通过高斯过程回归对视网膜植入物感知值的高效空间估计.
概括
高斯过程回归 (GPR) 通过预测感知值来改善视网膜假体校准. 这种高效的方法,使用空间采样,减少了患者的时间,并增强了视觉神经假体的个性化系统适配.
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:
- 视网膜假肢的目的是通过电刺激恢复视力.
- 对感知值的校准对于高电极计数设备来说至关重要但耗时.
研究的目的:
- 利用高斯过程回归 (GPR) 开发一个可扩展和有效的视网膜假体校准框架.
- 预测未采样电极位置的感知值,并指导自适应采样.
主要方法:
- 提出了一个GPR框架,其中包含一个Matérn内核,用于预测感知值.
- 利用了四名Argus II视网膜假肢使用者的感知值数据.
- 将GPR性能与辐射基函数 (RBF) 内核进行比较,并评估不同的采样策略 (空间与均随机与自适应).
主要成果:
- 使用Matérn内核的GPR在值预测准确性 (p < .001) 中明显优于RBF内核.
- 与两个参与者的统一随机抽样相比,空间优化抽样减少了预测误差 (p < .05).
- 适应性抽样显示,与空间抽样相比,没有显著的准确性增长,但对于一名参与者来说接近显著性 (p = .074).
结论:
- GPR与空间采样相结合,为视网膜假体校准提供了一种高效准确的方法.
- 这种方法最大限度地降低了患者的负担,并为高通道计数神经假肢设备提供了个性化的系统配件.
- 该GPR框架提供了一个可通用的解决方案,用于适应性校准在其他神经假肢系统与空间结构刺激.


