基于相互信息机制的多用户EEG共享信息的强化学习解码方法

科学领域:

• 神经科学
• 人工智能
• 生物医学工程

背景情况:

• 多用户运动图像脑电脑接口 (BCI) 有望提高决策和社交互动.
• 目前对多用户BCI的解码方法有限,通常使用基本的功能集成,并且无法捕获复杂的脑间关系.
• 这导致从多个用户来源中提取不完整的信息.

研究的目的:

• 为多用户BCI开发先进的脑电图 (EEG) 解码方法.
• 通过解决当前解码技术的局限性,加强跨多个用户的共同信息的提取.
• 提高多用户BCI系统的准确性和效率.

主要方法:

• 一种基于强化学习 (RL) 的新型EEG解码方法,利用相互信息机制.
• 在RL道选择中实施动态反模型,用于大脑间的奖励/惩罚信息.
• 使用深度神经网络从单个大脑和大脑间的信号中自动合特征.
• 使用基于前额头EEG信号的注意投票机制来确定最终输出.

主要成果:

• 与单脑模式相比, 双脑模式的准确性平均提高了16%.
• 废除研究证实了显著的贡献:RL模块提高了精度14.5%,注意力投票模块提高了15.7%.
• 证明有效地提取多个来源的共同信息和关联功能.

结论:

• 拟议的基于RL的EEG解码方法显著提高了多用户BCI的性能.
• 相互信息,RL和注意力机制的整合提供了一个强大的方法来解码复杂的内脑动态.
• 这种方法为更复杂,更准确的多用户大脑与计算机交互系统提供了基础.