实现实时高效和强大的ECoG解码,用于移动脑电脑接口
Zhanhui Lin1, Xinyu Jiang2, Chenyun Dai3
1The School of Information Science and Technology, Fudan University, Shanghai 200433, People's Republic of China.
Journal of neural engineering
|June 27, 2025
概括
随机森林模型提供了一种高效和强大的解决方案,用于从电皮质图 (ECoG) 信号中解码大脑活动,这对于移动大脑计算机接口 (BCI) 至关重要. 这种方法提高了残疾人的运动恢复,即使有噪音数据.
科学领域:
- 神经科学和生物医学工程
- 大脑与计算机接口 (BCI)
背景情况:
- 从电皮质图 (ECoG) 信号解读与运动相关的大脑活动对于脑计算机接口 (BCI) 至关重要.
- 现有的ECoG解码器通常需要大量的计算资源,易受噪声和异常值的影响,限制了它们在身体残疾患者的移动应用程序中的使用.
研究的目的:
- 探索和确定移动BCI的最佳解码管道,重点是计算效率,精度和稳定性.
- 评估各种解码算法和功能优化技术,用于实时ECoG信号处理在资源有限的环境中.
主要方法:
- 综合评估各种解码算法 (例如,部分最小平方,贝叶斯山脊回归,支向量回归,神经网络,随机森林) 使用12名从事单个手指运动的ECoG数据集.
- 探索使用选择算法的模型可解释性来优化特征.
- 使用顺序数据批次的可更新算法的解码性能比较.
主要成果:
- 随机森林 (RF) 模型展示了解码精度 (平均皮尔森相关系数,r = 0.466) 和计算效率 (0.5K FLOPs/推理,900 KiB模型大小) 之间的最佳权衡.
- 与杂的ECoG信号相比,RF表现出优越的稳定性,与最先进的深度神经网络相比,解码精度达到两倍以上.
- 在基于 STM32 的嵌入式平台上成功部署了优化的射频管道,实现了 15.2 ms 的低计算延迟.
结论:
- 随机森林算法提供了一个非常有效和高效的解决方案,用于从ECoG信号中解码手指运动,在精度,效率和稳定性方面优于传统方法.
- 开发的解码管道,在一个紧的嵌入式平台上实现,可以实现低延迟,高效的实时解码,为实际的移动BCI铺平道路.
- 这项研究显著推进了移动BCI的开发,用于现实生活中的应用,特别是恢复身体残疾人的运动功能.
