通过神经网络介导的特征提取来加强四肢的参与者对脑-计算机接口的控制

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 大脑-计算机接口 (BCI) 需要精确的神经特征提取用于意图推断.
• 随着时间的推移,信号质量下降挑战了BCI中的传统特征工程技术.
• 开发强大的方法来恢复功能神经信息对于BCI的进步至关重要.

研究的目的:

• 调查卷积神经网络 (CNN) 在BCI中特征提取的有效性.
• 为了提高神经解码性能,尽管信号质量下降.
• 开发一种可通用的BCI特征提取方法.

主要方法:

• 从植入三个人类参与者的皮质中的电极阵列中利用神经数据.
• 开发了一个CNN,通过共同优化特征提取和解码,将电信号映射到神经特征.
• 应用了一个约束,所有电极共享相同的神经网络参数.

主要成果:

• 对于所有参与者来说,CNN在所有指标上的所有指标上的光标控制任务中显著提高了线下和在线性能.
• 美国有线电视新闻网 (CNN) 的表现优于已有的特征提取技术,包括值越过率和波纹分解.
• 演示了受过训练的CNN对新数据集,大脑区域和参与者的概括能力,而没有修改.

结论:

• 卷积神经网络为BCI中强大的神经特征提取提供了强大的工具.
• 这种基于CNN的方法克服了信号质量下降的挑战,增强了BCI的功能.
• 开发的方法显示出高度的适应性和在脑-计算机接口中广泛应用的潜力.