Pengenalan Ucapan Vokal Dari Elektroensefalografi Tikus Menggunakan Jaringan Syaraf Memori Jangka Pendek Bagian 3

Pengklasifikasi pembelajaran mesin

Kinerja BiLSTM dibandingkan dengan pengklasifikasi pembelajaran mesin konvensional: SVM dengan kernel linier (SVM_lin), SVM dengan kernel fungsi basis radial (SVM_rbf), randomforests (RF), NB, dan KNN.

Random forest merupakan algoritma pembelajaran mesin yang saat ini banyak digunakan di berbagai bidang analisis dan prediksi data. Dibandingkan dengan algoritme pembelajaran mesin lainnya, algoritme ini memiliki ketahanan dan akurasi yang lebih baik, sekaligus mengurangi overfitting secara efektif. Dalam beberapa tahun terakhir, cakupan penerapan hutan acak telah meluas, dan bahkan dapat digunakan untuk memprediksi kemampuan memori tertentu manusia.

Dalam bidang psikologi kognitif, memori merupakan arah penelitian yang sangat penting. Para ilmuwan telah mencari cara sederhana dan efektif untuk menilai tingkat memori manusia. Dalam beberapa tahun terakhir, kemunculan random forest telah membawa ide dan metode baru dalam bidang ini.

Random Forest dapat melatih model untuk memprediksi suatu variabel, bisa berupa apa pun yang ingin Anda prediksi, termasuk kemampuan memori. Para ilmuwan dapat memasukkan faktor-faktor yang relevan ke dalam model hutan acak untuk memprediksi seberapa baik skor seseorang dalam tes memori. Faktor tersebut dapat berupa faktor seperti usia, tingkat pendidikan, jenis kelamin, berat badan, dll, atau indikator biologis seperti struktur otak. Menurut penelitian, terdapat hubungan tertentu antara faktor-faktor tersebut dengan kemampuan memori manusia.

Dengan mengumpulkan dan menganalisis sejumlah besar data uji dari subjek, para ilmuwan dapat membangun model yang memprediksi kemampuan memori dalam model hutan acak. Memprediksi hasil dapat memberikan informasi berharga tentang kinerja subjek di masa depan pada tes memori tertentu.

Singkatnya, algoritma hutan acak memberi para ilmuwan cara baru untuk mengevaluasi tingkat memori manusia. Di masa depan, penerapannya mungkin memainkan peran penting dalam psikologi kognitif, ilmu saraf, dan bidang lainnya. Kami mempunyai alasan untuk percaya bahwa kombinasi hutan acak dan teknik lainnya dapat memberikan perspektif yang lebih luas dan pemahaman yang lebih mendalam tentang penelitian fungsi otak manusia. Terlihat bahwa kita perlu meningkatkan daya ingat, dan Cistanche deserticola dapat meningkatkan daya ingat secara signifikan, karena Cistanche deserticola juga dapat mengatur keseimbangan neurotransmiter, seperti meningkatkan kadar asetilkolin dan faktor pertumbuhan. Zat-zat ini sangat penting untuk daya ingat dan pembelajaran. Selain itu, Daging juga dapat meningkatkan aliran darah dan meningkatkan pengiriman oksigen, yang dapat memastikan otak menerima nutrisi dan energi yang cukup, sehingga meningkatkan vitalitas dan daya tahan otak.

Klik tahu cara meningkatkan fungsi otak

SVM [74] bertujuan untuk menentukan hyperplane yang dipisahkan secara optimal dengan memaksimalkan margin, yaitu jarak antar vektor pendukung. Dengan menggunakan trik kernel, SVM mampu memetakan ruang fitur dari dimensi rendah ke dimensi tinggi; oleh karena itu, ia dapat melakukan klasifikasi linier dan klasifikasi non-linier secara efisien.

