基于深度学习的情感脑机接口神经解码框架
人机交互
2023-03-09 v1 机器学习
神经元与认知
摘要
从神经活动片段中精确读取情绪对情感脑机接口的发展至关重要。在所有神经解码算法中，深度学习（DL）有潜力成为最有前景者，但近年进展有限。一个可能原因是 DL 的功效强烈依赖训练样本，而用于训练的神经数据常来自非人灵长类且混杂大量噪声，进而误导 DL 模型训练。鉴于从人类视角难以准确判定动物情绪，我们假设表征不同情绪的神经数据中的主导噪声为标注错误。本文报道一种称为 Emo-Net 的神经解码框架的开发与应用，该框架由置信学习（CL）组件与 DL 组件构成。该框架完全数据驱动，能够从行为猴子的多个数据集中解码情绪。除提升解码能力外，Emo-Net 显著改善基础 DL 模型的性能，使动物模型中的情绪识别成为可能。总之，该框架或可启发对情绪神经基础的新理解，并推动闭环情感脑机接口的实现。
引用
@article{arxiv.2303.04391,
title = {A Deep-Learning-Based Neural Decoding Framework for Emotional Brain-Computer Interfaces},
author = {Xinming Wu and Ji Dai},
journal= {arXiv preprint arXiv:2303.04391},
year = {2023}
}
备注
22 pages, 4 figures