Markovič, Blaž Koritnik
Zmedena bolnica, ki nič ne vidi ali PRES
Manja Hribar, Vid Zgonc
Manja Hribar
Netravmatska lokalizirana konveksitetna subarahnoidna krvavitev
Mateja Repar, Fajko F. Bajrović
Sistemska skleroza in ishemična možganska kap - vzročna povezanost ali le koincidenca?
Mateja Repar, Janja Pretnar Oblak
Klemen Grabljevec
Z omejevanjem spodbujajoča terapija pri bolnikih po nezgodni možganski poškodbi
Dejana Zajc, Klemen Grabljevec
eSinapsa, 2014-7
Možgani v mreži navezanosti, ki nas zaznamuje
Barbara Horvat
Vpliv senzoričnega dotoka na uglasitev možganskih povezav
Peter Gradišnik
Človeški konektom ali kakšne so zveze v naših možganih
Blaž Koritnik
Niko Lah
Torkove delavnice za osnovnošolce
Mateja Drolec Novak, Vid V. Vodušek
Da ne pozabim! Tehnike za pomladitev spomina
Klara Tostovršnik, Hana Hawlina
Površina socialne nevroznanosti
Manuel Kuran
Clarity - bistri možgani Karla Deisserotha
Gregor Belušič
Barbara Gnidovec Stražišar
Bojana Žvan
Nevroplastičnost po možganski kapi
Marjan Zaletel
Klinično psihološka obravnava pacientov po možganski kapi in podpora pri vračanju na delovno mesto
Barbara Starovasnik Žagavec
Možgani: organ, s katerim ljubimo
Andraž Matkovič
Marija Šoštarič Podlesnik
Gibalno-kognitivna vadba: praktična delavnica
Mitja Gerževič, Marina Dobnik
Anton Grad
Nevrologija, imunologija, psihiatrija …
Bojan Rojc
Andraž Stožer, Janez Bregant
Dominika Novak Pihler
Možganska kap – »kako ostati v omrežju?«
Nina Ozimic
Klara Tostovršnik
eSinapsa, 2014-8
Znotrajžilno zdravljenje možganskih anevrizem
Tamara Gorjanc, Dimitrij Lovrič
Obravnava hladnih možganskih anevrizem
Bojana Žvan, Janja Pretnar Oblak
Ali deklice z Rettovim sindromom govorijo z očmi?
Anka Slana, Urška Slana
Progresivna multifokalna encefalopatija
Urša Zabret, Katarina Šurlan Popovič
Ne ubijaj – poskusi na živalih
Martina Perše
Poizkusi na živalih - za in proti
Simon Horvat
eSinapsa, 2015-9
Kako deluje navigacijski sistem v naših možganih
Simon Brezovar
Vsakodnevno delo slepe osebe / s slepo osebo
Denis Kamnar
Uroš Marušič
Manca Tekavčič Pompe
Toni Pustovrh
Marko Hawlina
Od svetlobe do podobe ali kako vidijo svet naši možgani
Simon Brezovar
Janja Hrastovšek
Zala Kurinčič
Pogledi na mejno osebnostno motnjo
Jerica Radež, Peter Kapš
Uvid kot socialno psihološki fenomen
Vid Vodušek
Uvod v vidno-prostorske funkcije s praktičnimi primeri
Ana Bujišić, Sanja Roškar
eSinapsa, 2015-10
Difuzijsko magnetnoresonančno slikanje
Rok Berlot
Katja Pavšič
Radiološko izolirani sindrom - ali ga moramo poznati?
Matej Vouk, Katarina Šurlan Popovič
Kako izgledajo možgani, ki govorijo več jezikov?
Gašper Zupan
Nov pristop v rehabilitaciji - terapija s pomočjo psa
Mateja Drljepan
Pogled v maternico z magnetnoresonančno preiskavo
Taja Jordan, Tina Vipotnik Vesnaver
Saša Zorjan
Saša Zorjan
Nevroestetika: ko nevroznanost obišče galerijo
Anja Voljavec, Hana Hawlina, Nika Vrabič
Ali so psihogeni neepileptični napadi res psihogeni?