RF [75] beroperasi dengan membangun beberapa pohon keputusan selama fase pelatihan dan menghasilkan kelas akhir yang menggabungkan hasil dari setiap pohon keputusan. NB [76, 77] adalah pengklasifikasi probabilistik berdasarkan teorema Bayes dan probabilitas bersyarat yang biasanya mengasumsikan bahwa semua fitur tidak tergantung satu sama lain.

KNN [78] merupakan pendekatan non-parametrik yang mengklasifikasikan masukan berdasarkan kelas mayoritas dari k-tetangga terdekatnya dalam ruang fitur. Biasanya nilai k dipilih sebagai bilangan ganjil untuk menghindari kelas terikat.

Untuk melatih dan mengevaluasi model pembelajaran mesin di atas, 10-CV yang sama digunakan seperti di BiLSTM. Semua model pembelajaran mesin diimplementasikan menggunakan perpustakaan Scikit-Learn [73] dengan Python.

Analisis statistik

Semua analisis statistik dilakukan menggunakan perangkat lunak SPSS (SPSS versi 20.0, SPSS Inc.,Armonk, NY, USA) dan perangkat lunak MATLAB versi 2017b (Mathworks, Inc., MA, USA).

Data dianalisis dengan statistik parametrik karena semua data dalam penelitian menunjukkan distribusi normal pada uji Shapiro-Wilk (p > 0.05). ANOVA digunakan untuk menganalisis signifikansi statistik TFR menurut rangsangan vokal yang berbeda.
Selain itu, pengukuran ANOVA berulang dilakukan untuk membandingkan kinerja masing-masing pengklasifikasi. Selanjutnya, perbandingan berpasangan menggunakan uji-t berpasangan dilakukan antara jaringan BiLSTM dan pengklasifikasi pembelajaran mesin klasik lainnya, dan koreksi Bonferroni dilakukan untuk menyesuaikan inflasi tingkat kesalahan tipe I.

Signifikansi statistik dari nilai p ditetapkan sebesar 0.01 ketika membandingkan TFR respons EEG, sedangkan tingkat signifikansi nilai p ditetapkan sebesar 0,05 ketika membandingkan kinerja antara jaringan BiLSTM dan pengklasifikasi pembelajaran mesin lainnya.

Hasil

Auditori membangkitkan potensi sebagai respons terhadap bunyi vokal

Sebanyak 19 tikus Sprague-Dawley menjalani operasi implantasi elektroda epidural, dan semua tikus selamat dari prosedur pembedahan tersebut. Hasilnya, respons EEG terhadap lima bunyi vokal bahasa Inggris direkam dari 19 tikus yang dianestesi isofluran. Untuk mengekstrak rata-rata bentuk gelombang AEP, semua respons saraf dirata-ratakan pada subjek untuk setiap stimulus. Gambar 4 menyajikan rata-rata bentuk gelombang AEP untuk setiap bunyi vokal dari AAF bilateral.

Seperti yang diharapkan, setiap bunyi vokal kategoris membangkitkan aktivitas saraf yang berbeda di AAF bilateral dengan amplitudo puncak dan latensi yang bervariasi. Amplitudo puncak AEP, didefinisikan sebagai tegangan tertinggi yang tercatat setelah rangsangan vokal, paling kecil untuk /i/ (61,74 ㎶ di AAF kiri dan 61,27 ㎶ di AAF kanan), sedangkan AEP sebagai respons terhadap /a/ menunjukkan amplitudo puncak terbesar (92,12 ㎶ di AAF kiri dan 90,18 ㎶ di AAF kanan).

Latensi puncak, yang didefinisikan sebagai durasi dari permulaan stimulus hingga amplitudo puncak adalah sekitar {{0}},39 detik hingga 0,5 detik, terpendek dalam /i/(0. 39 detik pada AAF kiri dan kanan), dan terpanjang pada suara /o/ (0,51 detik pada AAF kiri dan kanan). Seperti yang ditunjukkan pada Gambar 4, bentuk gelombang AEP serupa diamati dari AAF kiri dan kanan.

