在线连续解码流式EEG信号,具有平衡和信息化的内存缓冲区

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:

• 大脑计算机接口 (BCI) 系统对于神经障碍患者至关重要.
• 在线学习对于临床援助和康复中的真实世界BCI应用至关重要.
• 灾难性遗忘是连续EEG解码中的一个主要挑战,因为主体间的变化.

研究的目的:

• 为解决BCI系统在线序列EEG解码中的灾难性遗忘问题.
• 开发一种基于记忆的方法,可以处理顺序到达的受试者与不平衡的数据量.
• 为了在主体无关的BCI场景中实现长期的持续分类.

主要方法:

• 一种基于内存的方法,具有动态选择的,平衡的内存缓冲区.
• 一种基于内核的对象转移检测方法,用于对象不可知解码.
• 为流动EEG数据制定具有挑战性的基准.

主要成果:

• 拟议的模型有效地减轻了顺序EEG解码中的灾难性遗忘.
• 在长时间内,在以前见过的受试者中保持了表现.
• 证明了该模型在现实世界BCI应用中的潜力.

结论:

• 基于内存的方法成功地使在线BCI系统中的持续分类成为可能.
• 主体转移检测方法提高了主体不可知情的场景中的稳定性.
• 这些发现支持BCI系统用于神经障碍管理的实际部署.