Saška Vipotnik, Gal Granda
Kako nam lahko glasna glasba »vzame« sluh in povzroči tinitus
Nejc Steiner, Saba Battelino
eSinapsa, 2016-11
Mara Bresjanac
Kako ultrazvok odpira pot v možgane
Kaja Kolmančič
Kako je epigenetika spremenila nevroznanost
Metka Ravnik Glavač
Ondinino prekletstvo ali sindrom prirojene centralne hipoventilacije
Katja Pavšič, Barbara Gnidovec Stražišar, Janja Pretnar Oblak, Fajko F. Bajrović
Zika virus in magnetnoresonančna diagnostika nepravilnosti osrednjega živčevja pri plodu
Rok Banko, Tina Vipotnik Vesnaver
Motnje ravnotežja otrok in odraslih
Nejc Steiner, Saba Battelino
eSinapsa, 2016-12
Vloga magnetnoresonančne spektroskopije pri obravnavi možganskih tumorjev
Gašper Zupan, Katarina Šurlan Popovič
Tiskanje tridimenzionalnih modelov v medicini
Andrej Vovk
Aleš Oblak
Kevin Klarič
Sinestezija: umetnica, ki ne želi odrasti
Tisa Frelih
Računska psihiatrija: od nevroznanosti do klinike
Nastja Tomat
Kognitivni nadzor: od vsakdanjega življenja do bolezni
Vida Ana Politakis
eSinapsa, 2017-13
Internet: nadgradnja ali nadomestek uma?
Matej Perovnik
Vloga črevesnega mikrobioma pri odzivu na stres
Vesna van Midden
Stres pušča posledice tako na človeškem kot živalskem organizmu
Jasmina Kerčmar
Prikaz normalne anatomije in bolezenskih stanj obraznega živca z magnetno resonanco
Rok Banko, Matej Vrabec
Psihedelična izkušnja in njen zdravilni potencial
Anja Cehnar, Jona Basle
Vpliv hiperglikemije na delovanje možganov
Jasna Šuput Omladič, Simona Klemenčič
Nevrofibromatoza: napredujoče obolenje centralnega in perifernega živčevja
Nejc Steiner, Saba Battelino
Fenomen žrtvenega jagnja v dobi interneta
Dolores Trol
Tesnoba staršev in strategije spoprijemanja, ko pri otroku na novo odkrijejo epilepsijo
Daša Kocjančič, Petra Lešnik Musek, Vesna Krkoč, David Gosar
eSinapsa, 2017-14
Zakaj ne zapeljem s ceste, ko kihnem?
Anka Slana Ozimič, Grega Repovš
Nobelova nagrada za odkritje molekularnih mehanizmov nadzora cirkadianih ritmov
Leja Dolenc Grošelj
Možgani pod stresom: od celic do duševnih motenj
Nastja Tomat
Na sledi prvi vzročni terapiji Huntingtonove bolezni
Danaja Metul
Razlike med spoloma pri Parkinsonovi bolezni
Kaja Kolmančič
eSinapsa, 2018-15
Susceptibilno poudarjeno magnetnoresonančno slikanje pri bolniku z ALS
Alja Vičič, Jernej Avsenik, Rok Berlot
Sara Fabjan
Reverzibilni cerebralni vazokonstrikcijski sindrom – pot do diagnoze
Maja Cimperšek, Katarina Šurlan Popovič
Liam Korošec Hudnik
Kognitivno funkcioniranje pri izgorelosti
Marina Horvat
eSinapsa, 2019-16
Maša Čater
Saša Koprivec
Infekcije osrednjega živčnega sistema s flavivirusi
Maja Potokar
Raziskava: Kako depresija vpliva na kognitivne sposobnosti?
Vida Ana Politakis
Razvoj depresije pri otrocih z vidika navezovalnega vedenja
Neža Grgurevič
Sonja Prpar Mihevc
Umetno inteligentna nevroznanost: srečanje nevronskih mrež in možganske fiziologije
Kristijan Armeni
Čebelji strup pri preventivi nevrodegenerativnih bolezni in priložnost za klinično prakso
Matjaž Deželak
eSinapsa, 2019-17
IgG4+ – skupni imenovalec diagnoz iz preteklosti
Cene Jerele, Katarina Šurlan Popovič
Nov molekulski mehanizem delovanja ketamina v astrocitih
Matjaž Stenovec
Praktični pristop k obravnavi utrujenosti in motenj spanja pri bolnikih z multiplo sklerozo
Nik Krajnc, Leja Dolenc Grošelj
Jure Pešak
eSinapsa, 2020-18
Bolezni spektra anti-MOG pri odraslih
Nik Krajnc
Samomor pod lupo nevroznanosti
Alina Holnthaner
eSinapsa, 2020-19
Ob mednarodnem dnevu znakovnih jezikov
Anka Slana Ozimič
Teorija obetov: kako sprejemamo tvegane odločitve
Nastja Tomat
Sara Fabjan
Matjaž Deželak
Nina Stanojević, Uroš Kovačič
Od človeških nevronov do možganskih organoidov – nova obzorja v nevroznanosti
Vesna M. van Midden
Splošna umetna inteligenca ali statistične jezikovne papige?
