机构名称：
¥ 2.0
摘要 现有的皮层内脑机接口 (iBCI) 将神经活动转换为控制信号，能够恢复瘫痪者的运动能力。然而，由于记录神经元的周转，iBCI 核心“解码器”的准确性通常会随着时间的推移而降低。为了弥补这一点，可以重新校准解码器，但这需要用户花费额外的时间和精力来提供必要的数据，然后学习新的动态。随着记录的神经元发生变化，人们可以认为底层的运动意图信号以变化的坐标来表达。如果可以计算不同坐标系之间的映射，那么可能无需重新校准即可稳定原始解码器从大脑到行为的映射。我们之前提出了一种基于广义对抗网络 (GAN) 的方法，称为“对抗域自适应网络”(ADAN)，它可以对齐底层低维神经流形中潜在信号的分布。然而，我们只在非常有限的数据集上测试了 ADAN。我们在此提出了一种基于循环一致对抗网络 (Cycle-GAN) 的方法，该方法可以对齐全维神经记录的分布。我们在来自多只猴子和行为的数据上测试了 Cycle-GAN 和 ADAN，并将它们与第三种完全不同的方法进行了比较，该方法基于因子分析提供的 Procrustes 轴对齐。这三种方法都是无监督的，只需要很少的数据，因此在现实生活中很实用。总体而言，Cycle-GAN 具有最佳性能，并且比 ADAN 更容易训练且更强大，使其成为长期稳定 iBCI 系统的理想选择。
使用对抗网络来延长脑机接口解码精度
主要关键词
相关文件推荐
