通过基于深度学习的EEG解码来增强在线连续大脑控制

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 深度学习模型在线运动图像 (MI) 解码电脑电图 (EEG) 中的性能优于传统机器学习.
• 基于在线MI的脑计算机接口 (BCI) 主要使用机器学习解码器,通常具有低于最佳的性能.
• 深度学习对在线EEG解码在现实世界BCI系统中的有效性尚未得到充分证实.

研究的目的:

• 评估一种新型深度学习模型的性能,即交互频率卷积神经网络 (IFNet),用于在线MI解码.
• 在一个随机在线MI-BCI研究中,将IFNet与已建立的过器银行共同空间模式 (FBCSP) 算法进行比较.
• 调查在线BCI应用中的深度学习的概括能力和跨会话学习效应.

主要方法:

• 一个随机的,跨会话的在线MI-BCI研究与15名BCI-naive受试者进行了2D中心外任务.
• 拟议的IFNet深度学习模型被实施并直接与FBCSP算法进行比较,用于在线MI解码.
• 在多个会议中分析了绩效指标,以评估准确性,学习效应和可概括性.

主要成果:

• IFNet深度学习解码器在各种指标上的在线MI解码中始终超过了FBCSP算法.
• 与FBCSP相比,IFNet在平均在线任务准确度方面表现出显著的改进,在两个会议中分别提高了20%和27%,与FBCSP相比.
• 使用IFNet (P=0.017),与FBCSP方法 (P=0.337) 相比,观察到一个显著的跨会期训练效应.
• 线下评估证实IFNet的优异性能与其他最先进的深度学习模型相比.

结论:

• 这项研究提供了早期证据,证明使用深度学习大幅提高在线MI-BCI性能.
• IFNet模型在在线解码精度和自适应式学习能力方面显示出显著的优势.
• 这些发现表明,深度学习,特别是IFNet,对推进MI-BCI及其临床实用性有相当大的希望,例如在中风康复中.