Kristijan Armeni
Zunajcelični vezikli kot prenašalci zdravilnih učinkovin preko krvno-možganske prepreke
Saša Koprivec
Matjaž Deželak
eSinapsa, 2021-20
Migrena: starodavna bolezen, sodobni pristopi k zdravljenju
Eva Koban, Lina Savšek
Zgodnji razvoj socialnega vedenja
Vesna Jug
Nastja Tomat
Mikrosplet: povezovanje preko mikrobioma
Tina Tinkara Peternelj
Stimulacija možganov kot način zdravljenja depresije
Saša Kocijančič Azzaoui
eSinapsa, 2021-21
eSinapsa, 2022-22
Sodobni vidiki motenj hranjenja
Karin Sernec
Ples in gibalni dialog z malčki
Neva Kralj
Atul Gawande
Jezikovna funkcija pri Alzheimerjevi bolezni
Gašper Tonin
Dostava terapevtikov preko krvno-možganske pregrade
Matjaž Deželak
eSinapsa, 2022-23
Akutni ishemični infarkt hrbtenjače pri zdravih otrocih – kaj lahko pove radiolog?
Katarina Šurlan Popovič, Barbara Šijaković
eSinapsa, 2023-24
Možganska omrežja pri nevrodegenerativnih boleznih
Tomaž Rus, Matej Perovnik
Morske živali kot navdih za nevroznanstvenike: morski konjiček, morski zajček in klobučnjak
Tina Bregant
Metoda Feldenkrais: gibanje in nevroplastičnost
Mateja Pate
Etično naravnana animalna nevroznanost
Maša Čater
Helena Motaln, Boris Rogelj
eSinapsa, 2023-25
Urban Košak, Damijan Knez, Anže Meden, Simon Žakelj, Jurij Trontelj, Jure Stojan, Maja Zakošek Pipan, Kinga Sałat idr.
eSinapsa, 2024-26
Naravno okolje kot vir zdravja in blagostanja
Karin Križman, Grega Repovš, Gaja Zager Kocjan, Gregor Geršak
Katja Peganc Nunčič, Damjan Osredkar
Tanja Goltnik
Ali je zgodnje vstajanje dedno?
Cene Skubic, Laura Plavc, Damjana Rozman, Leja Dolenc Grošelj
Skokovit razvoj strojnega učenja in naprednih statističnih modelov pušča svoj odtis tudi v uporabni nevroznanosti in nevrotehnologijah. Nedavno smo v eSinapsi predstavili rabo strojnega učenja in tehnologije umetnih nevronskih mrež (angl. artificial neural networks, ANN), za analizo in napovedovanje posameznikove možganske aktivnosti na osnovi jezikovnih dražljajev in slišanega besedila. Tokrat si pogledamo primer zrcalnega pristopa: rekonstrukcija prebranega besedila na podlagi izmerjene možganske aktivnosti. V prispevku predstavimo nedavno študijo, kjer so s tehnologijo nevronskih mrež izboljšali točnost »prevoda« možganskega signala v besedilo.
Elektroencefalografija (angl. electroencephalography, EEG) v širšem pomenu se nanaša na metode merjenja električne aktivnosti možganov. V kognitivni nevroznanosti s človeškimi udeleženci je EEG najpogosteje zajet z elektrodami na lasišču 1. Takšne meritve so neinvazivne, saj za izvedbo ne zahtevajo nikakršnih operativnih postopkov. Kadar pa merjenje EEG poteka invazivno, tj. med operacijo neposredno na oz. v možganih, govorimo o intrakranialni elektroencefalografiji (angl. intracranial electroencephalography, iEEG) 2. Meritve iEEG se izvajajo na dva načina, bodisi na površju možganov s subduralnimi elektrodami (angl. subdural electrodes, slika 1)3 bodisi v možganih z globinskimi elektrodami (angl. depth electrodes). Ker so meritve iEEG bližje nevronskemu izvoru elektrofiziološke aktivnosti, je signal iEEG tipično kvalitetnejši in ima manj šuma kot EEG izmerjen na skalpu.
