机构名称：
¥ 2.0
使用脑电图 (EEG) 的脑机接口 (BCI) 为用户提供了一种无需肌肉激活即可与外部设备交互的非侵入式方法。虽然非侵入式 BCI 有可能改善健康和运动障碍人士的生活质量，但由于性能不一致和自由度低，它们目前的应用有限。在本研究中，我们使用基于深度学习 (DL) 的解码器进行在线连续追踪 (CP)，这是一项复杂的 BCI 任务，要求用户在二维空间中跟踪物体。我们开发了一个标记系统以使用 CP 数据进行监督学习，基于两种架构训练基于 DL 的解码器，包括新提出的 PointNet 架构改编，并在多个在线会话中评估性能。我们在总共 28 名人类参与者中严格评估了基于 DL 的解码器，发现随着更多训练数据的出现，基于 DL 的模型在整个会话中得到了改进，并且在最后一个会话中明显优于传统的 BCI 解码器。我们还进行了额外的实验，通过对来自其他受试者的数据进行预训练模型，以及在会话中训练以减少会话间变异性来测试迁移学习的实现。这些实验的结果表明，预训练并没有显著提高性能，但在会话中更新模型可能会有一些好处。总的来说，这些发现支持使用基于 DL 的解码器来提高 BCI 在 CP 等复杂任务中的表现，这可以扩展 BCI 设备的潜在应用，并有助于改善健康和运动障碍人士的生活质量。
侵入式脑机接口
主要关键词
相关文件推荐
