RISE-iEEG:对主体间电极具有坚固性 植入变量的iEEG分类器

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
• 机器学习 机器学习

背景情况:

• 内脑电图 (iEEG) 提供高分辨率的神经数据用于临床使用和脑计算机接口 (BCI).
• 电极放置的跨主体变化阻碍了广义的神经解码器的发展.
• 现有的模型很难解释电极植入点的解剖学差异.

研究的目的:

• 引入一种新的深度学习模型,即RISE-iEEG,该模型旨在对iEEG电极植入中的跨主体变异性具有稳定性.
• 开发一个通用的神经解码器,不需要为每个参与者准确的电极坐标.
• 从iEEG数据中提高神经解码的准确性和通用性.

主要方法:

• 开发了RISE-iEEG (坚固到主体间电极植入变量iEEG分类器),一个深度神经网络.
• 整合了一个参与者特定的投影网络,将个人神经数据映射到一个共同的低维空间.
• 评估了音乐重建和AJILE12数据集上的RISE-iEEG,将其性能与HTNet和EEGNet等既有模型进行比较.

主要成果:

• 与HTNet和EEGNet相比,RISE-iEEG表现优越,平均F1得分为0.83,比HTNet和EEGNet高出约7%.
• 该模型成功地弥补了电极植入的变化,而不需要电极坐标.
• 对投影网络重量的分析确定了上和中后叶作为测试数据集的关键编码区域.

结论:

• RISE-iEEG为iEEG数据的神经解码提供了强大的和可通用的解决方案,有效地处理主体间的变化.
• 该模型提高了解码精度,同时保持了可解释性,使其对临床应用和BCI有价值.
• 这些发现突出了自适应投影网络在克服跨主体神经解码的解剖学差异方面的潜力.