Študija, ki jo predstavimo v nadaljevanju, sodi v sklop širšega področja grajenja t. i. kodirnih oz. napovednih ter dekodirnih oz. klasifikacijskih modelov možganskega signala 4. Cilj napovednih modelov je na podlagi opisa dražljajev (npr. besedila, ki ga udeleženec bere) napovedati specifične značilnosti možganske aktivnosti, ko udeleženec procesira določen dražljaj, na primer intenziteto možganskega signala skozi čas). Pri klasifikacijskih modelih je narava naloge obrnjena: na podlagi značilnosti izmerjene možganske aktivnosti želimo ugotoviti, kateri dražljaji oz. njihove lastnosti so bili procesirani ob merjenju tega signala. S takšnim pristopom lahko kognitivni nevroznanstveniki sklepajo – ob upoštevanju znanih interpretacijskih čeri – o najverjetnejši kognitivni funkciji možganskih regij oz. nevronskih populacij 5. Če lahko, denimo, na podlagi meritev iz regije A z dovolj veliko uspešnostjo dekodiramo, ali je beseda samostalnik ali glagol, je možen zaključek, da je ena izmed kognitivnih funkcij regije A obdelava skladenjskih značilnosti besed. Povedano nekoliko drugače, meritve možganske aktivnosti v tej regiji vsebujejo določen signal, ki ga dekodirni algoritem lahko izkoristi za uspešno razvrščanje testnih besed med glagole in samostalnike.
Za mnoge raziskovalce je pomembnejša uporabna plat dekodirnih modelov. So namreč sestavni del pri gradnji vmesnikov možgani–računalnik (angl. brain-computer interface, BCI, oz. brain-machine interface, BMI) 6, 7, 8. Trenutno se BCI najpogosteje uporablja za nadomestitev gibalnih sposobnosti pri težko paraliziranih bolnikih. Uporabnik BCI si zamisli želeni gib oz. smer, iz možganskih meritev je moč dekodirati gibalni signal, ki se ga nato uporabi za nadzor in (omejeno) krmiljenje zunanje naprave – proteze. Poleg gibalnih sposobnosti se danes raba BCI razvija tudi na drugih področjih, denimo v nevropsihiatričnih kontekstih za izboljšanje posameznikovega čustvenega funkcioniranja 9. Pomemben sklop potencialne uporabe BCI, kar opisuje tu predstavljena študija, je tudi nadomestitev govornih oz. komunikacijskih sposobnosti 10, 11.
Makin in sodelavci 12 so pokazali, da nov pristop h grajenju dekodirnih modelov ECoG-signala z umetnimi nevronskimi mrežami izboljša točnost rekonstrukcije besedila glede na prejšnje raziskave. Povprečni odstotek napačno dekodiranih besed v stavkih (angl. word error rate, WER) na podlagi meritev ECoG »najboljšega« udeleženca je znašal 3 %, pri ostalih treh udeležencih pa se giblje med 10 in 20%. Kot izpostavljajo avtorji, je dosedanja najuspešnejša študija 13 poročala o 60-odstotni WER. Sprejemljive vrednosti WER v tehnoloških aplikacijah znašajo 20–25%, človeška uspešnost pa navadno niha okoli 5%. Kaj točno je torej novost, ki omogoča takšen skok v točnosti, resda na omejenem številu udeležencev in z uporabo preprostega besedila?
Težko je izpostaviti sen sam dejavnik. Na uspešnost dekodirnih modelov namreč vplivajo, med drugim, kvaliteta in količina podatkov za učenje algoritmov, optimalna izbira začetnih vrednosti parametrov algoritma in kompleksnost ciljnega besedila. Čeprav je njihov dekodirni model kompleksen in vključuje več komponent, so Makin in sodelavci pokazali, da so nevronske mreže ključne. Ko namreč dekodiranje ponovijo s predhodno uporabljenimi algoritmi, ki delujejo na osnovi fonetičnih značilnosti govora – ne pa celih besed in stavkov – WER poskoči na približno 33%. Pomembni so tudi drugi deli dekodirne verige. WER se denimo poslabša, če pred dekodiranjem omejijo količino podatkov ECoG (tj. uporabijo manj elektrod), če predhodno ne obdelajo signalov ali če dekodirnik nima informacije o akustičnih značilnostih prebranega stavka (tj. kot dodatne informacije, poleg besed).
