尖端信号的非静止性对皮质内脑-计算机接口解码性能的影响:一个模拟研究
Zijun Wan1,2, Tengjun Liu1,2, Xingchen Ran1,2
1Key Laboratory of Biomedical Engineering of Education Ministry, Zhejiang Provincial Key Laboratory of Cardio-Cerebral Vascular Detection Technology and Medicinal Effectiveness Appraisal, Department of Biomedical Engineering, School of Biomedical Engineering and Instrument Science, Zhejiang University, Hangzhou, China.
Frontiers in computational neuroscience
|May 30, 2023
概括
循环神经网络 (RNN) 解码器在解码非静止神经信号方面表现出卓越的性能,用于大脑-计算机接口. 重新训练方案可以提高性能,特别是当神经属性发生变化时,但显著的信号降解仍然会影响准确性.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 皮层内脑-计算机接口 (iBCI) 旨在通过将神经信号转化为行动来恢复的运动功能.
- 由记录退化和神经元变异引起的神经信号的非静止性阻碍了iBCI解码器的性能.
- 了解非静态性的影响对于实际的iBCI应用至关重要.
研究的目的:
- 研究神经信号非静止性对iBCI解码性能的影响.
- 在模拟的非静止条件下比较不同解码器和培训方案的有效性.
主要方法:
- 通过使用慢性皮质内记录指标进行了一项2D光标模拟研究:平均发射率 (MFR),隔离单位数量 (NIU) 和首选方向 (PDs).
- 模拟的非静态性包括减少的MFR/NIU (记录退化) 和改变的PDs (神经元属性变异).
- 三个解码器 (最佳线性估计,卡尔曼波器,循环神经网络) 使用静态和再训练训练方案进行了评估.
主要成果:
- 与OLE和KF相比,反复神经网络 (RNN) 解码器在模拟的非静止尖峰信号解码方面表现出优异的性能.
- 一个经过重新训练的方案保持了高解码器性能,特别是在只有首选方向改变时.
- 显著的信号退化导致所有测试的解码器和方案的性能下降.
结论:
- 与卡尔曼波器 (KF) 和最佳线性估计 (OLE) 相比,递归神经网络 (RNN) 解码器在慢性iBCI中提供更好或同等的性能.
- 重新训练方案可以减轻由于神经元属性变化的性能损失,但不能完全克服严重的记录退化.
- 这项研究为选择适合的解码器和训练策略提供了一个参考,用于强大的慢性iBCI应用程序.
