数据集规模与基于长期 ECoG 的 BCI 使用对深度学习解码器性能的影响
信号处理
2022-09-09 v1 机器学习
神经元与认知
摘要
在脑机接口（BCI）研究中，记录数据耗时且昂贵，这限制了对大型数据集的获取。这可能影响 BCI 系统性能，因为机器学习方法强烈依赖于训练数据集规模。重要问题随之产生：考虑到神经信号特征（如非平稳性），我们能否用更多数据训练解码器来获得更高的解码性能？在长期 BCI 研究中，随时间进一步改进的前景如何？本研究从两个主要视角考察了长期记录对运动想象解码的影响：模型对数据集规模的需求以及患者适应的潜力。我们在一个长期 BCI 和 Tetraplegia NCT02550522 临床试验数据集上评估了多线性模型和两个深度学习（DL）模型，该数据集包含一名四肢瘫痪患者进行的 43 次 ECoG 记录会话。实验中，参与者利用运动想象模式执行三维虚拟手部平移。我们设计了多个计算实验，通过增加或平移训练数据集来考察模型性能与影响记录的不同因素之间的关系。我们的分析表明，对于已包含 40 分钟信号的数据集，向训练集添加更多数据可能不会立即提升性能。DL 解码器对数据集规模的需求与多线性模型相似，同时展现出更高的解码性能。此外，在实验后期记录的相对较小数据集上获得了高解码性能，表明运动想象模式改善和患者适应。最后，我们提出 UMAP 嵌入和局部本征维数作为可视化数据并潜在评估数据质量的方法。
引用
@article{arxiv.2209.03789,
title = {Impact of dataset size and long-term ECoG-based BCI usage on deep learning decoders performance},
author = {Maciej Śliwowski and Matthieu Martin and Antoine Souloumiac and Pierre Blanchart and Tetiana Aksenova},
journal= {arXiv preprint arXiv:2209.03789},
year = {2022}
}