通过连续错误反处理的神经相关物来改进非侵入性轨迹解码

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:

• 与错误相关的潜力 (ErrPs) 对于大脑与计算机接口 (BCI) 中的错误检测至关重要.
• 目前的央行主要使用ErrP进行二进制分类 (正确/错误),限制其应用于需要持续错误评估的任务.
• 这种二进制方法限制了基于对目标感知偏差的微调,自然反控制.

研究的目的:

• 调查从大脑信号回归与错误相关的活动的可行性,以便在BCI中持续监测错误.
• 超越对错误的二进制分类,向错误严重性的定量评估迈进.
• 为了在未来的BCI设计中实现更自然,更精细的反控制.

主要方法:

• 使用预先记录的脑电图 (EEG) 数据从十名参与者在三个会议.
• 采用多输出卷积神经网络 (CNN) 来实现目标反差异的伪在线回归.
• 应用回归偏差信息来实时纠正显示的反.

主要成果:

• 成功地证明了从大脑信号中持续的目标反差异的机会回归.
• 在纠正反和目标轨迹之间的相关性方面取得了显著的改善.
• 通过使用非侵入性脑活动验证了持续监测错误严重性的潜力.

结论:

• 对目标反差异的持续信息可以从皮质活动可靠地回归.
• 这种方法为在BCI中开发更自然,更精确的校正机制铺平了道路.
• 推进BCI能力超越简单的错误检测到细微的错误严重性评估.