Pri pristopu, ki so ga ubrali Makin in sodelavci, ne gre zgolj za analogijo z prevajanjem 14. Uporabili so namreč nevronske mreže s povratno zanko (angl. recurrent neural networks, RNNs) – algoritme strojnega učenja, ki so izredno uspešni pri procesiranju sekvenčnih podatkov, kot so tekstovna besedila. RNN dandanes poganjajo večino strojnih prevajalnikov in jezikovnih tehnologij 14. V študiji so uporabili dvodelno »kodirno-dekodirno« RNN (angl. encoder-decoder RNN) 15. Če poenostavimo sicer kompleksno analizo, kodirna RNN najprej zajame predhodno obdelan in s stavkom povezan) ECoG-signal in ga pretvori v vmesno obliko, imenovano »skrito stanje«. To je niz številčnih vrednosti, ki predstavlja aktivacije vseh procesnih enot oz. »nevronov« v mreži. Druga, dekodirna RNN pa je nato optimizirana tako, da na podlagi danega skritega stanja kodirne RNN in predhodne besede v stavku napove naslednjo besedo v stavku s čim manj napakami. Dekodirna RNN tako procesira vse besede, dokler ne doseže simbola za konec stavka. Rekonstruiran stavek se nato primerja z dejanskim stavkom. Med optimizacijo oz. učenjem se postopek ponavlja in nastavlja povezave med »nevroni« v mreži, dokler WER ni minimalna.
Pomembna novost takšnega pristopa je – poleg spodbudne končne uspešnosti – da raziskovalcu za učenje dekodirnika ni potrebno vnaprej pripraviti natančnega opisa (npr. fonetičnega, skladenjskega, pomenskega ipd.) jezikovnih dražljajev (npr. 13), ta del je namreč prepuščen kodirni RNN. Raziskovalec mora v tem primeru zgolj določiti ciljno nalogo (razvrščanje besed v stavke) in izbrati ustrezne parametre algoritma, ki je uporabljen za učenje RNN. Če dekodirna RNN uspešno rekonstruira besedilo, to med drugim pomeni, da je kodirna RNN v meritvah ECoG razbrala vzorce aktivnosti, ki jih nato dekodirna RNN lahko uporabi za razvrščanje besed. Pomembno pa je izpostaviti tudi t. i. učenje s prenosom (angl. transfer learning). Omenili smo že, da je zbiranje podatkov pri ECoG zaradi klinične narave omejeno. Makin in sodelavci pokažejo, da je mogoče dekodirnik pri udeležencih z malo podatki izboljšati s t. i. »predučenjem« (angl. pretraining). Dekodirnik se sprva nauči razvrščati na podlagi enega udeleženca, za katerega je na voljo več podatkov, nato pa je naučeni dekodirnik moč prenesti in uporabiti na (omejenih) podatkih ciljnega udeleženca, s čimer ga dodatno prilagodi. Izkaže se, da so Makin in sodelavci na ta način WER pri udeležencu z malo podatki v povprečju znižali za 17 %, pri drugem pa prenos ni deloval.
Izpostaviti velja, da so v študiji dekodirali besedila udeležencev z delujočim govornim aparatom, ki besedilo lahko preberejo na glas. Toda zakaj bi morali besedilo rekonstruirati na podlagi možganskega signala, ko pa je na voljo zvočni zapis dejansko izgovorjenega besedila? Študija predstavlja zgolj prve korake. Prava vrednost dekodirnika na podlagi ECoG bo, ko bo moč v realnem času dekodirati zamišljeni govor, tj. jezikovna sporočila, ki pa jih ne izgovorimo 10. Ena od možnih aplikacij je na bolnikih s t. i. sindromom popolne zaklenjenosti (angl. complete locked-in syndrome), ki izgubijo vsakršno zmožnost motoričnega odziva. V nekaterih raziskavah so pri rekonstrukciji fonetičnih značilnosti zamišljenega govora že dosegli določen uspeh 16. Ko bo rekonstrukcija zamišljenega govora mogoča, se dalje postavlja vprašanje hitrosti: lahko opisani dekodirnik deluje dovolj hitro za potrebe vsakdanjega življenja? Avtorji resda omenijo, da »dekodirnik deluje skoraj v realnem času«, a natančnejših meritev ne ponudijo. Do prave praktične vrednosti dekodirnika ECoG na osnovi nevronskih mrež, bo torej – kot že tolikokrat v znanosti in tehnologiji – treba še počakati.
