使用对抗性网络来扩展脑计算机接口的解码精度随着时间的推移
Xuan Ma1, Fabio Rizzoglio1, Kevin L Bodkin1
1Department of Neuroscience, Northwestern University, Chicago, United States.
eLife
|August 23, 2023
概括
循环一致的对抗网络 (Cycle-GAN) 为稳定脑计算机接口 (BCI) 提供了一个强大的解决方案. 这种方法通过调整神经数据分布,随着时间的推移提高解码器的准确性,减少了频繁重新校准的需要.
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
- 机器学习 机器学习
背景情况:
- 皮层内脑-计算机接口 (iBCI) 通过将神经活动转化为控制信号,恢复患者的运动.
- 由于记录的神经元的变化,iBCI中的解码器精度随着时间的推移而降低,需要重新校准.
- 重校准是耗时的,需要用户努力重新学习新的神经动态.
研究的目的:
- 开发和评估用于稳定iBCI解码器的无监督方法,而不需要经常重新校准.
- 通过对准神经活动的坐标系统来应对神经表征转移的挑战.
- 为了比较循环-GAN与现有方法 (如ADAN和Procrustes对齐) 的疗效.
主要方法:
- 提出了一种使用循环一致对抗网络 (Cycle-GAN) 调整全维神经记录分布的新方法.
- 将循环-GAN与之前提出的通用对抗网络 (GAN) 方法,对抗域适应网络 (ADAN) 和基于因素分析的Procrustes对齐进行了比较.
- 对来自多个子和多种行为数据的评估方法,重点是无监督学习,数据要求最小.
主要成果:
- 与ADAN和Procrustes对齐相比,Cycle-GAN在稳定iBCI解码器方面表现优越.
- 循环GAN被证明比ADAN更容易训练和更坚固.
- 所有测试的方法都没有监督,并且需要最小的数据,表明实际可用性.
结论:
- 循环GAN是一种有效和实用的方法,通过减轻由神经周转引起的解码器漂移来稳定iBCI系统.
- 这些发现表明,Cycle-GAN可以显著提高脑电脑接口的长期可用性和可靠性.
- 这种方法减少了对用户的负担,尽量减少需要经常性重新校准会话的需求.