Analisis frekuensi waktu dari sinyal EEG

Analisis frekuensi waktu adalah metode yang ampuh untuk menganalisis sinyal EEG nonstasioner pada bidang frekuensi waktu dan digunakan untuk memberikan informasi kualitatif untuk klasifikasi EEG [79, 80]. Oleh karena itu, TFR dari EEG rata-rata besar dihitung untuk setiap suara untuk mengidentifikasi perubahan terkait pengenalan vokal dalam besaran dan fase osilasi EEG pada frekuensi tertentu (Gambar 5A).

Dari analisis TFR, aktivasi daya tinggi diamati di sekitar pita delta (1–4 Hz), theta (4–8 Hz), dan alfa (8–12 Hz) pada 0.3–{{8} }.6 detik sejak timbulnya rangsangan, apa pun rangsangan bunyi ucapannya.

Selain itu, uji ANOVA dengan koreksi Bonferroni dilakukan untuk menganalisis komponen TFR yang signifikan secara statistik menurut masing-masing stimulus vokal.

Selanjutnya, kekuatan area yang signifikan secara statistik (p <{0}}.01) diwakili oleh nilai-F (Gambar 5B). Dalam analisis, sebagian besar pita frekuensi EEG 0,2-0,8 detik berbeda secara signifikan menurut rangsangan vokal.

Selain itu, bagian TFR dari {{0}}0,8–1 detik juga berbeda secara statistik untuk setiap stimulus. Dengan mempertimbangkan bentuk gelombang AEP dan hasil uji ANOVA, disimpulkan bahwa AEP dari 0,2–0,8 detik setelah stimulus vokal merupakan respons saraf yang paling informatif dan terkait dengan pengenalan suara vokal.

Pelatihan model dan evaluasi jaringan BiLSTM

Berdasarkan hasil Gambar 5B, data EEG yang difilter band-pass antara 1–60 Hz dengan jendela waktu 0,2–0,8 detik dipilih. Kemudian, skor-z dari data EEG yang dipilih digunakan sebagai masukan ke jaringan BiLSTM.

Semua data EEG dibagi menjadi 10 lipatan dalam setiap subjek untuk mengevaluasi jaringan BiLSTM. Oleh karena itu, kinerja pengujian diperoleh per lipatan menggunakan model terlatih dengan sisa lipatan dalam skema 10-CV.

Kinerja jaringan dievaluasi menggunakan metrik akurasi, skor f{{0}}, dan statistik kappa Cohen κ (Gambar 6 dan Tabel 1). Rata-rata akurasi diskriminasi EEG lima kelas jaringan BiLSTM adalah 75,18 ± 7.06% dan skor f1-adalah 0.74 ± 0.08 . κ Cohen adalah 0,68 ± 0,09, yang ditafsirkan sebagai kesepakatan moderat [81].

Untuk menganalisis kinerja jaringan BiLSTM secara lebih rinci, matriks konfusi pada Gambar 7 diplot. Hal ini menunjukkan bahwa banyak kesalahan disebabkan oleh kesalahan klasifikasi respon EEG pada /u/ sebagai /a/ dan /e/ sebagai /o/. Namun, jaringan BiLSTM mengklasifikasikan sebagian besar respons EEG dengan akurasi lebih dari 50%, akurasi tinggi dalam klasifikasi EEG lima kelas.

Perbandingan jaringan BiLSTM dengan metode pembelajaran mesin lainnya

Untuk memvalidasi efektivitas jaringan BiLSTM dalam mengklasifikasikan EEG untuk pengenalan suara vokal, hasilnya dibandingkan dengan metode pembelajaran mesin konvensional lainnya. Gambar 6 dan Tabel 1 menunjukkan kinerja pengklasifikasi pembelajaran mesin.

