Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: May 23, 2025

Real-Time Proxy-Control of Re-Parameterized Peripheral Signals using a Close-Loop Interface
11:54

Real-Time Proxy-Control of Re-Parameterized Peripheral Signals using a Close-Loop Interface

Published on: May 8, 2021

4.3K

面向以主体为中心的协同适应性脑电脑接口,基于向后最佳传输.

Victoria Peterson1, Valeria Spagnolo2, Catalina María Galván3

  • 1Instituto de Matematica Aplicada del Litoral, Ruta Nacional N° 168 Km 0, S3000, Santa Fe, 3000, ARGENTINA.

Journal of neural engineering
|May 21, 2025
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

On the state of protein function prediction: a report on the fourth CAFA challenge.

bioRxiv : the preprint server for biology·2026
Same author

Voices of change: associations between vocal markers and symptoms of ADHD - Findings from the LIFE child study.

European child & adolescent psychiatry·2026
Same author

Overview of Challenges in Brain-Based Predictive Modeling: Toward Meaningful Predictive Insights.

Biological psychiatry·2025
Same author

Voxel-Wise or Region-Wise Nuisance Regression for Functional Connectivity Analyses: Does It Matter?

Human brain mapping·2025
Same author

Comprehensive benchmarking of large language models for RNA secondary structure prediction.

Briefings in bioinformatics·2025
Same author

Master classes of the tenth international brain-computer interface meeting: showcasing the research of BCI trainees.

Journal of neural engineering·2025

这项研究引入了一种新的方法,用于评估运动图像大脑-计算机接口 (MI-BCI) 在协同适应性学习期间的技能. 支持性向后适应 (SBA) 方法通过适应用户并提供实时技能反来提高BCI性能.

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:

  • 运动成像脑电脑接口 (MI-BCI) 需要大量的练习,并且对电脑电图 (EEG) 数据的跨会话变化敏感.
  • 协同适应的系统,即用户和BCI算法同时学习,对于改善MI-BCI控制至关重要.
  • 实时评估用户自我调节技能对于有效的协同适应BCI培训至关重要.

研究的目的:

  • 开发一种在线评估运动图像 (MI) 调制能力的方法.
  • 为协同适应的BCI创建一个框架,以提高用户性能和系统准确性.
  • 为用户提供关于其MI调制技能的实时反.

主要方法:

  • 使用后向最佳传输来进行域调整,以便在不需要重新训练分类器的情况下跨会话使用MI-BCI.
  • 定义了一种支持性向后适应 (SBA) 方法,以标签为指导.
  • 提出了试验适应所需的模型努力,作为MI调制技能的在线指标.
  • 在真实和模拟的EEG数据上使用Riemannian特异性指标验证了该指标.

主要成果:

  • 来自SBA的模型努力指标有效地评估了与MI任务相关的EEG模式的可区分性.
关键词:
在 BCI 技能方面,你必须具备 BCI 技能.域名适应领域适应最佳的运输方式是最佳运输方式.同适应性的BCI.以用户为中心的BCI.

更多相关视频

An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces
10:51

An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces

Published on: March 10, 2011

13.7K
Assessment and Communication for People with Disorders of Consciousness
07:37

Assessment and Communication for People with Disorders of Consciousness

Published on: August 1, 2017

9.0K

相关实验视频

Last Updated: May 23, 2025

Real-Time Proxy-Control of Re-Parameterized Peripheral Signals using a Close-Loop Interface
11:54

Real-Time Proxy-Control of Re-Parameterized Peripheral Signals using a Close-Loop Interface

Published on: May 8, 2021

4.3K
An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces
10:51

An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces

Published on: March 10, 2011

13.7K
Assessment and Communication for People with Disorders of Consciousness
07:37

Assessment and Communication for People with Disorders of Consciousness

Published on: August 1, 2017

9.0K
  • 这一指标与已建立的里曼特异性指标有显著的相关性.
  • 证明了该指标能够提供关于EEG模式的可区分性和稳定性的信息.

    • 结论:

    • 引入了一种新的协同适应性BCI学习框架,该框架将数据适应与用户技能评估集成在一起.
    • SBA 方法促进了会话间的调整,并提高了 MI-BCI 的性能.
    • 拟议的方法使用户能够对其MI调制策略提供反,推进以用户为中心的BCI开发.