无监督的线性解码能够在多任务大脑计算机接口中准确预测肌肉活动

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) 需要解码器来将神经活动转化为命令.
• 神经信号的非线性对开发有效的全球iBCI解码器构成了重大挑战.
• 无的任务和上下文转换对于增强iBCI用户体验至关重要.

研究的目的:

• 开发一种无监督的方法,用于为iBCI创建片式线性解码器.
• 为了应对iBCI解码中神经信号非线性所带来的挑战.
• 改善iBCI在各种任务和环境中的性能.

主要方法:

• 利用基于低维神经多元结构的无监督方法.
• 从运动皮层和上肢肌肉电肌图 (EMG) 记录的神经信号,子执行各种任务.
• 应用缩小维度和无监督集群来识别神经多元结构,为每个集群安装线性解码器.

主要成果:

• 在神经多元体中识别出不同的集群,对应于不同的任务或任务子阶段.
• 随着集群数量的增加,逐步解码性能得到了改善,最终达到平稳.
• 一个只有两个集群的零碎线性解码器超过了全球线性解码器,甚至超过了全球循环神经网络解码器.

结论:

• 为iBCI解码器推出了一种计算效率高的解决方案,适用于广泛的任务.
• 证明了零碎线性解码器可以有效地近似神经活动和运动输出之间的非线性.
• 这些发现增强了对运动皮层中神经多重结构的理解,以改善iBCI发育.