|
想象一下，在玩《马里奥赛车》这样的赛车游戏时，你只需大脑的一个意念就能完成一系列复杂的转弯。 这不是电子游戏中的幻想，而是正在研究的课题。德克萨斯大学奥斯汀分校的工程师们在脑机接口研究中创建的真实程序，旨在帮助改善运动障碍患者的生活。更重要的是，研究人员将机器学习能力与他们的脑机接口结合起来，使其成为一个通用的解决方案。  通常，这些设备需要对每个用户进行大量的校准——每个人的大脑都是不同的，无论是对健康人士的还是患者——这一直是脑机接口应用的主要障碍。这种新的解决方案可以快速理解个体受试者的需求，并通过重复进行自我校准。这意味着多名患者可以使用该设备，而无需针对个人进行调整。 该实验室的研究生萨蒂扬·库马尔(Satyam Kumar)表示："当我们在临床环境中考虑这个问题时，这项技术将使我们不再需要专业团队来完成这个漫长而乏味的校准过程。从一个病人到另一个病人的迁移速度将更快"。
该项研究发表在PNAS
Nexus上。 受试者头戴装有电极的帽子，帽子与电脑相连。电极通过测量大脑发出的电信号收集数据，解码器解读这些信息并将其转化为游戏动作。 米兰(Millán)在脑机接口方面的工作帮助用户引导和加强他们的神经可塑性，即大脑随时间变化、成长和重组的能力。这些实验旨在改善患者的大脑功能，并利用脑机接口控制的设备为他们的生活带来便利。
上图为受试者之间脑机接口迁移学习的纵向框架。 a)个体脑电图的差异导致受试者间MI样本分布的协变量偏移。基于专家数据的解码器导致对naïve主题数据的分类产生偏差。 b)匹配专家和naïve受试者样本分布的领域自适应提高了分类。 c1.1) 通用重定位（GR）框架：在在线会话期间，将naïve受试者的样本与专家的样本实时匹配。c1.2)增量域自适应可以更好地匹配样本分布和更多的输入数据。c2)在整个会话中，解码器决策边界保持固定。 d1.1) 个人调整重定位框架：GR之后，输入的naïve受试者标注数据用于调整专家解码器的参数。d1.2）解码器的参数使用会话的第一次运行的标记数据进行实时更新。e) 纵向训练框架（GR 和 PAR）的实验方案。  在这个案例中，操作有两个方面：一个是赛车游戏，另一个是更简单的平衡数字条左右两边的任务。研究人员为较简单的平衡任务开发了一个"解码器"，使设备能够将脑电波转化为指令。解码器是其他用户的基础，也是避免漫长校准过程的关键。 解码器运行良好，受试者可以同时进行平衡游戏和更复杂的赛车游戏训练，后者需要提前几步思考才能转弯。  研究人员称这项工作是基础性的，因为它为进一步的脑机接口创新奠定了基础。该项目邀请了18名无运动障碍患者作为受试者。 米兰表示：“一方面，我们希望将BCI转化到临床领域，帮助残疾人；另一方面，我们需要改进我们的技术，使其更易于使用，从而更便利地帮助这些运动障碍患者。” —— End —— 仅用于学术分享，若侵权请留言，即时删侵！
投稿请点击 脑机接口社区学术新闻投稿指南 加入社群 欢迎加入脑机接口社区交流群， 探讨脑机接口领域话题，实时跟踪脑机接口前沿。 加微信群： |
|
|
