增加皮层内脑-计算机接口的稳定性,通过数据增强来记录状态变化

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) 旨在通过解码神经活动,在的个体中恢复运动功能.
• 由于记录条件的变化,神经映射转移到动态映射会降低iBCI的性能.
• 传统方法需要大量的训练数据或频繁的重新校准,导致用户疲劳和计算负载.

研究的目的:

• 开发一种新的方法来提高iBCI的稳定性,以应对不断变化的记录条件.
• 减少在iBCI系统中需要广泛的训练数据和频繁的重新校准的需求.

主要方法:

• 利用三个神经增强运算符来产生模仿各种记录条件的合成神经活动.
• 使用对比学习从增强的神经数据中学习潜在因素,最大限度地提高增强活动之间的相似性.
• 旨在确保学习的因素保持稳定,并保持与预期的运动保持一致的相关性,尽管记录变化.

主要成果:

• 与最先进的方法相比,拟议的iBCI表现出优越的性能.
• 在长期使用中,在多天内实现了对不断变化的记录条件的稳定性.
• 展示了令人满意的离线解码性能,即使训练数据有限.

结论:

• 该研究提出了一种方法,可以减少频繁的iBCI校准和大量注释训练数据集的必要性.
• 未来的工作包括改进离线解码,使用最小的训练数据,提高对电极故障的稳定性.