基于深度转移学习的解码器校准用于皮质内大脑机器接口
Xiao Li1, Xianxin Dong1, Jun Wang1
1Hubei Key Laboratory of Modern Manufacturing Quantity Engineering, School of Mechanical Engineering, Hubei University of Technology, Wuhan, 430068, China.
Computers in biology and medicine
|April 22, 2025
概括
这项研究引入了一个主动学习领域的对抗神经网络 (AL-DANN),以改善脑机界面. 通过有效使用历史数据和最小的新样本,AL-DANN显著减少了重新校准时间.
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:
- 皮层内脑机接口 (iBMIs) 能够实现脑设备通信.
- 在iBMIs中的信号非静止性需要频繁的解码器重新校准,要求大量的新数据.
- 目前的重新校准方法耗时且数据密集.
研究的目的:
- 开发一种用于高效的iBMI解码器重新校准的新方法.
- 在重新校准过程中尽量减少对新数据的需求.
- 为了提高iBMI绩效,利用深度转移学习.
主要方法:
- 提出了一个主动学习领域的对抗神经网络 (AL-DANN).
- 利用历史的神经数据与少量当前数据 (每个类别的四个样本).
- 雇佣的领域对抗性和积极的学习策略,用于知识转移.
主要成果:
- 在解码器校准方面,AL-DANN的性能超过了现有的最先进的方法.
- 实现了80%以上的重新校准时间缩短.
- 每个类别只需要四个新样本才能进行有效的重新校准.
结论:
- 阿尔-丹恩为iBMI解码器重新校准提供了高效的解决方案.
- 深度转移学习显示了推进iBMI技术的巨大潜力.
- 这种方法减少了日常使用iBMI的数据收集负担.
