使用基于深度学习的解码进行持续跟踪,用于非侵入性脑计算机接口的解码
Dylan Forenzo1, Hao Zhu1, Jenn Shanahan1
1Department of Biomedical Engineering, Carnegie Mellon University, Pittsburgh, PA 15213, USA.
PNAS nexus
|May 1, 2024
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:
- 使用脑电图的非侵入性脑电脑接口 (BCI) 可以在没有肌肉激活的情况下进行互动.
- 当前的BCI在性能一致性和自由度方面存在局限性,限制了它们的应用.
研究的目的:
- 调查基于深度学习 (DL) 的解码器对复杂的BCI任务的有效性:在线连续追踪 (CP).
- 评估DL模型性能,并将其与传统的BCI解码器进行比较.
主要方法:
- 开发了CP数据的标签系统,以实现监督学习.
- 训练有素的DL解码器使用两个架构,包括一个新的PointNet适应.
- 评估了28名参与者在多个在线会议中的解码器性能.
主要成果:
- 基于DL的模型显示,随着培训数据的增加,在整个课程中表现有所改善.
- 在最后一个会话中,DL解码器显著超过了传统的BCI解码器.
- 中期会议模型更新显示了潜在的好处,而受试者预训练并没有显著提高表现.
结论:
- 深度学习解码器有效地提高BCI在复杂任务中的性能,例如持续追求.
- 提高BCI性能可以扩大BCI设备的适用性.
- 这些进展有望改善运动障碍或没有运动障碍的个人的生活质量.


