XiaoMi-AI文件搜索系统
World File Search SystemIBCIS
使用对抗网络来延长脑机接口解码精度
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。
科学与数学
据我们所知，这是首次有 USCB 本科生与来自国内外机构的合作者以第一作者身份发表论文，但这些合作者都不在 USCB。Matthew (“Matty”) Holt 先生是 USCB 的 Kim Ritchie 博士的本科合作者，他与来自佛罗里达州米拉马尔、伊利诺伊州芝加哥和土耳其安卡拉的合作者在《神经科学评论》上发表了一篇最新文章。大三学生 Holt 先生后来进入 USCB，选择将自己的学术生涯推迟到疫情消退之后。在学术休假期间，Holt 先生与医学研究人员合作，系统地回顾了“……应用于运动皮层的皮层内脑机接口 (iBCI) 以改善运动能力受损患者的功能”的知识状态。临床试验已启动，以评估植入微电极阵列的四肢瘫痪参与者。这些 iBCI 设备植入物可以处理来自运动皮层的神经信号，从而改善运动障碍患者，并在一定程度上增强接受治疗患者的功能恢复。本文回顾了该设备恢复四肢瘫痪患者的运动功能的能力，这些患者因肌萎缩侧索硬化症、中风、脊髓小脑变性（小脑未受累）和脊髓损伤而失去运动功能，积极和消极结果均基于最近这些临床试验中有限的样本量。我们赞扬 Matty 取得的这一突破性成就！
使用对抗网络来延长脑机接口解码精度
现有的皮层内脑机接口 (iBCI) 将神经活动转换为控制信号，可使瘫痪者恢复运动能力。然而，由于记录神经元的更替，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，ADAN 仅在非常有限的数据集上进行了测试。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，并将它们与基于因子分析 (PAF) 提供的 Procrustes 轴对齐的线性方法进行了比较。这两种基于 GAN 的方法都优于 PAF。Cycle-GAN 和 ADAN（与 PAF 一样）是无监督的，需要的数据很少，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。