用于稳定脑机接口的对抗域适应

脑机接口（BMIs）近来已成为瘫痪后恢复自主运动的一种临床可行方案。这些设备基于从慢性植入大脑运动皮层的多电极阵列记录的神经信号中提取运动意图信息的能力。然而，所记录神经元的固有丢失与更替要求对接口反复重新校准，这可能改变日复一日的用户体验。由此产生的持续用户适应需求干扰了 BMI 的自然、潜意识使用。在此，我们引入一种新计算方法，从神经数据的低维潜表示中解码运动意图。我们实现了多种域适应方法来在极长时间上稳定接口。这包括使用典型相关分析对齐跨日的潜变量；该方法需要跨域时间序列的先验点对点对应。或者，我们通过最小化潜变量经验概率分布的 Kullback-Leibler 散度来匹配跨日的经验概率分布。这两种方法在接口性能上提供了显著且相当的改进。然而，实现一个经训练以匹配重建神经信号残差经验概率分布的对抗域适应网络，优于这两种基于潜变量的方法，同时仅需极少量数据点即可解决域适应问题。