基于错误相关电位的强化学习用于自适应脑机接口
机器学习
2025-02-27 v1 人机交互
神经元与认知
摘要
脑机接口（BCI）为运动障碍个体提供了替代性通信方法，使其能够控制和与外部设备交互。使用脑电图（EEG）的非侵入式BCI在各种应用中实用且安全。然而，其性能常因EEG非平稳性而受限，这种非平稳性由变化的精神状态或设备特性（如电极阻抗）引起。这一挑战推动了能够应对此类变化的自适应BCI研究。近年来，利用错误相关电位（ErrPs）提升BCI性能的兴趣日益增长。ErrPs是对错误的神经反应，可以非侵入式检测，并已被整合到不同的BCI范式中，通过错误纠正或适应来提升性能。本研究提出了一种新颖的基于ErrP的自适应BCI方法，利用强化学习（RL）。我们展示了RL驱动的自适应框架结合ErrPs和运动想象的可行性。利用两个RL智能体，该框架动态适应EEG非平稳性。验证使用了一个公开可用的运动想象数据集和一个旨在提升用户参与度的快节奏游戏。结果展示了该框架的前景，RL智能体从用户交互中学习控制策略，并在各数据集上实现了鲁棒性能。然而，来自游戏协议的一个关键洞察表明，在高速交互范式中运动想象对参与者而言在很大程度上是无效的，揭示了实时BCI应用中任务设计的局限性。这些发现强调了RL用于自适应BCI的潜力，同时指出了与任务复杂性和用户响应性相关的实际约束。
引用
@article{arxiv.2502.18594,
title = {Error-related Potential driven Reinforcement Learning for adaptive Brain-Computer Interfaces},
author = {Aline Xavier Fidêncio and Felix Grün and Christian Klaes and Ioannis Iossifidis},
journal= {arXiv preprint arXiv:2502.18594},
year = {2025}
}