RF menunjukkan akurasi klasifikasi tertinggi di antara algoritma pembelajaran mesin konvensional (akurasi: 63,21 ± 7,41%, skor f1-: 0.62 ± 0.09, dan Cohen's : 0,52 ± 0,1). Dalam analisis statistik, kinerja klasifikasi RF tidak jauh lebih tinggi dibandingkan dengan SVM_lin dan SVM_rbf, namun menunjukkan kinerja yang lebih tinggi jika dibandingkan dengan NB dan KNN.

Namun, ketika performa algoritme pembelajaran mesin konvensional, termasuk RF, dibandingkan dengan BiLSTM, terlihat jelas bahwa jaringan BiLSTM lebih unggul untuk semua metrik yang digunakan dalam penelitian (p < 0.01).

Dalam matriks konfusi, algoritme pembelajaran mesin konvensional tidak dapat membedakan respons EEG tertentu dengan baik. Secara khusus, semua algoritma pembelajaran mesin konvensional mengalami kesulitan dalam membedakan suara /u/. Tercatat bahwa algoritme menunjukkan kecenderungan salah mengklasifikasikan suara /u/ sebagai /a/ rata-rata 30% (25,96% di NB hingga 36,97% di KNN), yang mengakibatkan penurunan kinerja klasifikasi secara keseluruhan (Gambar 7) .

Diskusi

Dalam penelitian ini, respons EEG epidural tikus terhadap lima bunyi vokal kategoris (/a/, /e/, /i/, /o/, dan/u/) didiskriminasi menggunakan jaringan BiLSTM. Klasifikasi lima kelas sinyal EEG epidural dilakukan berdasarkan percobaan tunggal, yang diketahui menantang. Untuk memaksimalkan kinerja pembelajaran, penelitian ini mencoba menentukan komponen EEG spesifik yang mungkin terkait dengan pengenalan bunyi ujaran di otak tikus dan memanfaatkan komponen EEG tersebut sebagai fitur masukan. Hasilnya, kinerja yang relatif tinggi dalam mengklasifikasikan AEP menjadi lima bunyi vokal berbeda dicapai dengan menggunakan BiLSTM. Perbandingan kinerja klasifikasi jaringan BiLSTM dengan algoritma pembelajaran mesin lainnya menunjukkan bahwa jaringan BiLSTM mengungguli pengklasifikasi klasik lainnya. Hasil ini menunjukkan bahwa jaringan BiLSTM yang dilatih dengan komponen EEG terkait pengenalan suara secara andal mengklasifikasikan AEP ke setiap bunyi vokal kategorikal dengan tingkat akurasi yang tinggi. Sepengetahuan kami, jaringan LSTM belum diterapkan pada klasifikasi respons EEG terhadap rangsangan pendengaran, dan ini adalah studi pertama yang menggunakan algoritma pembelajaran mendalam untuk menganalisis sinyal EEG dari AAF tikus.

Saat ini, hanya sedikit penelitian yang menggunakan arsitektur LSTM untuk mencapai hasil canggih dalam klasifikasi berbasis EEG. Arsitektur LSTM cocok untuk klasifikasi berbasis EEG karena strukturnya yang seperti rantai dapat menangkap urutan temporal data EEG [82]. Pada awalnya, penelitian difokuskan pada peningkatan hasil klasifikasi melalui berbagai arsitektur LSTM; Namun, fitur masukan masih diekstraksi secara manual, seperti pada metode pembelajaran mesin konvensional [83, 84].

Tsiouris dkk. mengevaluasi kinerja beragam kombinasi elemen jaringan LSTM untuk menemukan arsitektur LSTM yang paling efisien untuk mendeteksi serangan epilepsi, sehingga memperoleh hasil yang hampir sempurna dalam prediksi kejang (sensitivitas 100% dan spesifisitas 99.86%) [83]. Karena LSTM adalah struktur yang kuat untuk memproses data berurutan, beberapa penelitian menggunakan data EEG mentah sebagai fitur masukan dengan prapemrosesan minimal. Karena jaringan LSTM secara langsung mempelajari fitur-fitur dari data EEG mentah, kinerja dalam studi pengenalan emosi meningkat setidaknya 12% [85], dan hasil studi klasifikasi citra motorik juga meningkat [86], jika dibandingkan dengan jaringan tradisional lainnya. teknik ekstraksi fitur.

