使用隐藏的马尔科夫模型对基于光标的皮质内脑计算机接口进行长期无监督的重新校准.

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:

• 皮层内脑计算机接口 (iBCI) 由于神经活动漂移,需要经常重新校准.
• 这种偏移导致iBCI用户的性能下降和可用性问题.
• 目前的重新校准方法在维持长期性能方面面临挑战.

研究的目的:

• 为iBCI开发一种无监督的适应方法.
• 为了提高iBCI性能的稳定性和长寿性.
• 克服BCI临床转化中的一个主要障碍.

主要方法:

• 引入一个隐藏的马尔科夫模型 (HMM) 在iBCI使用过程中推断用户目标.
• 用推断的目标对iBCI系统进行重新训练,用于无监督的适应.
• 与模拟和人类用户研究中的分布对齐方法进行比较.

主要成果:

• 基于HMM的方法在长期闭环模拟和人类使用中表现优于分布对齐方法.
• 该方法证明了对五年iBCI数据集的长期无监督重新校准的能力.
• 相比之下,数据分布匹配方法显示,随着时间的推移,错误会累积.

结论:

• 拟议的目标推断再校准方法使iBCI能够进行强大的长期无监督适应.
• 利用任务结构显著提高解码器性能.
• 这种方法解决了脑计算机接口临床翻译的关键局限性.