Transferencia de mapeo neuronal a movimiento en línea para el cambio y retención de tareas en las interfaces...

Área de la Ciencia:

• La neurociencia
• Aprendizaje automático
• La robótica

Sus antecedentes:

• Las interfaces cerebro-máquina (IMC) actuales a menudo requieren decodificadores específicos de tareas, lo que limita la adaptabilidad en el mundo real.
• El cambio de tarea en los IMC presenta desafíos para mantener la precisión de la decodificación y retener la información aprendida.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje en línea para los IMC que facilite la transferencia de conocimientos entre tareas.
• Mejorar la flexibilidad y el rendimiento de los IMC en entornos dinámicos y multitarea.

Principales métodos:

• Proyección de la actividad neuronal en un espacio jPCA dinámico para separar los componentes variantes e invariantes.
• Utilizando la minimización de divergencia de Kullback-Leibler basada en gradientes (GKLD) para la alineación de señales neuronales en línea.
• El uso de un modelo de aprendizaje por refuerzo del núcleo (KRL) para la decodificación con la reutilización de conocimientos previos.

Principales resultados:

• El marco demostró una convergencia más de cuatro veces más rápida en comparación con los métodos de referencia.
• Logró aproximadamente un 35% de mejora en la precisión de decodificación durante el cambio de tareas.
• Ha retenido con éxito los conocimientos de las tareas aprendidas previamente después de cambiar de nuevo.

Conclusiones:

• El marco de aprendizaje en línea propuesto permite una transferencia eficiente de conocimiento neuronal a movimiento entre tareas.
• Demuestra un rendimiento robusto y una aplicabilidad general para aplicaciones de IMC a largo plazo en el mundo real.
• Destaca el potencial para el control adaptativo y flexible en entornos complejos.