Selain itu, arsitektur BiLSTM digunakan untuk klasifikasi berbasis EEG karena dapat mengakses informasi dari keadaan masa lalu dan masa depan. Oleh karena itu, dengan mendeteksi berbagai keadaan otak yang tercermin dalam data EEG, seperti kejang, tidur, dll. [63-67], jaringan BiLSTM umumnya mengungguli jaringan LSTM yang hanya menangkap informasi masa lalu dari urutan ke arah depan. Karena alasan ini, kinerja tinggi telah dilaporkan dalam klasifikasi berbasis EEG baru-baru ini menggunakan jaringan BiLSTM. Sharma dkk. mencapai akurasi klasifikasi 82,01% untuk empat jenis emosi berdasarkan algoritma BiLSTM dan statistik tingkat tinggi [87]. Selain itu, jaringan BiLSTM berhasil mengklasifikasikan tipe epilepsi dan tahapan tidur [88, 89].

Mirip dengan penelitian sebelumnya, penelitian ini mencapai hasil yang relatif baik dengan menggunakan jaringan BiLSTM. Algoritme yang diusulkan berhasil membedakan respons EEG terhadap lima suara vokal dengan nilai akurasi, skor f{{0}}yang tinggi, dan κ Cohen masing-masing sebesar 75,18%, 74,43%, dan 0,68. Nilai κ Cohen untuk klasifikasi lima kelas lebih tinggi daripada yang terlihat pada sebagian besar penelitian terkini [90]. Seperti yang diilustrasikan pada Gambar 6, metode BiLSTM menghasilkan nilai tertinggi untuk semua metrik dibandingkan dengan metode pembelajaran mesin lainnya. Selain itu, untuk menentukan perbedaan statistik dalam kinerja klasifikasi, hasil ANOVA yang diukur berulang-ulang dianalisis antara BiLSTM dan metode pembelajaran mesin klasik lainnya menggunakan semua nilai tematik. Melalui analisis statistik, ditentukan bahwa kinerja klasifikasi jaringan BiLSTM secara signifikan lebih tinggi dibandingkan metode pembelajaran mesin klasik lainnya (p <0,01). Hasil ini juga konsisten dengan matriks konfusi. Seperti yang ditunjukkan pada Gambar 7, jaringan BiLSTM memprediksi label sebenarnya dari lima bunyi vokal dengan baik, sedangkan metode pembelajaran mesin klasik tidak.

Prediksi yang diperoleh melalui pengklasifikasi pembelajaran mesin konvensional sangat buruk dalam mengklasifikasikan suara /u/; suara /u/ sebagian besar disalahartikan sebagai /a/. Bahkan RF, yang menunjukkan kinerja terbaik di antara lima pengklasifikasi pembelajaran mesin konvensional, memiliki tingkat klasifikasi sebesar 34,48% untuk suara/u/, dengan tingkat kesalahan klasifikasi suara /u/ sebagai suara /a/ sebesar 33,89%. Seperti dapat dilihat pada Gambar 4, suara /a/ dan /u/ memiliki latensi puncak yang serupa, yang merupakan salah satu karakteristik utama bentuk gelombang AEP (latensi puncak suara /a/: 0.448, puncak latensi suara /u/: 0.444). Ketika klasifikasi dilakukan berdasarkan sinyal EEG percobaan tunggal yang telah diproses secara minimal, tampaknya kesamaan tersebut tidak dapat dibedakan dengan algoritma pembelajaran mesin konvensional, sedangkan jaringan BiLSTM bisa membedakannya.

