How Many Bytes Can You Take Out Of Brain-To-Text Decoding?

脑-计算机接口在帮助语言和研究大脑方面具有很大的医学和科学应用前景。在这项工作中，我们提出了一种基于信息的评估指标，用于评估脑-文本解码器的性能。利用这个指标，我们研究了两种方法来增强现有的最先进的连续文本解码器。我们表明，这些方法结合起来可以将脑解码性能提高高达40％，与基准模型相比。我们进一步研究了脑-文本解码器的信息属性，并实证表明它们具有Zipfian幂律动力学。最后，我们提供了基于fMRI的文本解码器理想性能的估计。我们将这个理想模型与我们当前的模型进行比较，并使用我们的基于信息的指标来量化解码错误的主要来源。我们得出结论，随着进一步算法改进，实用的脑-文本解码器很可能是可能的。

研究脑-文本解码器的信息评估指标，提出了两种方法来增强现有的连续文本解码器的性能。

使用信息度量方法来评估脑-文本解码器的性能，并提出两种方法来提高解码器的性能。

论文使用Zipfian幂律动力学来研究脑-文本解码器的信息特性，并提供了fMRI文本解码器的理想性能估计。研究还发现，使用两种方法可以将解码器的性能提高40%以上。

最近的相关研究包括：1. "Real-time decoding of question-and-answer speech dialogue using human cortical activity" 2. "Speech synthesis from ECoG using densely connected 3D convolutional neural networks"