持续在线EEG运动图像解码的微调策略:来自大规模纵向研究的见解

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:

• 在脑电图 (EEG) 运动图像 (MI) 解码中的纵向适应对于脑计算机接口 (BCI) 至关重要.
• 目前的适应策略往往局限于单个主体的设置,阻碍了通用性.
• 开发强大的,长期的解码需要有效的持续微调和在线适应方法.

研究的目的:

• 调查深度学习在线纵向EEG-MI解码中的持续微调策略,跨越大型用户群.
• 评估不同微调方法对解码器性能和稳定性的影响.
• 整合在线测试时间调整 (OTTA),以补充微调并使无校准操作成为可能.

主要方法:

• 在因果EEG-MI解码环境中探索了深度学习模型的各种持续微调技术.
• 实施在线测试时间调整 (OTTA) 以在部署期间动态调整模型.
• 在多个会议和大量参与者队列中评估性能和稳定性.

主要成果:

• 连续的微调利用先前的主题特定信息显著提高解码器性能和稳定性.
• 在线测试时间适应 (OTTA) 有效地适应了模型,以适应会话间不断变化的数据分布.
• 结合的方法使得稳定,无校准的纵向电机图像解码.

结论:

• 连续微调与在线测试时间调整的结合是强大的纵向EEG-MI解码的有希望的策略.
• 这些发现为改善真实应用中的大脑-计算机接口性能提供了建议.
• 开发的方法对于推进神经康复和辅助技术至关重要.