Red occipitotemporal para síndromes de reconocimiento facial y de objetos (Red visual)

 Desde los aspectos nominativos del lenguaje.  Aproximadamente la mitad de la corteza cerebral humana tiene que ver con la visión, y generalmente reemplaza a otros sentidos cuando hay conflicto con otras entradas sensoriales. Nuestro sistema visual ha desarrollado predominio sobre los otros sentidos, y la visión enfoca nuestra atención. Se ha planteado la hipótesis de que la atención es la forma en que la naturaleza hace frente a la prodigiosa información sensorial que recibe un flujo constante de información. Estamos sujetos a una profusión de información sensorial, y las entradas sensoriales humanas combinadas reciben ~ 11 millones de bits de información por segundo. Sin embargo, solo podemos procesar ~ 16–50 bits por segundo (0.0002%). Por lo tanto, la mayoría de las decisiones se toman en un nivel no consciente

Hoffmann M. (2020) Red occipitotemporal para síndromes de reconocimiento facial y de objetos (Red visual) Síndromes occipitoparietales y provinciales del eje. En: Evaluación clínica de la mentalidad. Springer, Cham

Comparación de las contribuciones entre los músculos faciales y del cuello para el reconocimiento del habla

 Hablar es una forma importante para que los seres humanos se comuniquen entre sí. En general, las señales de voz se utilizan para el reconocimiento de voz, que se ve fácilmente afectado por la interferencia ambiental. Además, la electromiografía de superficie (sEMG) de los músculos articulatorios se ha propuesto en estudios anteriores para permitir el reconocimiento del habla, que es insensible a entornos ruidosos. Sin embargo, no está claro cuáles son las contribuciones de los músculos faciales y del cuello para el reconocimiento del habla, lo que sería vital para seleccionar las ubicaciones de los electrodos de grabación sEMG. En este estudio, se propuso la técnica sEMG de alta densidad (HD) para explorar los principales músculos articulatorios que contribuyeron a hablar. Las señales HD sEMG se obtuvieron de cuatro sujetos mediante electrodos de superficie sobre la cara y el cuello al hablar cinco frases diarias en chino, de donde se extrajeron cuatro características (valor absoluto medio, longitud de forma de onda, número de cruce por cero y cambio de signo de pendiente). Luego, las funciones sEMG construyeron un clasificador de análisis discriminante lineal para el reconocimiento de voz. Los resultados primarios mostraron que las formas de onda sEMG y RMS ilustraban una diferencia obvia al hablar diferentes frases en chino. Y la precisión de clasificación usando señales del cuello fue mayor que la de los músculos faciales, mientras que la precisión se incrementó al usar todos los músculos faciales y del cuello. Nuestros resultados piloto revelaron que los músculos faciales y del cuello contribuyeron al reconocimiento del habla, mientras que los músculos del cuello fueron más cruciales que los músculos faciales durante el habla. Este estudio piloto puede sugerir que el HD sEMG podría allanar el camino para encontrar los músculos principales del reconocimiento del habla. longitud de onda, número de cruce por cero y cambio de signo de pendiente) fueron extraídos. Luego, las funciones sEMG construyeron un clasificador de análisis discriminante lineal para el reconocimiento de voz. Los resultados primarios mostraron que las formas de onda sEMG y RMS ilustraban una diferencia obvia al hablar diferentes frases en chino. Y la precisión de clasificación usando señales del cuello fue mayor que la de los músculos faciales, mientras que la precisión se incrementó al usar todos los músculos faciales y del cuello.

J. Zhuang et al., "Comparison of Contributions between Facial and Neck Muscles for Speech Recognition Using High-Density surface Electromyography," 2019 IEEE International Conference on Computational Intelligence and Virtual Environments for Measurement Systems and Applications (CIVEMSA), Tianjin, China, 2019, pp. 1-5, doi: 10.1109/CIVEMSA45640.2019.9071636.