利用长短期记忆 (LSTM) 网络从局部场电位解码手部运动学
神经元与认知
2019-01-04 v1
摘要
局部场电位 (LFP) 因其信息丰富的特征、长期稳定性以及低频特性，作为脑机接口 (BMI) 的替代输入信号日益受到关注。然而，尽管具备这些有趣特性，已有报道指出基于 LFP 的 BMI 相较于基于尖峰的 BMI 解码性能较低。本文提出一种基于长短期记忆 (LSTM) 网络的新解码器，旨在提升基于 LFP 的 BMI 的解码性能。我们将所提 LSTM 解码器与常用的卡尔曼滤波 (KF) 解码器在多通道 LFP 手部运动学预测任务上的离线解码性能进行比较。我们还将 LFP 驱动的 LSTM 解码器与由两类尖峰信号（单单元活动 (SUA) 和多单元活动 (MUA)）驱动的 KF 解码器进行性能基准对比。结果表明，LFP 驱动的 LSTM 解码器显著优于由 LFP、SUA 和 MUA 驱动的 KF 解码器。这表明 LFP 结合 LSTM 解码器可提供高解码性能、鲁棒且低功耗的 BMI。
引用
@article{arxiv.1901.00708,
title = {Decoding Hand Kinematics from Local Field Potentials Using Long Short-Term Memory (LSTM) Network},
author = {Nur Ahmadi and Timothy G. Constandinou and Christos-Savvas Bouganis},
journal= {arXiv preprint arXiv:1901.00708},
year = {2019}
}
备注
Accepted for the 9th International IEEE EMBS Conference on Neural Engineering (NER 2019)