概括
本研究引入了使用大型语言模型进行皮质内脑计算机接口 (iBCI) 的新自我重新校准方法. 这种方法在一年多的时间里保持了高性能,改善了神经系统疾病患者的沟通.
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
- 人工智能的人工智能
背景情况:
- 皮层内脑-计算机接口 (iBCI) 为严重运动障碍患者提供通信恢复,例如患有肌缩侧面硬化症 (ALS) 患者.
- 目前的iBCI需要经常重新校准以抵消神经信号漂移,破坏用户体验并限制实际应用.
- 这种重新校准过程需要监督数据收集,这对长期iBCI使用构成了重大可用性挑战.
研究的目的:
- 开发和评估一种新的自我重新校准方法,用于以通信为重点的iBCI,可以在没有用户中断的情况下运行.
- 利用大型语言模型 (LMs) 在iBCI中进行自动错误纠正和持续解码器更新.
- 为了证明一个插即用iBCI系统的长期稳定性和性能.
主要方法:
- 拟议的CORP框架使用LM从iBCI输出生成伪标签.
- 这些伪标签用于在线更新iBCI解码器,从而实现自我重新校准.
- 通过在线手写iBCI任务,在403天内对单个临床试验参与者进行了CORP框架的评估.
主要成果:
- 在整个403天的评估期间,CORP框架实现了93.84%的稳定解码精度.
- 这是迄今为止人类参与者对iBCI稳定性的最长的记录.
- 在长时间内保持解码准确度方面,CORP显著超过了既定的基线方法.
结论:
- CORP方法为长期稳定高性能通信iBCI提供了可行的解决方案.
- 这种自我重新校准的方法解决了临床翻译和iBCI技术的广泛采用的一个关键障碍.
- 这些发现表明,对于患有神经疾病的人来说,更强大,更易于使用的大脑与计算机接口的途径.