Mengingat jaringan BiLSTM dapat mengakses semua konteks masa lalu dan masa depan secara bersamaan, banyak informasi dapat dipelajari melalui jaringan ini. Selain itu, meskipun fitur yang mencerminkan karakteristik respons EEG terhadap setiap bunyi vokal diekstraksi langsung dari arah depan dan belakang lapisan LSTM, kinerja klasifikasinya ditingkatkan. Dalam penelitian ini, kita dapat memperoleh hasil klasifikasi yang baik menggunakan arsitektur BiLSTM sederhana tanpa tambahan proses ekstraksi fitur buatan tangan.

Mengklasifikasikan respons ERP terhadap rangsangan bicara dalam satu percobaan sangat menantang karena karakteristik SNR EEG yang rendah. Meskipun salah satu keuntungan utama metode pembelajaran mendalam adalah kemampuannya mempelajari fitur tingkat tinggi tanpa ekstraksi fitur inti, kami berusaha memilih sinyal EEG yang paling relevan terkait dengan pengenalan suara untuk mencapai kinerja yang lebih baik. Dalam studi ini, bentuk gelombang AEP yang berbeda sesuai dengan setiap stimulus suara ucapan diamati dengan aktivasi daya tinggi dari pita frekuensi rendah, termasuk pita delta, theta, dan alfa, dalam analisis TFR. Osilasi saraf pada pita alfa telah diketahui secara luas memainkan peran penting dalam pemrosesan pendengaran. Mazaheri dkk. melaporkan bahwa pelemahan aktivitas alfa berkaitan erat dengan diskriminasi target pendengaran [91].

Staruß dkk. membuktikan bahwa osilasi alfa kortikal adalah mekanisme penting untuk secara selektif menghambat pemrosesan kebisingan untuk meningkatkan perhatian selektif pendengaran terhadap sinyal target [92]. Sebelumnya, kami juga menemukan bahwa kekuatan alfa sangat aktif di area temporal bilateral setelah rangsangan suara spesifik yang berbeda secara statistik dalam hal jenis suara [48]. Selain itu, pita delta dan theta diketahui berhubungan dengan pembentukan segmentasi dan pengaruh persepsi informasi akustik [93].

Meskipun penelitian ini didasarkan pada data eksperimen hewan, komponen terkait ucapan yang serupa, dibandingkan dengan penelitian sebelumnya pada subjek manusia, diamati dalam analisis TFR. Selain itu, dalam analisis statistik, semua pita EEG ditemukan signifikan dalam 1 menyaring rangsangan dan mewakili komponen EEG yang terkait dengan persepsi suara. Hasil ini agak berbeda dari penelitian sebelumnya, yang menunjukkan bahwa hanya pita EEG tertentu, seperti pita alfa, yang terkait dengan persepsi suara. Diharapkan bahwa perubahan halus di seluruh aktivitas pita EEG dicatat melalui perekaman EEG epidural karena menyediakan SNR yang lebih tinggi dengan mengurangi konduksi volume dan menghilangkan artefak yang melekat pada rekaman EEG ekstrakranial.

