使用基于深度学习的解码进行连续跟踪,用于非侵入性脑计算机接口的解码
bioRxiv : the preprint server for biology
|October 31, 2023
概括
深度学习解码器在复杂的任务中显著提高了脑计算机接口 (BCI) 性能. 这一进步增强了BCI应用,适用于健康人群和运动障碍者.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 使用脑电图 (EEG) 的非侵入性脑电脑接口 (BCI) 可以在没有肌肉激活的情况下提供交互.
- 目前的BCI在性能和自由度方面存在限制,限制了它们的应用.
- 深度学习 (DL) 显示了提高BCI能力的前景.
研究的目的:
- 为复杂的持续追踪 (CP) BCI任务开发和评估基于DL的解码器.
- 评估培训数据量和转移学习对BCI绩效的影响.
- 提高BCI技术的实际应用和可访问性.
主要方法:
- 为DL解码器开发了一个使用CP数据的监督学习系统.
- 训练和评估了两个DL架构,包括一个新的PointNet调整.
- 对28名参与者进行了在线实验,将DL解码器与传统方法进行了比较.
- 研究了转移学习和中期培训策略.
主要成果:
- 基于DL的解码器通过增加训练数据提高了性能.
- 在最后一个会话中,DL模型显著超过了传统的BCI解码器.
- 转移学习没有显著提高绩效,而会议中期更新显示了潜在的好处.
结论:
- 基于DL的解码器有效提高BCI在复杂任务中的性能,如CP.
- 这些进步可以扩大BCI应用,改善生活质量.
- 对BCI的DL进行进一步的研究是有必要的,以加快实际实施.