F. Lopes da Silva, „EEG and MEG: Relevance to neuroscience“, Neuron, let. 80, št. 5, str. 1112–1128, dec. 2013, doi: 10.1016/j.neuron.2013.10.017. ↩
J. Parvizi in S. Kastner, „Promises and limitations of human intracranial electroencephalography“, Nature Neuroscience, let. 21, št. 4, str. 474–483, apr. 2018, doi: 10.1038/s41593-018-0108-2. ↩
R. P. Lesser, N. E. Crone, in W. R. S. Webber, „Subdural electrodes“, Clinical Neurophysiology, let. 121, št. 9, str. 1376–1392, sep. 2010, doi: 10.1016/j.clinph.2010.04.037. ↩
C. R. Holdgraf, J. W. Rieger, C. Micheli, S. Martin, R. T. Knight, in F. E. Theunissen, „Encoding and decoding models in cognitive electrophysiology“, Frontiers in Systems Neuroscience, let. 11, sep. 2017, doi: 10.3389/fnsys.2017.00061. ↩
N. Kriegeskorte in P. K. Douglas, „Interpreting encoding and decoding models“, Current Opinion in Neurobiology, let. 55, str. 167–179, apr. 2019, doi: 10.1016/j.conb.2019.04.002. ↩
M. van Gerven idr., „The brain–computer interface cycle“, Journal of Neural Engineering, let. 6, št. 4, str. 041001, avg. 2009, doi: 10.1088/1741-2560/6/4/041001. ↩
M. A. Lebedev in M. A. L. Nicolelis, „Brain–machine interfaces: past, present and future“, Trends in Neurosciences, let. 29, št. 9, str. 536–546, sep. 2006, doi: 10.1016/j.tins.2006.07.004. ↩
V. Logar in A. Belič, „A possible use of EEG signals in a brain-computer interface“, Slovenian Medical Journal, let. 80, št. 2, Art. št. 2, feb. 2011, Pridobljeno: jun. 18, 2020. [Na spletu]. Dostopno na: https://vestnik.szd.si/index.php/ZdravVest/article/view/111. ↩
M. M. Shanechi, „Brain–machine interfaces from motor to mood“, Nature Neuroscience, let. 22, št. 10, str. 1554–1564, okt. 2019, doi: 10.1038/s41593-019-0488-y. ↩
M. J. Vansteensel in B. Jarosiewicz, „Brain-computer interfaces for communication“, v Handbook of Clinical Neurology, let. 168, Elsevier, 2020, str. 67–85. ↩
T. M. Vaughan, „Brain-computer interfaces for people with amyotrophic lateral sclerosis“, v Handbook of Clinical Neurology, let. 168, Elsevier, 2020, str. 33–38. ↩
J. G. Makin, D. A. Moses, in E. F. Chang, „Machine translation of cortical activity to text with an encoder–decoder framework“, Nature Neuroscience, let. 23, št. 4, str. 575–582, apr. 2020, doi: 10.1038/s41593-020-0608-8. ↩
C. Herff idr., „Brain-to-text: decoding spoken phrases from phone representations in the brain“, Frontiers in Neuroscience, let. 9, jun. 2015, doi: 10.3389/fnins.2015.00217. ↩
G. B. Cogan, „Translating the brain“, Nature Neuroscience, let. 23, št. 4, str. 471–472, apr. 2020, doi: 10.1038/s41593-020-0616-8. ↩
A. Graves, „Generating sequences with recurrent neural networks“, arXiv:1308.0850 [cs], jun. 2014, Pridobljeno: mar. 26, 2020. [Na spletu]. Dostopno na: http://arxiv.org/abs/1308.0850. ↩
I. Sutskever, O. Vinyals, in Q. V. Le, „Sequence to sequence learning with neural networks“, v Proceedings of the 27th International Conference on Neural Information Processing Systems - Volume 2, 2014, str. 3104–3112, [Na spletu]. Dostopno na: http://dl.acm.org/citation.cfm?id=2969033.2969173. ↩
Kristijan Armeni, MSc in cognitive neuroscience,
doktorski raziskovalec na Inštitutu F.C. Dondersa za možgane, kognicijo in vedênje,
Nizozemska
Prejeto: 28.5.2020
Objavljeno: 14.7.2020