Dalam penelitian ini, komponen EEG terkait pengenalan suara pada tikus ditentukan dan komponen AEP berhasil diklasifikasikan menggunakan jaringan BiLSTM. Namun, penelitian ini memiliki beberapa keterbatasan. Pertama, jumlah mata pelajaran yang disertakan terlalu sedikit, terutama untuk pembelajaran mendalam. Selain itu, penelitian ini tidak mengevaluasi kinerja masing-masing pengklasifikasi dengan validasi eksternal, melainkan menggunakan 10-CV untuk mengatasi keterbatasan ukuran sampel. Selain itu, kita tidak dapat mengesampingkan kemungkinan bahwa sistem pendengaran tikus merespons suara secara terus-menerus karena hanya satu ucapan untuk setiap suara vokal yang digunakan dalam penelitian ini. Selain itu, respons EEG yang diperoleh dipengaruhi oleh efek anestesi. Meskipun dosis anestesi minimal yang digunakan, perlambatan frekuensi dengan peningkatan kekuatan delta merupakan temuan khas dari perubahan EEG setelah inhalasi isofluran [94]. Oleh karena itu, komponen EEG pengenalan vokal yang disarankan dalam penelitian ini mungkin berbeda dengan sinyal EEG yang diperoleh dari tikus yang terjaga. Namun, kami percaya bahwa kualitas sinyal EEG cukup baik karena EEG direkam melalui implantasi elektroda epidural, dan tidak terkontaminasi oleh artefak gerakan.

Kesimpulan

Sebagai kesimpulan, penelitian ini mengekstraksi komponen saraf bermakna yang terkait dengan persepsi ucapan kategoris. Lebih lanjut, berdasarkan karakteristik jaringan LSTM, terbukti bahwa jaringan BiLSTM cocok untuk mengklasifikasikan respon EEG dengan AEP yang diproses secara minimal. Karena penelitian ini merupakan penelitian pionir dengan data hewan, maka penelitian ini mungkin tidak dapat langsung diterapkan pada aplikasi praktis lainnya seperti antarmuka otak-komputer atau alat bantu komunikasi alternatif untuk manusia.

Oleh karena itu, penelitian di masa depan dengan data EEG manusia diperlukan untuk memverifikasi efektivitas jaringan BiLSTM dalam mengklasifikasikan pengenalan ucapan berbasis EEG pendengaran. Selain itu, perlu dievaluasi ulang untuk penyetelan parameter dan ekstraksi fitur yang optimal. Penelitian ini diharapkan dapat memberikan pendekatan baru untuk menganalisis sinyal EEG serta informasi berharga mengenai mekanisme persepsi dan pengenalan ucapan di otak.

Referensi

1. Wernicke C. Kompleks gejala afasia. Dalam: Cohen RS, Wartofsky MW, editor. Prosiding Kolokium Boston untuk Filsafat Ilmu Pengetahuan 1966/1968. Dordrecht: Springer Belanda;1969. hlm.34–97.

2. Shi Z, Yan S, Ding Y, Zhou C, Qian S, Wang Z, dkk. Bidang pendengaran anterior diperlukan untuk kategorisasi suara dalam tugas pengondisian rasa takut pada tikus dewasa. Ilmu Saraf Depan. 2019; 13: 1374.

3. Liberman AM, Harris KS, Hoffman HS, Griffith BC. Diskriminasi bunyi ujaran di dalam dan melintasi batas-batas fonem. J Exp Psikol. 1957; 54: 358–368.

4. Johnson K. Fonetik akustik dan pendengaran. Chichester: Wiley-Blackwell; 2012.

5. Green PA, Brandley NC, Nowicki S. Persepsi kategoris dalam komunikasi hewan dan pengambilan keputusan. Perilaku Ekol. 2020; 31: 859–867.

6. Craik A, He Y, Contreras-Vidal JL. Pembelajaran mendalam untuk tugas klasifikasi electroencephalogram (EEG): Sebuah tinjauan. J Neural Eng. 2019; 16:28.

7. Na¨a¨ta¨nen R, Paavilainen P, Rinne T, Alho K. Negatif ketidakcocokan (MMN) dalam penelitian dasar pemrosesan pendengaran pusat: Sebuah tinjauan. Neurofisiologi Klinis. Elsevier; 2007. hlm. 2544–2590.

8. Garrido MI, Kilner JM, Stephan KE, Friston KJ. Negatif ketidakcocokan: Tinjauan terhadap mekanisme yang mendasarinya. Neurofisiologi Klinis. Elsevier; 2009. hlm.453–463

For more information:1950477648nn@gmail.com