探索深度学习和可解释的大脑机器接口模型之间的权衡

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:

• 大脑机器接口 (BMI) 通过将大脑活动解码为运动命令,为患者提供了一个潜在的解决方案.
• 深度学习解码器在BMI中实现了高性能,但由于其"黑子"性质,引发了安全问题.
• 尽管性能较低,可解释解码器如卡尔曼波器 (KF) 经常被使用.

研究的目的:

• 开发和评估KalmanNet,这是一种新的BMI解码器,它将KF可解释性与反复的神经网络集成在一起.
• 将KalmanNet的性能与传统的KF和深度学习模型 (tcFNN,LSTM) 进行比较,以预测手指运动.
• 评估BMI解码器中的性能,可解释性和概括性之间的权衡.

主要方法:

• 开发了KalmanNet,这是KF的扩展,使用循环神经网络计算Kalman增益,允许输入和动态之间的动态信任转移.
• 使用Kalman.Net.使用子大脑活动预测手指运动.
• 与KF,tcFNN和LSTM相比,比较了KalmanNet的线下和在线性能.
• 验证了机制与一个异种KF.

主要成果:

• 在线和离线环境中,KalmanNet实现了与深度学习模型相比或优于深度学习模型的性能.
• 卡尔曼网展示了灵活依赖动态模型的动作启动和停止的神经输入.
• 使用相同策略的异种KF也接近了最先进的性能,同时保持了可解释性.
• KalmanNet在概括和性能方面表现出局限性,与其他深度学习解码器相似的未见噪声分布.

结论:

• KalmanNet成功地将传统和深度学习方法集成到高性能,可解释的BMI解码器中.
• 该研究强调了混合模型在提高BMI安全性和可靠性方面的潜力.
• 需要进一步的研究来解决更广泛的临床应用的泛化局限性.