通过持续学习进行跨主题P300基础的视听BCI系统:对意识障碍的临床应用

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
• 人工智能的人工智能

背景情况:

• 意识障碍 (DOC) 存在重大诊断挑战.
• 准确评估意识水平对于患者的预后和治疗至关重要.
• 现有的脑-计算机接口 (BCI) 系统需要进一步精细化,以便在DOC.中进行临床应用.

研究的目的:

• 开发一种基于P300的先进的跨主题视听BCI系统,用于评估DOC患者的意识.
• 为了提高诊断的准确性和稳定性,使用一种新的基于混合原型的持续学习 (HPC) 方法.
• 预测有意识障碍的患者的临床结果.

主要方法:

• 一个视听刺激范式,整合了面部照片和名字声音,以引起P300信号.
• 一种基于混合原型的持续学习 (HPC) 方法,以提高诊断准确度.
• 选择性整合相似和不相似的P300原型,使用杂交,掩盖和注意力机制来防止灾难性的遗忘.

主要成果:

• 在对健康受试者进行的P300拼写任务中,HPC方法实现了98.33%的准确性.
• 该系统在临床环境中在健康对照中显示了95.50%的准确性.
• 十分之八的DOC患者表现出显著的准确性,表明显著的临床潜力.

结论:

• 拟议的视听BCI系统与HPC提供了一个强大的和可适应的解决方案,用于DOC的意识评估.
• 该系统显示了在有意识障碍的患者中改善临床诊断和预后的潜力.
• 这种BCI方法有助于促进DOC的理解和管理.